Fugu-MT 論文翻訳(概要): Sim-MEES: Modular End-Effector System Grasping Dataset for Mobile Manipulators in Cluttered Environments

論文の概要: Sim-MEES: Modular End-Effector System Grasping Dataset for Mobile Manipulators in Cluttered Environments

arxiv url: http://arxiv.org/abs/2305.10580v1
Date: Wed, 17 May 2023 21:40:26 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 17:59:24.615078
Title: Sim-MEES: Modular End-Effector System Grasping Dataset for Mobile Manipulators in Cluttered Environments
Title（参考訳）: sim-mees: クラッタ環境における移動マニピュレータ用モジュール型エンドエフェクタシステム
Authors: Juncheng Li, David J. Cappelleri
Abstract要約: 本稿では,難易度や物理特性の異なる1,550個のオブジェクトを含む大規模合成データセットを提案する。我々のデータセット生成プロセスは、クラスタリングされた環境全体の解析モデルと動的シミュレーションを組み合わせて、正確な把握ラベルを提供する。
参考スコア（独自算出の注目度）: 10.414347878456852
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present Sim-MEES: a large-scale synthetic dataset that contains 1,550 objects with varying difficulty levels and physics properties, as well as 11 million grasp labels for mobile manipulators to plan grasps using different gripper modalities in cluttered environments. Our dataset generation process combines analytic models and dynamic simulations of the entire cluttered environment to provide accurate grasp labels. We provide a detailed study of our proposed labeling process for both parallel jaw grippers and suction cup grippers, comparing them with state-of-the-art methods to demonstrate how Sim-MEES can provide precise grasp labels in cluttered environments.
Abstract（参考訳）: 本稿では, 難易度と物理特性の異なる1,550個のオブジェクトを含む大規模合成データセットSim-MEESと, 分散環境におけるグリップパの異なるモダリティを用いてグリップを計画するモバイルマニピュレータのための1100万個のグリップラベルを提案する。私たちのデータセット生成プロセスは、解析モデルとクラッタ環境全体の動的シミュレーションを組み合わせることで、正確な把握ラベルを提供する。そこで本研究では, パラレル顎グリッパーと吸引カップグリッパーのラベリング法について, シムミートがクラッタ環境において正確な把握ラベルを提供できることを示すために, 最新の手法との比較を行った。

関連論文リスト

SimBEV: A Synthetic Multi-Task Multi-Sensor Driving Data Generation Tool and Dataset [101.51012770913627]
近年,自律運転に対するBEV(Bird's-eye view)の認識が注目されている。我々は,複数の情報源からの情報を組み込んだ合成データ生成ツールであるSimBEVを紹介した。我々はSimBEVデータセットを作成するためにSimBEVを使用します。
論文参考訳（メタデータ） (2025-02-04T00:00:06Z)
Trajectory World Models for Heterogeneous Environments [67.27233466954814]
環境を横断するセンサーやアクチュエータの不均一性は、大規模な事前訓練された世界モデルを構築する上で大きな課題となる。我々は80の環境から100万以上のトラジェクトリからなる統一データセットUniTrajを紹介した。本稿では,様々なセンサやアクチュエータ情報を柔軟に処理し,環境ダイナミクスをコンテキスト内で捉えることのできる,新しいアーキテクチャであるTrajWorldを提案する。
論文参考訳（メタデータ） (2025-02-03T13:59:08Z)
SynthmanticLiDAR: A Synthetic Dataset for Semantic Segmentation on LiDAR Imaging [8.193070135759717]
本稿では,LiDARセマンティックセグメンテーションを念頭に設計した改良型CARLAシミュレータを提案する。我々はLiDAR画像のセマンティックセグメンテーションのための合成データセットであるSynthmanticLiDARを作成した。この結果から,SynthmanticLiDARをトレーニングプロセスに組み込むことで,テストアルゴリズム全体の性能が向上することがわかった。
論文参考訳（メタデータ） (2025-01-31T11:09:10Z)
GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning [4.861642399720316]
ウェルは様々な物理系の数値シミュレーションの大規模なコレクションである。これらのデータセットは、個別またはより広範なベンチマークスイートの一部として使用することができる。モデルをトレーニングし、評価するための統合されたPyTorchインターフェースを提供する。
論文参考訳（メタデータ） (2024-11-30T19:42:14Z)
Sim-Suction: Learning a Suction Grasp Policy for Cluttered Environments Using a Synthetic Benchmark [8.025760743074066]
Sim-Suctionは、動的なカメラ視点を持つモバイル操作プラットフォームのための堅牢なオブジェクト認識型吸引把握ポリシーである。 Sim-Suction-Datasetは、500の乱雑な環境と320万の注釈付き吸引グリップポーズで構成されている。 Sim-Suction-Pointnetは、Sim-Suction-Datasetからポイントワイズを学習することにより、ロバストな6次元吸引グリップポーズを生成する。
論文参考訳（メタデータ） (2023-05-25T15:31:08Z)
TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文参考訳（メタデータ） (2022-08-16T20:46:08Z)
MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
多様な動きを合成する無条件生成モデルであるMoDiを提案する。我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
論文参考訳（メタデータ） (2022-06-16T09:06:25Z)
BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym [59.53949960353792]
BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。 BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
論文参考訳（メタデータ） (2021-07-09T16:21:31Z)
Validation of Simulation-Based Testing: Bypassing Domain Shift with Label-to-Image Synthesis [9.531148049378672]
本稿では,異なる転送可能性尺度とともに生成ラベル-画像合成モデルからなる新しいフレームワークを提案する。シーンを駆動するセマンティックセグメンテーションタスクにおいて,本手法を実証的に検証する。後者は実生活と合成テストを区別できるが、前者は自動車と歩行者の両方で0.7の驚くほど強い相関関係を観察する。
論文参考訳（メタデータ） (2021-06-10T07:23:58Z)

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。