論文の概要: Online Tool Selection with Learned Grasp Prediction Models
- arxiv url: http://arxiv.org/abs/2302.07940v1
- Date: Wed, 15 Feb 2023 20:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 15:57:50.664840
- Title: Online Tool Selection with Learned Grasp Prediction Models
- Title（参考訳）: 学習把握予測モデルを用いたオンラインツール選択
- Authors: Khashayar Rohanimanesh, Jake Metzger, William Richards, and Aviv Tamar
- Abstract要約: 深層学習に基づく把握予測モデルは、ロボットビンピッキングシステムの業界標準となっている。
ピックの成功を最大化するために、生産環境は、しばしばターゲットオブジェクトに基づいて、オンザフライで交換できるいくつかのエンドエフェクタツールを備えている。
システムスループットを改善するために、グリップの順序、およびそれに対応するツール変更アクションをどのように選択するかを示す。
- 参考スコア（独自算出の注目度）: 15.915410623440875
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning-based grasp prediction models have become an industry standard
for robotic bin-picking systems. To maximize pick success, production
environments are often equipped with several end-effector tools that can be
swapped on-the-fly, based on the target object. Tool-change, however, takes
time. Choosing the order of grasps to perform, and corresponding tool-change
actions, can improve system throughput; this is the topic of our work. The main
challenge in planning tool change is uncertainty - we typically cannot see
objects in the bin that are currently occluded. Inspired by queuing and
admission control problems, we model the problem as a Markov Decision Process
(MDP), where the goal is to maximize expected throughput, and we pursue an
approximate solution based on model predictive control, where at each time step
we plan based only on the currently visible objects. Special to our method is
the idea of void zones, which are geometrical boundaries in which an unknown
object will be present, and therefore cannot be accounted for during planning.
Our planning problem can be solved using integer linear programming (ILP).
However, we find that an approximate solution based on sparse tree search
yields near optimal performance at a fraction of the time. Another question
that we explore is how to measure the performance of tool-change planning: we
find that throughput alone can fail to capture delicate and smooth behavior,
and propose a principled alternative. Finally, we demonstrate our algorithms on
both synthetic and real world bin picking tasks.
- Abstract（参考訳）: 深層学習に基づく把握予測モデルは,ロボットビンピッキングシステムの業界標準となっている。
ピック成功を最大化するために、プロダクション環境はターゲットオブジェクトに基づいて、オンザフライで交換できるいくつかのエンドエフェクタツールを備えていることが多い。
しかし、ツールの変更には時間がかかる。
実行すべき把握の順序とそれに対応するツール変更アクションを選択することで、システムのスループットが向上します。
ツールの変更を計画する上での最大の課題は不確実性です。
そこで我々は,待ち行列と入場制御の問題に着想を得て,予測スループットを最大化することを目的としたマルコフ決定プロセス(mdp)として問題をモデル化し,モデル予測制御に基づく近似解を追求する。
提案手法の特長は,未知の物体が存在するような幾何学的境界である空白領域の考え方であり,計画中は説明できない。
我々の計画問題は整数線形プログラミング(ILP)を用いて解くことができる。
しかし、スパースツリー探索に基づく近似解は、わずかな時間で最適性能に近い結果が得られることがわかった。
もうひとつの疑問は、ツール変更計画のパフォーマンスを測定する方法だ。 スループットだけでは、繊細で滑らかな振る舞いを捉えられず、原則に基づいた代替案を提案する。
最後に,我々のアルゴリズムを実世界のビンピッキングタスクの両方で実演する。
関連論文リスト
- Adaptive Planning with Generative Models under Uncertainty [20.922248169620783]
生成モデルによる計画は、幅広い領域にわたる効果的な意思決定パラダイムとして現れてきた。
最新の環境観測に基づいて決定を下すことができるため、各段階での継続的再計画は直感的に思えるかもしれないが、かなりの計算上の課題をもたらす。
本研究は,長軸状態軌跡を予測できる生成モデルの能力を活用する,シンプルな適応計画手法を導入することで,この問題に対処する。
論文 参考訳（メタデータ） (2024-08-02T18:07:53Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - Model Checking for Closed-Loop Robot Reactive Planning [0.0]
モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。
簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
論文 参考訳（メタデータ） (2023-11-16T11:02:29Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳（メタデータ） (2023-08-16T22:47:16Z) - Robots That Ask For Help: Uncertainty Alignment for Large Language Model
Planners [85.03486419424647]
KnowNoは、大きな言語モデルの不確実性を測定し、調整するためのフレームワークである。
KnowNoは、タスク完了に関する統計的保証を提供する共形予測理論に基づいている。
論文 参考訳（メタデータ） (2023-07-04T21:25:12Z) - Effective Baselines for Multiple Object Rearrangement Planning in
Partially Observable Mapped Environments [5.32429768581469]
本研究の目的は, 自家用知的エージェントが部分観測可能性の下で効率的に再配置を計画できるようにすることである。
本研究では, モノリシック・モジュール型深層強化学習(DRL)法について検討した。
モノリシックDRL法は多目的再配置に必要な長期計画では成功しない。
また、再配置が必要なオブジェクトが環境に均一に分散されている場合、我々の欲張りのあるモジュラーエージェントは経験的に最適であることを示す。
論文 参考訳（メタデータ） (2023-01-24T08:03:34Z) - Learning to Search in Task and Motion Planning with Streams [20.003445874753233]
ロボット工学におけるタスク計画問題と動作計画問題は、個別のタスク変数に対するシンボリック計画と、連続状態および動作変数に対する動作最適化を組み合わせたものである。
対象と事実の集合を最優先的に拡張する幾何学的情報に基づく記号プランナを提案する。
ブロックスタッキング操作タスクにおいて,このアルゴリズムを7DOFロボットアームに適用する。
論文 参考訳（メタデータ） (2021-11-25T15:58:31Z) - Learning Models as Functionals of Signed-Distance Fields for
Manipulation Planning [51.74463056899926]
本研究では,シーン内のオブジェクトを表す符号付き距離場の目的を学習する,最適化に基づく操作計画フレームワークを提案する。
オブジェクトを符号付き距離場として表現することは、ポイントクラウドや占有率の表現よりも高い精度で、様々なモデルの学習と表現を可能にする。
論文 参考訳（メタデータ） (2021-10-02T12:36:58Z) - Multiple Plans are Better than One: Diverse Stochastic Planning [26.887796946596243]
計画上の問題では、望ましい仕様を完全にモデル化することはしばしば困難です。
特に、人間とロボットの相互作用において、そのような困難は、プライベートまたはモデルに複雑である人間の好みによって生じる可能性がある。
我々は、最適に近い代表行動の集合を生成することを目的とした、多種多様な計画と呼ばれる問題を定式化する。
論文 参考訳（メタデータ） (2020-12-31T07:29:11Z) - POMP: Pomcp-based Online Motion Planning for active visual search in
indoor environments [89.43830036483901]
本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。
提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。
提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
論文 参考訳（メタデータ） (2020-09-17T08:23:50Z) - Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding
Meta-Amortization Error [50.83356836818667]
循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。
実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
論文 参考訳（メタデータ） (2020-03-04T04:43:16Z)
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。