Fugu-MT 論文翻訳(概要): Stable Object Reorientation using Contact Plane Registration

論文の概要: Stable Object Reorientation using Contact Plane Registration

arxiv url: http://arxiv.org/abs/2208.08962v1
Date: Thu, 18 Aug 2022 17:10:28 GMT
ステータス: 処理完了
システム内更新日: 2022-08-19 14:03:50.278824
Title: Stable Object Reorientation using Contact Plane Registration
Title（参考訳）: 接触面登録による安定物体の配向
Authors: Richard Li, Carlos Esteves, Ameesh Makadia, Pulkit Agrawal
Abstract要約: 本稿では,条件付き生成モデルを用いて回転空間におけるマルチモーダリティのモデル化において重要な課題を克服することを提案する。我々のシステムは,実世界深度カメラで捉えたノイズや部分的に観測された点雲観測から操作することができる。
参考スコア（独自算出の注目度）: 32.19425880216469
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a system for accurately predicting stable orientations for diverse rigid objects. We propose to overcome the critical issue of modelling multimodality in the space of rotations by using a conditional generative model to accurately classify contact surfaces. Our system is capable of operating from noisy and partially-observed pointcloud observations captured by real world depth cameras. Our method substantially outperforms the current state-of-the-art systems on a simulated stacking task requiring highly accurate rotations, and demonstrates strong sim2real zero-shot transfer results across a variety of unseen objects on a real world reorientation task. Project website: \url{https://richardrl.github.io/stable-reorientation/}
Abstract（参考訳）: 多様な剛体物体に対する安定配向を正確に予測するシステムを提案する。本研究では, 条件付き生成モデルを用いて接触面を正確に分類することにより, 回転空間における多様性モデリングの問題点を克服する。我々のシステムは,実世界深度カメラで捉えたノイズや部分的に観測された点雲観測から操作することができる。本手法は,高精度な回転を必要とするシミュレーションスタッキングタスクにおいて,現在の最先端システムを大きく上回り,実世界リオリエンテーションタスクにおいて,未知のさまざまな物体に対して強いsim2実数ゼロショット転送結果を示す。プロジェクトウェブサイト: \url{https://richardrl.github.io/stable-reorientation/}

関連論文リスト

Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文参考訳（メタデータ） (2024-06-21T13:48:37Z)
Uncertainty-aware Active Learning of NeRF-based Object Models for Robot Manipulators using Visual and Re-orientation Actions [8.059133373836913]
本稿では,ロボットが対象物の完全な3次元モデルを高速に学習し,不慣れな方向で操作できるアプローチを提案する。我々は、部分的に構築されたNeRFモデルのアンサンブルを用いて、モデルの不確実性を定量化し、次の動作を決定する。提案手法は, 部分的NeRFモデルにより対象物をいつ, どのように把握し, 再指向するかを判断し, 相互作用中に導入された不整合を補正するために, 対象のポーズを再推定する。
論文参考訳（メタデータ） (2024-04-02T10:15:06Z)
Reconstructing Objects in-the-wild for Realistic Sensor Simulation [41.55571880832957]
我々は,スパース・イン・ザ・ワイルドデータから正確な幾何学的および現実的な外観を推定する新しい手法であるNeuSimを提案する。物体の外観を物理にインスパイアされた頑健な反射率表現でモデル化し,実測データに有効である。実験の結果,NeuSimはスパース・トレーニング・ビューを持つ難解なシナリオに対して,強力なビュー合成性能を有することがわかった。
論文参考訳（メタデータ） (2023-11-09T18:58:22Z)
DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文参考訳（メタデータ） (2023-10-11T05:34:36Z)
MOVIN: Real-time Motion Capture using a Single LiDAR [7.3228874258537875]
我々は,グローバルトラッキングを用いたリアルタイムモーションキャプチャのためのデータ駆動生成法MOVINを提案する。本フレームワークは,パフォーマーの3次元グローバル情報と局所的な関節の詳細を正確に予測する。実世界のシナリオでメソッドをデモするために,リアルタイムアプリケーションを実装した。
論文参考訳（メタデータ） (2023-09-17T16:04:15Z)
Visual Dexterity: In-Hand Reorientation of Novel and Complex Object Shapes [31.05016510558315]
多くの巧妙な操作を行うには、手動でオブジェクトの向きを変える必要がある。このような仮定を行わない汎用オブジェクトリオリエンテーションコントローラを提案する。シミュレーションにおいて強化学習を用いて学習し,新しい物体の形状を実世界で評価する。
論文参考訳（メタデータ） (2022-11-21T18:59:33Z)
ParticleSfM: Exploiting Dense Point Trajectories for Localizing Moving Cameras in the Wild [57.37891682117178]
本稿では,一対の光流からの高密度対応に基づく動画の高密度間接構造抽出手法を提案する。不規則点軌道データを処理するために,新しいニューラルネットワークアーキテクチャを提案する。 MPIシンテルデータセットを用いた実験により,我々のシステムはより正確なカメラ軌道を生成することがわかった。
論文参考訳（メタデータ） (2022-07-19T09:19:45Z)
IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
論文参考訳（メタデータ） (2022-02-01T20:03:56Z)
Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文参考訳（メタデータ） (2021-11-15T18:50:04Z)
Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文参考訳（メタデータ） (2020-07-27T17:46:59Z)
Assistive Relative Pose Estimation for On-orbit Assembly using Convolutional Neural Networks [0.0]
本稿では、畳み込みニューラルネットワークを利用して、カメラに対して関心のある物体の翻訳と回転を決定する。アセンブリタスク用に設計されたシミュレーションフレームワークを使用して、修正CNNモデルをトレーニングするためのデータセットを生成する。モデルが現在の特徴選択法に匹敵する性能を示し、従ってそれらと組み合わせてより信頼性の高い推定値を提供することができる。
論文参考訳（メタデータ） (2020-01-29T02:53:52Z)

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。