論文の概要: GP-net: Flexible Viewpoint Grasp Proposal
- arxiv url: http://arxiv.org/abs/2209.10404v3
- Date: Thu, 12 Oct 2023 07:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 04:31:28.956194
- Title: GP-net: Flexible Viewpoint Grasp Proposal
- Title（参考訳）: GP-net:フレキシブルな視点グラフの提案
- Authors: Anna Konrad, John McDonald and Rudi Villing
- Abstract要約: フレキシブルな視点から6-DoFグルーピングを生成する畳み込みニューラルネットワークモデルであるGrasp Proposal Network (GP-net)を提案する。
GP-netを訓練するために,深度画像と接地木把握情報を含むデータセットを合成的に生成する。
実世界の実験では、EGAD評価ベンチマークを用いて、PAL TIAGoモバイルマニピュレータ上のVGN(Volumetric Grasping Network)とGPD(Pose Detection Pack)の2つに対してGP-netを評価する。
- 参考スコア（独自算出の注目度）: 0.9208007322096533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the Grasp Proposal Network (GP-net), a Convolutional Neural
Network model which can generate 6-DoF grasps from flexible viewpoints, e.g. as
experienced by mobile manipulators. To train GP-net, we synthetically generate
a dataset containing depth-images and ground-truth grasp information. In
real-world experiments, we use the EGAD evaluation benchmark to evaluate GP-net
against two commonly used algorithms, the Volumetric Grasping Network (VGN) and
the Grasp Pose Detection package (GPD), on a PAL TIAGo mobile manipulator. In
contrast to the state-of-the-art methods in robotic grasping, GP-net can be
used for grasping objects from flexible, unknown viewpoints without the need to
define the workspace and achieves a grasp success of 54.4% compared to 51.6%
for VGN and 44.2% for GPD. We provide a ROS package along with our code and
pre-trained models at https://aucoroboticsmu.github.io/GP-net/.
- Abstract（参考訳）: モバイルマニピュレータが経験したような柔軟な視点から6-DoFの把握を生成可能な畳み込みニューラルネットワークモデルであるGrasp Proposal Network(GP-net)を提案する。
gp-netを訓練するために,深度画像と地中把握情報を含むデータセットを合成的に生成する。
実世界の実験では,PAL TIAGoモバイルマニピュレータ上で,VGN(Volumetric Grasping Network)とGPD(Grasp Pose Detection Pack)の2つのアルゴリズムに対して,EGAD評価ベンチマークを用いてGP-netを評価する。
ロボットの把握における最先端の手法とは対照的に、GP-netは、ワークスペースを定義する必要なしに、柔軟で未知の視点からオブジェクトを把握するために使用することができ、VGNの51.6%、PDの44.2%に比べて54.4%の把握成功を実現している。
コードと事前トレーニングされたモデルとともに、ROSパッケージをhttps://aucoroboticsmu.github.io/GP-net/で提供します。
関連論文リスト
- T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - EMGTFNet: Fuzzy Vision Transformer to decode Upperlimb sEMG signals for
Hand Gestures Recognition [0.1611401281366893]
本稿では,手動ジェスチャー認識を行うために,EMGTFNetと呼ばれるファジィニューラルブロック(FNB)を用いた視覚変換器(ViT)アーキテクチャを提案する。
提案モデルの精度は49種類の手ジェスチャーからなるNinaProデータベースを用いて検証した。
論文 参考訳（メタデータ） (2023-09-23T18:55:26Z) - A Multidimensional Graph Fourier Transformation Neural Network for
Vehicle Trajectory Prediction [9.554569082679151]
本研究は,高速道路における長期軌跡予測のための多次元グラフフーリエ変換ニューラルネットワーク(GFTNN)を提案する。
グラフニューラルネットワーク(GNN)と同様に、GFTNNはグラフ構造を扱う新しいアーキテクチャである。
実験と評価には、公開データセット highD と NGSIM が使用される。
論文 参考訳（メタデータ） (2023-05-12T12:36:48Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - Analyzing the Traffic of MANETs using Graph Neural Networks [0.0]
本研究は,人気のあるGNNフレームワークであるPyTorch GeometricにMANETデータセットを実装した。
GNNを用いてMANETのトラフィックを解析する方法を示す。
我々は、MANET上でのGNNの性能と効率を測定するために、いくつかの評価指標を解釈する。
論文 参考訳（メタデータ） (2022-12-17T18:13:20Z) - Exploiting Adam-like Optimization Algorithms to Improve the Performance
of Convolutional Neural Networks [82.61182037130405]
勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。
本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。
resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
論文 参考訳（メタデータ） (2021-03-26T18:55:08Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。
本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。
実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-10-29T08:55:33Z) - Grasp Proposal Networks: An End-to-End Solution for Visual Learning of
Robotic Grasps [31.021600064320168]
本研究では,一対一のカメラビューから観察される未知の物体に対して,多種多様な6-DOFグリップの予測を行う,GPNet(EnmphGrasp Proposal Network)を提案する。
GPNetは、個別だが通常の3Dグリッド角のグリップセンターのエンファンコーダを定義する、グリップ提案モジュールの鍵となる設計に基づいている。
本研究では,ルールベース基準,シミュレーションテスト,実検定を用いて6-DOFオブジェクトグリップの合成データセットを作成した。
論文 参考訳（メタデータ） (2020-09-26T14:14:52Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z)
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。