Fugu-MT 論文翻訳(概要): Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping

論文の概要: Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping

arxiv url: http://arxiv.org/abs/2304.08805v2
Date: Wed, 19 Apr 2023 07:50:24 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 10:35:38.198069
Title: Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping
Title（参考訳）: ベイズ的ロボットグルーピングのためのリーマン幾何学と入射表現先行
Authors: Norman Marlier, Julien Gustin, Olivier Br\"uls, Gilles Louppe
Abstract要約: 本研究では,シーン依存の先行表現を構築するために暗黙の表現を用いる方法について検討する。シミュレーションと物理ベンチマークの結果は、このアプローチの成功率と有望な可能性を示している。
参考スコア（独自算出の注目度）: 5.533353383316288
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robotic grasping in highly noisy environments presents complex challenges, especially with limited prior knowledge about the scene. In particular, identifying good grasping poses with Bayesian inference becomes difficult due to two reasons: i) generating data from uninformative priors proves to be inefficient, and ii) the posterior often entails a complex distribution defined on a Riemannian manifold. In this study, we explore the use of implicit representations to construct scene-dependent priors, thereby enabling the application of efficient simulation-based Bayesian inference algorithms for determining successful grasp poses in unstructured environments. Results from both simulation and physical benchmarks showcase the high success rate and promising potential of this approach.
Abstract（参考訳）: 騒音の多い環境でのロボットの把握は、特にシーンに関する事前知識が限られている複雑な課題を示す。特に,2つの理由から,ベイズ推論による適切な把握姿勢の特定が困難となる。一不正な先行データからデータを生成することが非効率であることを証明し、 i) 後辺はしばしばリーマン多様体上で定義される複素分布を含む。本研究では,暗黙表現を用いてシーン依存の事前構造を構築することにより,非構造化環境での把持ポーズの判断に効率的なシミュレーションに基づくベイズ推論アルゴリズムを応用することを検討する。シミュレーションと物理ベンチマークの結果は、このアプローチの成功率と有望な可能性を示している。

関連論文リスト

A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation [0.0]
画像セグメンテーションの進歩は、ディープラーニングベースのコンピュータビジョンの広い範囲において重要な役割を果たす。この文脈において不確かさの定量化が広く研究され、モデル無知(認識の不確実性)やデータ曖昧さ(アラート的不確実性)を表現し、不正な意思決定を防ぐことができる。この研究は、分野の進歩を左右する不確実性の基本概念と様々なタスクへの応用について議論することで、確率的セグメンテーションの包括的概要を提供する。
論文参考訳（メタデータ） (2024-11-25T13:26:09Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Simulation-based Bayesian inference for robotic grasping [6.218934678555297]
一般的なロボットグリップパーは、そのリッチな非滑らかな接触ダイナミクスと環境やセンサノイズによる不確実性のため、制御が困難である。本研究では,シミュレーションに基づくベイズ推定を用いて,6-DoFグリップポーズの計算方法を示す。
論文参考訳（メタデータ） (2023-03-10T11:56:56Z)
Inference and Sampling for Archimax Copulas [29.864637081333097]
アルキマックスコプラ(Archimax copulas)は、分布のバルクと尾の同時モデリングを可能にする正確な表現を持つ分布の族である。我々はArchimax copulasの表現に基づいて、非パラメトリック推論法とサンプリングアルゴリズムを開発した。実験により, 最先端密度モデリング手法と比較し, 提案手法は高次元データへのスケーリングにおいて, 尾部を効果的に外挿することを示した。
論文参考訳（メタデータ） (2022-05-27T14:55:40Z)
Assembly Planning from Observations under Physical Constraints [65.83676649042623]
提案アルゴリズムは, 物理安定性制約, 凸最適化, モンテカルロ木探索の簡単な組み合わせを用いて, 集合を計画する。それは効率的で、最も重要なことは、オブジェクト検出のエラーに対して堅牢であり、実際のロボットシステムでは避けられないポーズ推定である。
論文参考訳（メタデータ） (2022-04-20T16:51:07Z)
Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文参考訳（メタデータ） (2022-03-29T21:00:39Z)
Simulation-based Bayesian inference for multi-fingered robotic grasping [6.677646909984405]
マルチフィンガーロボットグリーピングは、普遍的なピックと巧妙な操作のための、決定不可能なステップストーンである。しかし、マルチフィンガーグリップは、リッチな非滑らかな接触ダイナミクスやノイズのために制御が難しいままである。本稿では,確率-証拠比の深部ニューラルネットワークに基づくベイズ推論のための新しいシミュレーションに基づく手法を提案する。
論文参考訳（メタデータ） (2021-09-29T08:44:36Z)
Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文参考訳（メタデータ） (2020-11-08T17:09:37Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)
Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。