論文の概要: Co-manipulation of soft-materials estimating deformation from depth images

• arxiv url: http://arxiv.org/abs/2301.05609v1
• Date: Fri, 13 Jan 2023 15:24:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 14:24:50.536276
• Title: Co-manipulation of soft-materials estimating deformation from depth images
• Title（参考訳）: 深度画像から変形を推定するソフトマテリアルのコマニピュレーション
• Authors: Giorgio Nicola, Enrico Villagrossi, Nicola Pedrocchi
• Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)を用いて、深度画像から材料の変形状態を推定するデータ駆動モデルを開発した。 このモデルは、畳み込みニューラルネットワーク、特にImageNetで事前訓練されたDenseNet-121を介して、現在の変形状態を推定する。 その結果,本手法は,骨格トラッカーによる様々な欠点を回避し,より優れた性能を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.8950079068874668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-robot co-manipulation of soft materials, such as fabrics, composites, and sheets of paper/cardboard, is a challenging operation that presents several relevant industrial applications. Estimating the deformation state of the co-manipulated material is one of the main challenges. Viable methods provide the indirect measure by calculating the human-robot relative distance. In this paper, we develop a data-driven model to estimate the deformation state of the material from a depth image through a Convolutional Neural Network (CNN). First, we define the deformation state of the material as the relative roto-translation from the current robot pose and a human grasping position. The model estimates the current deformation state through a Convolutional Neural Network, specifically a DenseNet-121 pretrained on ImageNet.The delta between the current and the desired deformation state is fed to the robot controller that outputs twist commands. The paper describes the developed approach to acquire, preprocess the dataset and train the model. The model is compared with the current state-of-the-art method based on a skeletal tracker from cameras. Results show that our approach achieves better performances and avoids the various drawbacks caused by using a skeletal tracker.Finally, we also studied the model performance according to different architectures and dataset dimensions to minimize the time required for dataset acquisition
• Abstract（参考訳）: 布、複合材料、紙/ボール紙などの柔らかい材料を人ロボットで共同操作することは、いくつかの産業応用を提示する困難な作業である。 コマニピュレーションされた材料の変形状態を推定することが主な課題である。 人間のロボットの相対距離を計算して間接測度を提供する。 本稿では,畳み込みニューラルネットワーク(CNN)を用いて,深度画像から素材の変形状態を推定するデータ駆動モデルを開発する。 まず,素材の変形状態を,現在のロボットポーズと人間のつかみ位置との相対的なロト変換として定義する。 モデルは、畳み込みニューラルネットワーク、特にImageNetで事前訓練されたDenseNet-121を介して、電流と所望の変形状態の間のデルタをロボットコントローラに供給し、ツイストコマンドを出力する。 本稿では,データセットの取得,事前処理,モデルのトレーニングのために開発された手法について述べる。 このモデルは、カメラからの骨格トラッカーに基づく最先端の手法と比較される。 結果から,本手法は,骨格トラッカーによる性能向上と種々の欠点を回避し,データセット取得に必要な時間を最小限に抑えるため,異なるアーキテクチャやデータセット次元によるモデル性能についても検討した。

関連論文リスト

• Controlling Human Shape and Pose in Text-to-Image Diffusion Models via Domain Adaptation [1.3654846342364308]
  本研究では、事前訓練されたテキスト・画像拡散モデルにおいて、人間の形状とポーズを条件付きで制御する手法を提案する。 これらの拡散モデルを微調整して新しい条件に適合させるには、大きなデータセットと高品質なアノテーションが必要である。 合成条件情報を分離することで画像品質を維持するドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T14:02:41Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Learning Robust Multi-Scale Representation for Neural Radiance Fields from Unposed Images [65.41966114373373]
  コンピュータビジョンにおけるニューラルイメージベースのレンダリング問題に対する改善された解決策を提案する。 提案手法は,テスト時に新たな視点からシーンのリアルなイメージを合成することができる。
  論文  参考訳（メタデータ） (2023-11-08T08:18:23Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Thermodynamically Consistent Machine-Learned Internal State Variable Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
  ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。 本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T23:25:08Z)
• A Physics-Guided Neural Operator Learning Approach to Model Biological Tissues from Digital Image Correlation Measurements [3.65211252467094]
  本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。 ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。 材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
  論文  参考訳（メタデータ） (2022-04-01T04:56:41Z)
• NeuralReshaper: Single-image Human-body Retouching with Deep Neural Networks [50.40798258968408]
  本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。 われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。 ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
  論文  参考訳（メタデータ） (2022-03-20T09:02:13Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Graph-based Normalizing Flow for Human Motion Generation and Reconstruction [20.454140530081183]
  過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。 足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
  論文  参考訳（メタデータ） (2021-04-07T09:51:15Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• A machine learning based plasticity model using proper orthogonal decomposition [0.0]
  データ駆動の物質モデルは、古典的な数値的アプローチよりも多くの利点がある。 データ駆動型マテリアルモデルを開発する1つのアプローチは、機械学習ツールを使用することである。 弾性と塑性の両面において,機械学習に基づく材料モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-07T15:46:16Z)

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。