論文の概要: Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots

• arxiv url: http://arxiv.org/abs/2303.08923v1
• Date: Wed, 15 Mar 2023 20:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 18:00:32.660533
• Title: Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots
• Title（参考訳）: 園芸ロボットの果実完成とポーズ推定を用いたパンオプティカルマッピング
• Authors: Yue Pan, Federico Magistri, Thomas L\"abe, Elias Marks, Claus Smitt, Chris McCool, Jens Behley and Cyrill Stachniss
• Abstract要約: 正確な3D情報は、農業における多様なロボット応用への道を開くことができる。 移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
• 参考スコア（独自算出の注目度）: 31.38740578230828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring plants and fruits at high resolution play a key role in the future of agriculture. Accurate 3D information can pave the way to a diverse number of robotic applications in agriculture ranging from autonomous harvesting to precise yield estimation. Obtaining such 3D information is non-trivial as agricultural environments are often repetitive and cluttered, and one has to account for the partial observability of fruit and plants. In this paper, we address the problem of jointly estimating complete 3D shapes of fruit and their pose in a 3D multi-resolution map built by a mobile robot. To this end, we propose an online multi-resolution panoptic mapping system where regions of interest are represented with a higher resolution. We exploit data to learn a general fruit shape representation that we use at inference time together with an occlusion-aware differentiable rendering pipeline to complete partial fruit observations and estimate the 7 DoF pose of each fruit in the map. The experiments presented in this paper, evaluated both in the controlled environment and in a commercial greenhouse, show that our novel algorithm yields higher completion and pose estimation accuracy than existing methods, with an improvement of 41% in completion accuracy and 52% in pose estimation accuracy while keeping a low inference time of 0.6s in average.
• Abstract（参考訳）: 植物や果実の高分解能モニタリングは、農業の未来において重要な役割を担っている。 正確な3d情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。 このような3D情報を取得することは、しばしば農業環境が繰り返し、散らかされ、果実や植物の部分的な観察可能性を考慮する必要があるため、簡単ではない。 本稿では,移動ロボットが構築した3次元マルチ解像度マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。 そこで本研究では,関心領域を高解像度で表現するオンライン多解像度パノプティカルマッピングシステムを提案する。 本研究では,推定時に使用する一般的な果形表現をオクルージョン認識による微分可能レンダリングパイプラインと共に学習し,部分的な果形観察を完了させ,各果の7つのdofポーズを推定する。 本研究では, 制御環境と商業温室の両方で評価を行った結果, 従来の手法よりも高い完成度とポーズ推定精度が得られ, 完成精度が41%, ポーズ推定精度が52%向上し, 平均0.6sの低推定時間を保ちながら, 推定精度が52%向上した。

関連論文リスト

• Collection and Evaluation of a Long-Term 4D Agri-Robotic Dataset [8.81442358588687]
  我々は、数ヵ月にわたってデータ収集を行うために、自動移動ロボットをブドウ畑に長期展開する取り組みを報告している。 主な目的は、マッピングやローカライゼーションタスクにおける環境変化の影響を分析するために、同じエリアから異なる時点のデータを収集することである。 本研究は,4つのデータセッションを取り入れた地図に基づくローカライゼーション研究であり,事前構築された地図が環境の現況と視覚的に異なる場合に期待される失敗を同定する。
  論文  参考訳（メタデータ） (2022-11-25T10:39:04Z)
• Development and evaluation of automated localization and reconstruction of all fruits on tomato plants in a greenhouse based on multi-view perception and 3D multi-object tracking [0.0]
  本稿では,多視点認識と3次元多目的追跡を用いたアグロフード環境における汎用表現の構築手法を提案する。 我々の表現は検出対象ごとに部分点雲を生成する検出アルゴリズムに基づいて構築されている。 実世界のアグロフード環境における表現の精度を評価した。
  論文  参考訳（メタデータ） (2022-11-04T21:51:53Z)
• Viewpoint Planning based on Shape Completion for Fruit Mapping and Reconstruction [11.408721072077604]
  収集したデータから形状予測を用いて,センサをまだ観測されていない果実の部位と見なす視点計画手法を提案する。 市販のガラスハウスにおいて,スイーツ唐辛子を実際のロボットシステムでマッピングする手法の実現可能性を示す。
  論文  参考訳（メタデータ） (2022-09-30T11:09:54Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Geometry-Aware Fruit Grasping Estimation for Robotic Harvesting in Orchards [6.963582954232132]
  幾何認識ネットワークであるA3Nは、エンドツーエンドのインスタンスセグメンテーションと把握推定を行うために提案されている。 我々は,フィールド環境下での果実の認識と検索をロボットが正確に行うことができるグローバル・ローカル・スキャン・ストラテジーを実装した。 全体として、ロボットシステムは、収穫実験において70%から85%の範囲で収穫の成功率を達成する。
  論文  参考訳（メタデータ） (2021-12-08T16:17:26Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• OmniSLAM: Omnidirectional Localization and Dense Mapping for Wide-baseline Multi-camera Systems [88.41004332322788]
  超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。 より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。 我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
  論文  参考訳（メタデータ） (2020-03-18T05:52:10Z)

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。