論文の概要: Intercepting A Flying Target While Avoiding Moving Obstacles: A Unified
Control Framework With Deep Manifold Learning
- arxiv url: http://arxiv.org/abs/2209.13628v1
- Date: Tue, 27 Sep 2022 18:46:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:48:20.741008
- Title: Intercepting A Flying Target While Avoiding Moving Obstacles: A Unified
Control Framework With Deep Manifold Learning
- Title（参考訳）: 障害物移動を避けながら飛行目標を解釈する:深層マニフォールド学習による統一制御フレームワーク
- Authors: Apan Dastider and Mingjie Lin
- Abstract要約: ロボットアームによるロボットアームによるリアルタイムな物体の干渉は、反応時間に対してほんの数ミリ秒しか許さない。
本稿では,高次元時間情報を埋め込んだロボット経路計画の統一的枠組みを提案する。
本研究は,オンボードセンシングと計算のみを用いた自律型7-DoFロボットアームへのアプローチの有効性を実証する。
- 参考スコア（独自算出の注目度）: 1.5229257192293197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time interception of a fast-moving object by a robotic arm in cluttered
environments filled with static or dynamic obstacles permits only tens of
milliseconds for reaction times, hence quite challenging and arduous for
state-of-the-art robotic planning algorithms to perform multiple robotic
skills, for instance, catching the dynamic object and avoiding obstacles, in
parallel. This paper proposes an unified framework of robotic path planning
through embedding the high-dimensional temporal information contained in the
event stream to distinguish between safe and colliding trajectories into a
low-dimension space manifested with a pre-constructed 2D densely connected
graph. We then leverage a fast graph-traversing strategy to generate the motor
commands necessary to effectively avoid the approaching obstacles while
simultaneously intercepting a fast-moving objects. The most distinctive feature
of our methodology is to conduct both object interception and obstacle
avoidance within the same algorithm framework based on deep manifold learning.
By leveraging a highly efficient diffusion-map based variational autoencoding
and Extended Kalman Filter(EKF), we demonstrate the effectiveness of our
approach on an autonomous 7-DoF robotic arm using only onboard sensing and
computation. Our robotic manipulator was capable of avoiding multiple obstacles
of different sizes and shapes while successfully capturing a fast-moving soft
ball thrown by hand at normal speed in different angles. Complete video
demonstrations of our experiments can be found in
https://sites.google.com/view/multirobotskill/home.
- Abstract（参考訳）: 静的な障害物や動的障害物で満たされた乱雑な環境でロボットアームによる高速移動物体のリアルタイムインターセプションは、反応時間に数十ミリ秒しかかからないため、最先端のロボット計画アルゴリズムが複数のロボットスキル(例えば、動的物体を捕捉し、障害物を避けるなど)を並行して実行するのは非常に困難かつ困難である。
本稿では,イベントストリームに含まれる高次元の時間情報を埋め込み,安全かつ衝突性のある軌道を,事前構築された2次元密結合グラフで表される低次元空間に区別することで,ロボット経路計画の統一的枠組みを提案する。
次に、高速なグラフトラバース戦略を利用して、高速な物体をインターセプトしながら、接近する障害物を効果的に回避するために必要なモータコマンドを生成する。
この手法の最も特徴的な特徴は、深部多様体学習に基づく同じアルゴリズムフレームワーク内で、オブジェクトインターセプションと障害物回避の両方を実行することである。
高効率な拡散マップに基づく変分自動符号化と拡張カルマンフィルタ(EKF)を活用することで,車載センシングと計算のみを用いた自律型7-DoFロボットアームへのアプローチの有効性を実証する。
