論文の概要: Autonomously Untangling Long Cables

• arxiv url: http://arxiv.org/abs/2207.07813v1
• Date: Sat, 16 Jul 2022 02:35:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 17:47:39.578784
• Title: Autonomously Untangling Long Cables
• Title（参考訳）: 自律的に長いケーブルを
• Authors: Vainavi Viswanath, Kaushik Shivakumar, Justin Kerr, Brijen Thananjeyan, Ellen Novoseller, Jeffrey Ichnowski, Alejandro Escontrela, Michael Laskey, Joseph E. Gonzalez, Ken Goldberg
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.09016120505088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cables are ubiquitous in many settings, but are prone to self-occlusions and knots, making them difficult to perceive and manipulate. The challenge often increases with cable length: long cables require more complex slack management and strategies to facilitate observability and reachability. In this paper, we focus on autonomously untangling cables up to 3 meters in length using a bilateral robot. We develop new motion primitives to efficiently untangle long cables and novel gripper jaws specialized for this task. We present Sliding and Grasping for Tangle Manipulation (SGTM), an algorithm that composes these primitives with RGBD vision to iteratively untangle. SGTM untangles cables with success rates of 67% on isolated overhand and figure eight knots and 50% on more complex configurations. Supplementary material, visualizations, and videos can be found at https://sites.google.com/view/rss-2022-untangling/home.
• Abstract（参考訳）: ケーブルは多くの場面でユビキタスだが、自己占有や結び目になりやすいため、知覚や操作が困難である。 長いケーブルは、可観測性と到達性を促進するためにより複雑なスラック管理と戦略を必要とする。 本稿では,双方向ロボットを用いて,最大3メートルまでのケーブルを自律的にアンタングすることに着目した。 我々は,この作業に特化した長尺ケーブルと新しいグリップ顎を効率よくアンタングルする新しい動作プリミティブを開発した。 SGTM(Sliding and Grasping for Tangle Manipulation)は,RGBDビジョンでこれらのプリミティブを構成するアルゴリズムである。 sgtmは、孤立したオーバーハンドで67%の成功率でケーブルをアンタングルし、より複雑な構成で8ノット、50%を図示する。 追加資料、視覚化、ビデオはhttps://sites.google.com/view/rss-2022-untangling/home.comで見ることができる。

関連論文リスト

• Short-Long Convolutions Help Hardware-Efficient Linear Attention to Focus on Long Sequences [60.489682735061415]
  本稿では,状態空間モデルを短時間の畳み込みに置き換えたCHELAを提案する。 提案手法の有効性を示すために,Long Range Arenaベンチマークと言語モデリングタスクについて実験を行った。
  論文  参考訳（メタデータ） (2024-06-12T12:12:38Z)
• Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware [132.39281056124312]
  ケーブル接続のスレッディングやバッテリーのスロットングといった細かい操作は、ロボットにとって非常に難しい。 本稿では,実演からエンド・ツー・エンドの模倣学習を行う低コストシステムを提案する。 本研究では, 動作系列の生成モデルを学習する, 単純だが斬新なアルゴリズムであるAction Chunking with Transformersを開発した。
  論文  参考訳（メタデータ） (2023-04-23T19:10:53Z)
• Automatic High Resolution Wire Segmentation and Removal [54.65877883437031]
  ワイヤーとパワーラインは、しばしば写真の美学を損なう一般的な視覚的障害である。 本稿では,線分別・除去・塗布過程を数秒以内で容易に行う自動ワイヤクリーンアップシステムを提案する。
  論文  参考訳（メタデータ） (2023-04-01T04:24:12Z)
• SGTM 2.0: Autonomously Untangling Long Cables using Interactive Perception [21.94720375064973]
  SGTM 2.0 (Sliding and Grasping for Tangle Manipulation 2.0) は、各ステップにおける不確実性の推定を用いて、二足歩行ロボットと長さ約3メートルのケーブルをアンハングリングする。 実験の結果、SGTM 2.0は1または2本のケーブルと8本のフィギュアの結び目を持ち、70%の終端検出に成功した。
  論文  参考訳（メタデータ） (2022-09-27T21:42:47Z)
• LiDARCap: Long-range Marker-less 3D Human Motion Capture with LiDAR Point Clouds [58.402752909624716]
  既存のモーションキャプチャデータセットはほとんどが短距離であり、まだ長距離アプリケーションのニーズに合わない。 我々は,この制限を克服するために,LiDARがより長い範囲で捉えた新しい人間のモーションキャプチャーデータセットLiDARHuman26Mを提案する。 我々のデータセットには、IMUシステムによって取得された人間の動きと同期RGB画像も含まれている。
  論文  参考訳（メタデータ） (2022-03-28T12:52:45Z)
• Self-Gated Memory Recurrent Network for Efficient Scalable HDR Deghosting [59.04604001936661]
  本稿では,任意の長さの動的シーケンスを浮き彫りにする新しいネットワーク型HDRデゴースト法を提案する。 本稿では,SGM(Self-Gated Memory)セルという新たなリカレントセルアーキテクチャを導入する。 提案手法は,既存の3つの公開データセットを定量的に比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-24T12:36:33Z)
• Untangling Dense Non-Planar Knots by Learning Manipulation Features and Recovery Policies [28.75186178614213]
  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。
  論文  参考訳（メタデータ） (2021-06-29T04:13:14Z)
• 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)
• Robots of the Lost Arc: Self-Supervised Learning to Dynamically Manipulate Fixed-Endpoint Cables [31.103646278125318]
  高速ロボットアームの動きは、ケーブルを操作して障害物を乗り越えたり、台座から物体をノックしたり、障害物の間を織ったりすることができる。 本稿では、UR5ロボットがこれらの3つのタスクを実行できる自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T00:19:50Z)

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。