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
- A pipeline for multiple orange detection and tracking with 3-D fruit
relocalization and neural-net based yield regression in commercial citrus
orchards [0.0]
本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。
そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。
果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
論文 参考訳(メタデータ) (2023-12-27T21:22:43Z) - Key Point-based Orientation Estimation of Strawberries for Robotic Fruit
Picking [8.657107511095242]
本稿では,2次元画像から直接3次元方向を予測できるキーポイント型果物配向推定手法を提案する。
提案手法は, 平均誤差を8円程度に抑え, 従来よりも$sim30%の予測精度を向上する。
論文 参考訳(メタデータ) (2023-10-17T15:12:11Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳(メタデータ) (2023-08-23T11:03:28Z) - Development and evaluation of automated localisation 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,閉鎖されたアグロフード環境におけるジェネリック表現構築のための新しいアプローチを提案する。
これ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おり、次いで3次元多目的追跡アルゴリズムが続く。
表象の精度を実環境において評価し,トマトにおけるトマトの表現と局在を成功させた。
論文 参考訳(メタデータ) (2022-11-04T21:51:53Z) - Apple Counting using Convolutional Neural Networks [22.504279159923765]
果樹園のような現実の環境でのイメージから、正確で信頼性の高い果実や野菜の数を推定することは、難しい問題である。
コンボリューショナルニューラルネットワークを訓練することにより,画像から果実を数えることを多クラス分類問題として定式化し,その問題を解決する。
当社のネットワークは、最大94%の精度で、4つのデータセットのうち3つでパフォーマンスを向上しています。
論文 参考訳(メタデータ) (2022-08-24T14:13:40Z) - 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) - Multi-View Multi-Person 3D Pose Estimation with Plane Sweep Stereo [71.59494156155309]
既存のマルチビュー3Dポーズ推定手法は、複数のカメラビューからグループ2Dポーズ検出に対するクロスビュー対応を明確に確立する。
平面スイープステレオに基づくマルチビュー3Dポーズ推定手法を提案し、クロスビュー融合と3Dポーズ再構築を1ショットで共同で解決します。
論文 参考訳(メタデータ) (2021-04-06T03:49:35Z) - 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) - 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。