ロボットマニピュレータは、大きさや形状の異なる複数の障害物を回避でき、手で投げられた速く動くソフトボールを、異なる角度で通常の速度で捕獲できた。
実験の完全なビデオデモは、https://sites.google.com/view/multirobotskill/homeで見ることができる。
関連論文リスト
- Deep Learning-Based Robust Multi-Object Tracking via Fusion of mmWave Radar and Camera Sensors [6.166992288822812]
複雑なトラフィックシナリオを通じて、より安全で効率的なナビゲーションを実現する上で、マルチオブジェクトトラッキングは重要な役割を果たす。
本稿では,自律走行システムにおける複数物体追跡の精度とロバスト性を高めるために,レーダデータとカメラデータを統合した新しいディープラーニング方式を提案する。
論文 参考訳（メタデータ） (2024-07-10T21:09:09Z) - Image Conductor: Precision Control for Interactive Video Synthesis [90.2353794019393]
映画製作とアニメーション制作は、しばしばカメラの遷移と物体の動きを調整するための洗練された技術を必要とする。
イメージコンダクタ(Image Conductor)は、カメラトランジションとオブジェクトの動きを正確に制御し、単一の画像からビデオアセットを生成する方法である。
論文 参考訳（メタデータ） (2024-06-21T17:55:05Z) - Motion Segmentation for Neuromorphic Aerial Surveillance [42.04157319642197]
イベントカメラは優れた時間分解能、優れたダイナミックレンジ、最小限の電力要件を提供する。
固定間隔で冗長な情報をキャプチャする従来のフレームベースのセンサーとは異なり、イベントカメラは画素レベルの明るさ変化を非同期に記録する。
本稿では,イベントデータと光フロー情報の両方に自己監督型視覚変換器を利用する動き分割手法を提案する。
論文 参考訳（メタデータ） (2024-05-24T04:36:13Z) - Guided Decoding for Robot On-line Motion Generation and Adaption [44.959409835754634]
本稿では,ロボットアームに高い自由度を持つ新たな動作生成手法を提案する。
本研究では,実演として使用する擬似軌道の大規模データセットに基づいて,条件付き変分オートエンコーダに基づくトランスフォーマーアーキテクチャを訓練する。
本モデルでは, 異なる初期点と目標点からの運動をうまく生成し, 異なるロボットプラットフォームを横断する複雑なタスクをナビゲートする軌道を生成可能であることを示す。
論文 参考訳（メタデータ） (2024-03-22T14:32:27Z) - Neural Implicit Swept Volume Models for Fast Collision Detection [0.0]
本稿では,深層学習に基づく符号付き距離計算の高速化と幾何衝突チェッカーの精度保証を併用したアルゴリズムを提案する。
シミュレーションおよび実世界のロボット実験において、我々のアプローチを検証するとともに、商用ビンピッキングアプリケーションを高速化できることを実証する。
論文 参考訳（メタデータ） (2024-02-23T12:06:48Z) - TrackDiffusion: Tracklet-Conditioned Video Generation via Diffusion Models [75.20168902300166]
微粒な軌跡条件の運動制御が可能な新しい映像生成フレームワークであるTrackDiffusionを提案する。
TrackDiffusionの重要なコンポーネントは、複数のオブジェクトのフレーム間の一貫性を明確に保証するインスタンスエンハンサーである。
TrackDiffusionによって生成されたビデオシーケンスは、視覚知覚モデルのトレーニングデータとして使用できる。
論文 参考訳（メタデータ） (2023-12-01T15:24:38Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-06-05T04:24:11Z) - MotionTrack: Learning Robust Short-term and Long-term Motions for
Multi-Object Tracking [56.92165669843006]
本研究では,短時間から長期間の軌跡を関連づける統合フレームワークで,堅牢な短期・長期動作を学習するMotionTrackを提案する。
密集した群集に対して,各ターゲットの複雑な動きを推定できる,短時間の軌跡から相互作用認識動作を学習するための新しい対話モジュールを設計する。
極端なオクルージョンのために、ターゲットの履歴軌跡から信頼できる長期動作を学習するための新しいRefind Moduleを構築し、中断された軌跡とそれに対応する検出とを関連付けることができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:33Z) - A real-time dynamic obstacle tracking and mapping system for UAV
navigation and collision avoidance with an RGB-D camera [7.77809394151497]
RGB-Dカメラを用いたクワッドコプター障害物回避のためのリアルタイム動的障害物追跡とマッピングシステムを提案する。
本手法は,動的環境における障害物をリアルタイムに追跡・表現することができ,障害物を安全に回避することができる。
論文 参考訳（メタデータ） (2022-09-17T05:32:33Z) - Implicit Motion Handling for Video Camouflaged Object Detection [60.98467179649398]
本稿では,新しいビデオカモフラージュオブジェクト検出(VCOD)フレームワークを提案する。
短期的および長期的整合性を利用して、ビデオフレームからカモフラージュされたオブジェクトを検出する。
論文 参考訳（メタデータ） (2022-03-14T17:55:41Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。