論文の概要: AssembleRL: Learning to Assemble Furniture from Their Point Clouds

• arxiv url: http://arxiv.org/abs/2209.07268v1
• Date: Thu, 15 Sep 2022 13:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 13:24:00.871316
• Title: AssembleRL: Learning to Assemble Furniture from Their Point Clouds
• Title（参考訳）: AssembleRL: ポイントクラウドから家具を組み立てることを学ぶ
• Authors: \"Ozg\"ur Aslan, Burak Bolat, Batuhan Bal, Tu\u{g}ba T\"umer, Erol \c{S}ahin, and Sinan Kalkan
• Abstract要約: 人間は家具の組み立てを解くことができ、組み立てた製品の2Dスナップショットをほとんど与える。 本稿では,家具の組立を人間の専門知識と監督力を極力少なくして解決することを目的とする。 我々の新しい報奨信号は、様々な種類の家具をうまく組み立てるために、ディープネットワークを訓練できることを示します。
• 参考スコア（独自算出の注目度）: 6.431386356051648
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rise of simulation environments has enabled learning-based approaches for assembly planning, which is otherwise a labor-intensive and daunting task. Assembling furniture is especially interesting since furniture are intricate and pose challenges for learning-based approaches. Surprisingly, humans can solve furniture assembly mostly given a 2D snapshot of the assembled product. Although recent years have witnessed promising learning-based approaches for furniture assembly, they assume the availability of correct connection labels for each assembly step, which are expensive to obtain in practice. In this paper, we alleviate this assumption and aim to solve furniture assembly with as little human expertise and supervision as possible. To be specific, we assume the availability of the assembled point cloud, and comparing the point cloud of the current assembly and the point cloud of the target product, obtain a novel reward signal based on two measures: Incorrectness and incompleteness. We show that our novel reward signal can train a deep network to successfully assemble different types of furniture. Code and networks available here: https://github.com/METU-KALFA/AssembleRL
• Abstract（参考訳）: シミュレーション環境の台頭により、組み立て計画のための学習ベースのアプローチが実現され、それ以外は労働集約的で厄介なタスクである。 家具は複雑で、学習に基づくアプローチに挑戦するので、家具の組み立ては特に興味深い。 驚いたことに、人間は組み立てた製品の2dスナップショットをほとんど与えて家具の組み立てを解決できる。 近年,家具組立における有望な学習的アプローチが注目されているが,各組立工程で適切な接続ラベルが利用可能であることが想定されている。 本稿では,この仮定を緩和し,できるだけ人的知識と監督力の少ない家具組み立ての解決を目指す。 具体的には、組立点雲の可用性を仮定し、現在の組立点雲と対象物の点雲を比較し、不正確性と不完全性という2つの尺度に基づく新たな報奨信号を得る。 我々は,新しい報奨信号がディープネットワークを訓練し,様々な家具の組み立てを成功させることを示す。 コードとネットワーク:https://github.com/METU-KALFA/AssembleRL

関連論文リスト

• AssemblyComplete: 3D Combinatorial Construction with Deep Reinforcement Learning [4.3507834596906125]
  ロボット工学における重要なゴールは、ロボットに現実世界の協調作業、特に自動組み立てに適応するように教えることである。 本稿では, ユニットプリミティブ(レゴブロック)を用いて実演した3次元組立工法を紹介する。 本研究では,ロボットに不完全な組立の目的を理解し,組立を完了するための建設方針を学ぶための2部構成の深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-20T18:51:17Z)
• Learning to Build by Building Your Own Instructions [56.734927320020496]
  LTRONにおける最近提案されたBreak-and-Make問題に対する新しい手法を開発した。 エージェントは、単一の対話的なセッションを使用して、これまで見えなかったLEGOアセンブリを構築することを学ばなければなりません。 オンラインの模倣学習を使ってこれらのモデルをトレーニングし、モデルが自身のミスから学習できるようにする。
  論文  参考訳（メタデータ） (2024-10-01T22:39:58Z)
• Mitigating Object Dependencies: Improving Point Cloud Self-Supervised Learning through Object Exchange [50.45953583802282]
  我々は,ポイントクラウドシーン理解のための新たな自己教師型学習(SSL)戦略を導入する。 このアプローチでは、オブジェクトパターンとコンテキストキューの両方を活用して、堅牢な機能を生成します。 提案手法は既存のSSL技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T06:39:53Z)
• Few-Shot In-Context Imitation Learning via Implicit Graph Alignment [15.215659641228655]
  オブジェクトのグラフ表現間の条件付きアライメント問題として模倣学習を定式化する。 この条件付けにより、ロボットがデモ直後に新しいオブジェクトのセット上でタスクを実行できる、コンテキスト内学習が可能となることを示す。
  論文  参考訳（メタデータ） (2023-10-18T18:26:01Z)
• FurnitureBench: Reproducible Real-World Benchmark for Long-Horizon Complex Manipulation [16.690318684271894]
  強化学習(RL)、模倣学習(IL)、タスク・アンド・モーション・プランニング(TAMP)は、様々なロボット操作タスクにおいて印象的なパフォーマンスを示している。 本稿では,ロボット操作の複雑で長期的タスクである実世界の家具組み立てに焦点をあてる。 再現可能な実世界の家具組み立てベンチマークであるFurnitureBenchを紹介する。
  論文  参考訳（メタデータ） (2023-05-22T08:29:00Z)
• Aligning Step-by-Step Instructional Diagrams to Video Demonstrations [51.67930509196712]
  組立図として表現される(i)命令ステップと、(ii)動画セグメントとを関連付ける新しい設定について考察する。 本稿では,ビデオの微妙な詳細化を学習する,教師付きコントラスト学習手法を提案する。 池田組立におけるIAW実験は, 代替案に対するアプローチの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-03-24T04:45:45Z)
• RoboAssembly: Learning Generalizable Furniture Assembly Policy in a Novel Multi-robot Contact-rich Simulation Environment [16.830676165119257]
  部品組み立ては、ロボット工学において典型的なが挑戦的なタスクであり、ロボットは個々の部品の集合を完全な形に組み立てる。 具体的強化学習問題として部品組立タスクを定式化し、多様な椅子を組み立てることを学ぶロボットのためのパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-12-19T13:20:45Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• AssembleNet++: Assembling Modality Representations via Attention Connections [83.50084190050093]
  i)セマンティックオブジェクト情報と生の外観と動きの特徴の相互作用を学習し、(ii)ネットワークの各畳み込みブロックにおける特徴の重要性をよりよく学習するために注意を配置する。 ピアアテンションと呼ばれる新しいネットワークコンポーネントを導入し、別のブロックや入力モダリティを使って動的にアテンションウェイトを学習する。
  論文  参考訳（メタデータ） (2020-08-18T17:54:08Z)
• The IKEA ASM Dataset: Understanding People Assembling Furniture through Actions, Objects and Pose [108.21037046507483]
  IKEA ASMは300万フレーム、マルチビュー、家具組み立てビデオデータセットで、深さ、原子活動、オブジェクトセグメンテーション、人間のポーズを含む。 我々は,この課題のあるデータセット上で,映像行動認識,オブジェクトセグメンテーション,人間のポーズ推定タスクの顕著な手法をベンチマークする。 このデータセットは、マルチモーダルデータとマルチビューデータを統合してこれらのタスクをよりよく実行する、全体論的手法の開発を可能にする。
  論文  参考訳（メタデータ） (2020-07-01T11:34:46Z)

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。