論文の概要: Demonstrating Large-Scale Package Manipulation via Learned Metrics of Pick Success

• arxiv url: http://arxiv.org/abs/2305.10272v2
• Date: Tue, 27 Jun 2023 13:55:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 16:58:30.589670
• Title: Demonstrating Large-Scale Package Manipulation via Learned Metrics of Pick Success
• Title（参考訳）: ピック成功の学習指標による大規模パッケージマニピュレーションの実証
• Authors: Shuai Li, Azarakhsh Keipour, Kevin Jamieson, Nicolas Hudson, Charles Swan, Kostas Bekris
• Abstract要約: 本稿では,Amazon Roboticsのロボット誘導(Robin)システムにおいて,非構造杭からの大規模なパッケージ操作を実演する。 このシステムは394K以上のピックで訓練され、本論文の評価期間中に2億以上のパッケージを操作した。 学習した選別品質尺度は、様々な選別選択肢をリアルタイムでランク付けし、実行に最も有望な選別基準を優先順位付けする。
• 参考スコア（独自算出の注目度）: 12.862075198961051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating warehouse operations can reduce logistics overhead costs, ultimately driving down the final price for consumers, increasing the speed of delivery, and enhancing the resiliency to workforce fluctuations. The past few years have seen increased interest in automating such repeated tasks but mostly in controlled settings. Tasks such as picking objects from unstructured, cluttered piles have only recently become robust enough for large-scale deployment with minimal human intervention. This paper demonstrates a large-scale package manipulation from unstructured piles in Amazon Robotics' Robot Induction (Robin) fleet, which utilizes a pick success predictor trained on real production data. Specifically, the system was trained on over 394K picks. It is used for singulating up to 5 million packages per day and has manipulated over 200 million packages during this paper's evaluation period. The developed learned pick quality measure ranks various pick alternatives in real-time and prioritizes the most promising ones for execution. The pick success predictor aims to estimate from prior experience the success probability of a desired pick by the deployed industrial robotic arms in cluttered scenes containing deformable and rigid objects with partially known properties. It is a shallow machine learning model, which allows us to evaluate which features are most important for the prediction. An online pick ranker leverages the learned success predictor to prioritize the most promising picks for the robotic arm, which are then assessed for collision avoidance. This learned ranking process is demonstrated to overcome the limitations and outperform the performance of manually engineered and heuristic alternatives. To the best of the authors' knowledge, this paper presents the first large-scale deployment of learned pick quality estimation methods in a real production system.
• Abstract（参考訳）: 倉庫業務の自動化は、物流のオーバーヘッドコストを削減し、最終的に消費者の最終的な価格を下げ、配達のスピードを高め、労働力の変動に対する回復力を高める。 過去数年間、このような繰り返しタスクを自動化することへの関心が高まってきたが、主に制御された設定であった。 構造化されていない、散らばった山からオブジェクトを拾うといったタスクは、人間の介入を最小限に抑えた大規模デプロイメントに十分頑丈になったばかりである。 本稿では,amazon roboticsのロボットインダクション(robin)フリートにおいて,実生産データに基づいて訓練されたピック成功予測器を用いた,非構造な積み重ねによる大規模パッケージ操作を実証する。 具体的には、システムは394K以上のピックで訓練された。 本論文は,1日当たり500万パッケージを歌唱し,評価期間中に2億パッケージ以上を操作した。 学習した選別品質尺度は、様々な選別選択肢をリアルタイムでランク付けし、実行に最も有望な選別基準を優先順位付けする。 ピック成功予測器は、部分的に知られている特性を持つ変形性および剛性のある物体を含む散在したシーンにおいて、展開された産業用ロボットアームによる所望のピックの成功確率を事前の経験から推定することを目的としている。 これは浅い機械学習モデルであり、どの機能が予測に最も重要であるかを評価することができる。 オンラインのピックランチャーは、学習した成功予測器を利用して、ロボットアームの最も有望なピックを優先し、衝突回避のために評価される。 この学習されたランキングプロセスは、制限を克服し、手作業によるエンジニアリングとヒューリスティックな代替品のパフォーマンスを上回ります。 本稿では,実運用システムにおいて,学習したピック品質推定手法を大規模に展開する最初の方法を提案する。

関連論文リスト

• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Pick Planning Strategies for Large-Scale Package Manipulation [8.55680753725927]
  この拡張された抽象化は、Amazon RoboticsのRobot Injection (Robin)フリートにおける非構造的な山からの大規模なパッケージ操作を展示している。 実生産データに基づいて訓練されたピック成功予測器を利用する,時間とともに発達した様々な手法とその後継者について述べる。 著者の知識を最大限に活用するために,本研究は実運用システムにおける学習された選別品質推定手法の大規模展開である。
  論文  参考訳（メタデータ） (2023-09-23T00:26:49Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Forecasting labels under distribution-shift for machine-guided sequence design [0.0]
  本稿では,高スループットライブラリの性能を予測できる意思決定手法を提案する。 提案手法は, モデルスコアを用いて図書館性能を推定するベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-18T18:35:50Z)
• Batch Reinforcement Learning from Crowds [24.717084423091865]
  バッチ強化学習の欠点は、データに対する報酬の要求である。 行動クローンのような報酬の欠如に関する既存の設定は、人間から集めた最適なデモンストレーションに依存している。 本論文は、選好から報酬関数を学習することで、バッチ強化学習環境における報酬の欠如に対処する。
  論文  参考訳（メタデータ） (2021-11-08T05:46:33Z)
• Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor and Optimal Transport [8.617532047238461]
  本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。 TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。 提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-24T12:19:45Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)

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。