論文の概要: Untangling Dense Non-Planar Knots by Learning Manipulation Features and Recovery Policies

• arxiv url: http://arxiv.org/abs/2107.08942v1
• Date: Tue, 29 Jun 2021 04:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-25 11:54:09.680130
• Title: Untangling Dense Non-Planar Knots by Learning Manipulation Features and Recovery Policies
• Title（参考訳）: 学習操作特徴と回復方針による密集した非平面的結び目
• Authors: Priya Sundaresan, Jennifer Grannen, Brijen Thananjeyan, Ashwin Balakrishna, Jeffrey Ichnowski, Ellen Novoseller, Minho Hwang, Michael Laskey, Joseph E. Gonzalez, Ken Goldberg
• Abstract要約: 本稿では,ロキとスペンダーマンという,ロバストなケーブルアンタングリングを実現する2つのアルゴリズムを提案する。 HULK, LOKI, SPiDERManの組み合わせは, 濃密なオーバーハンド, フィギュアエイト, ダブルオーバーハンド, 正方形, ボウリング, グラニー, ステベドール, トリプルオーバーハンドの結び目を解き放つことができる。
• 参考スコア（独自算出の注目度）: 28.75186178614213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot manipulation for untangling 1D deformable structures such as ropes, cables, and wires is challenging due to their infinite dimensional configuration space, complex dynamics, and tendency to self-occlude. Analytical controllers often fail in the presence of dense configurations, due to the difficulty of grasping between adjacent cable segments. We present two algorithms that enhance robust cable untangling, LOKI and SPiDERMan, which operate alongside HULK, a high-level planner from prior work. LOKI uses a learned model of manipulation features to refine a coarse grasp keypoint prediction to a precise, optimized location and orientation, while SPiDERMan uses a learned model to sense task progress and apply recovery actions. We evaluate these algorithms in physical cable untangling experiments with 336 knots and over 1500 actions on real cables using the da Vinci surgical robot. We find that the combination of HULK, LOKI, and SPiDERMan is able to untangle dense overhand, figure-eight, double-overhand, square, bowline, granny, stevedore, and triple-overhand knots. The composition of these methods successfully untangles a cable from a dense initial configuration in 68.3% of 60 physical experiments and achieves 50% higher success rates than baselines from prior work. Supplementary material, code, and videos can be found at https://tinyurl.com/rssuntangling.
• Abstract（参考訳）: ロープ、ケーブル、ワイヤーなどの1d変形しない構造物のロボット操作は、その無限次元構成空間、複雑なダイナミクス、自己閉塞傾向のために困難である。 分析コントローラは、隣接するケーブルセグメント間の把持が困難であるため、密集した構成が存在する場合にしばしば失敗する。 本研究では,従来の高レベルプランナであるHULKと共に動作するロバストケーブルアンハングリング(LOKI)とスペンダーマン(SPiDERMan)の2つのアルゴリズムを提案する。 LOKIは、学習された操作機能モデルを使用して、粗い把握キーポイント予測を精密で最適化された位置と向きに洗練し、SPiDERManは学習モデルを使用してタスクの進捗を検知し、リカバリアクションを適用する。 da vinci手術ロボットを用いて,336ノットおよび1500以上の実ケーブル動作を用いた物理ケーブルアンタングリング実験において,これらのアルゴリズムを評価した。 HULK, LOKI, SPiDERManの組み合わせは, 濃密なオーバーハンド, フィギュアエイト, ダブルオーバーハンド, 正方形, ボウリング, グラニー, ステベドール, トリプルオーバーハンドの結び目を解き放つことができる。 これらの方法の組成は60の物理実験のうち68.3%で密度の高い初期配置からケーブルを外すことに成功し、以前の作業のベースラインよりも50%高い成功率を達成した。 追加資料、コード、ビデオはhttps://tinyurl.com/rssuntangling.comで見ることができる。

関連論文リスト

• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。 また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Hysteresis Compensation of Flexible Continuum Manipulator using RGBD Sensing and Temporal Convolutional Network [2.387821008001523]
  ケーブル駆動マニピュレータは、摩擦、伸縮、結合などのキャブリング効果によって制御困難に直面している。 本稿では、ディープニューラルネットワーク(DNN)に基づくデータ駆動型アプローチを提案し、これらの非線形および過去の状態依存特性を捉える。 この手法を実際の手術シナリオに適用することで、制御精度を高め、手術性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-17T16:20:59Z)
• Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
  本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。 また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-18T18:16:30Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Autonomously Untangling Long Cables [79.09016120505088]
  ケーブルは多くの設定でユビキタスですが、セルフオクルージョンや結び目が多いです。 本稿では,二足歩行ロボットを用いて,最大3mのケーブルを自律的にアンハングリングすることに焦点を当てた。 我々は,この作業に特化した長尺ケーブルと新しい顎を効率的に切り離す新しい動作プリミティブを開発した。
  論文  参考訳（メタデータ） (2022-07-16T02:35:09Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Disentangling Dense Multi-Cable Knots [27.77670796271305]
  我々は、複数のケーブルを接続する問題を形式化し、非平面多重cAble kNots (IRON-MAN) の反復削減アルゴリズムを提案する。 我々は、このアルゴリズムを学習された知覚システムでインスタンス化する。 我々は,IRON-MANがトレーニングデータに現れる型をアンハングリングする上での有効性を実験的に評価し,マルチケーブル結び目の新しいクラスに一般化する。
  論文  参考訳（メタデータ） (2021-06-04T04:31:59Z)
• Untangling Dense Knots by Learning Task-Relevant Keypoints [36.553233699648175]
  ロープ、ワイヤー、ケーブルのアンタングルは、高次元構成空間、視覚的均質性、自己閉塞性、複雑なダイナミクスのために、ロボットにとって難しい課題である。 我々はこれをアルゴリズム HULK: Hierarchical Untangling from Learned Keypoints にインスタンス化する。 HULKは、高密度のフィギュアエイトとオーバーハンドの結び目でケーブルをアンタングルし、様々なテクスチャや外観に一般化することができる。
  論文  参考訳（メタデータ） (2020-11-10T09:29:01Z)
• Learning Rope Manipulation Policies Using Dense Object Descriptors Trained on Synthetic Depth Data [32.936908766549344]
  本稿では,初期とゴールのロープ構成間の点対対応を学習する手法を提案する。 ABB YuMi Robotによるノットタイリングタスクの50回の試行では、これまで見つからなかった構成から66%のノットタイリング成功率を達成した。
  論文  参考訳（メタデータ） (2020-03-03T23:43:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。