論文の概要: Model-free Grasping with Multi-Suction Cup Grippers for Robotic Bin Picking

• arxiv url: http://arxiv.org/abs/2307.16488v1
• Date: Mon, 31 Jul 2023 08:33:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 15:18:16.772949
• Title: Model-free Grasping with Multi-Suction Cup Grippers for Robotic Bin Picking
• Title（参考訳）: ロボットビンピッキング用マルチ吸引カップグリッパーを用いたモデルフリー把持
• Authors: Philipp Schillinger, Miroslav Gabriel, Alexander Kuss, Hanna Ziesche, Ngo Anh Vien
• Abstract要約: 複数の吸引カップを有する吸引グリップパのグリップポーズのモデルフリー予測法を提案する。 本手法はグリッパーの設計に非依存であり,グリッパー固有のトレーニングデータを必要としない。
• 参考スコア（独自算出の注目度）: 63.15595970667581
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a novel method for model-free prediction of grasp poses for suction grippers with multiple suction cups. Our approach is agnostic to the design of the gripper and does not require gripper-specific training data. In particular, we propose a two-step approach, where first, a neural network predicts pixel-wise grasp quality for an input image to indicate areas that are generally graspable. Second, an optimization step determines the optimal gripper selection and corresponding grasp poses based on configured gripper layouts and activation schemes. In addition, we introduce a method for automated labeling for supervised training of the grasp quality network. Experimental evaluations on a real-world industrial application with bin picking scenes of varying difficulty demonstrate the effectiveness of our method.
• Abstract（参考訳）: 本稿では,複数の吸込カップを有する吸込グリッパに対する把持ポーズのモデルフリー予測法を提案する。 本手法はグリッパーの設計に非依存であり,グリッパー固有のトレーニングデータを必要としない。 特に,ニューラルネットワークが入力画像の画素毎の把握品質を予測し,一般に把握可能な領域を示す2段階アプローチを提案する。 第2の最適化ステップは、設定されたグリッパーレイアウトとアクティベーションスキームに基づいて、最適なグリッパー選択と対応する把持ポーズを決定する。 さらに,把握品質ネットワークの教師付き学習のための自動ラベル付け手法を提案する。 種々の難易度を有するビンピッキングシーンを用いた実世界の産業応用に関する実験的評価は,本手法の有効性を示す。

関連論文リスト

• Pre-Trained Vision-Language Models as Partial Annotators [40.89255396643592]
  事前学習された視覚言語モデルは、画像と自然言語の統一表現をモデル化するために大量のデータを学習する。 本稿では,事前学習型モデルアプリケーションのための「事前学習型-弱教師付き学習」パラダイムについて検討し,画像分類タスクの実験を行う。
  論文  参考訳（メタデータ） (2024-05-23T17:17:27Z)
• Unsupervised textile defect detection using convolutional neural networks [0.0]
  教師なし繊維異常検出のためのモチーフに基づく新しい手法を提案する。 従来の畳み込みニューラルネットワークの利点と教師なし学習パラダイムの利点を組み合わせる。 パターンファブリクスベンチマークデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-30T22:08:06Z)
• Label, Verify, Correct: A Simple Few Shot Object Detection Method [93.84801062680786]
  トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。 擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。 提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-10T18:59:06Z)
• Partner-Assisted Learning for Few-Shot Image Classification [54.66864961784989]
  人間の視覚能力を模倣し、徹底的な人間のアノテーションを必要とせずに効果的なモデルを学ぶために、わずかなショットラーニングが研究されている。 本稿では,新しいクラスのプロトタイプをラベル付きサンプルから推定できるように,要素表現を得るためのトレーニング戦略の設計に焦点をあてる。 本稿では,まずパートナーエンコーダのペアワイド類似性をモデル化し,ソフトアンカーとして機能する特徴を抽出し,その出力をソフトアンカーと整列させ,分類性能を最大化しようとする2段階トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T22:46:19Z)
• THAT: Two Head Adversarial Training for Improving Robustness at Scale [126.06873298511425]
  本研究では,大規模多クラスイメージネットデータセットを扱うために設計された2ストリームの逆学習ネットワークであるhead adversarial trainingを提案する。 提案手法では,2つのヘッドと2つの損失関数を持つネットワークを訓練する。1つは自然画像と逆画像間の特徴空間領域シフトを最小化し,もう1つは高い分類精度を促進する。
  論文  参考訳（メタデータ） (2021-03-25T05:32:38Z)
• SuctionNet-1Billion: A Large-Scale Benchmark for Suction Grasping [47.221326169627666]
  吸引つかみのシール形成とレンチ抵抗を解析的に評価する新しい物理モデルを提案する。 現実世界の混乱したシナリオで収集された大規模データセットにアノテーションを生成するために、2段階の手法が採用されている。 連続運転空間における吸入ポーズを評価するための標準オンライン評価システムを提案する。
  論文  参考訳（メタデータ） (2021-03-23T05:02:52Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• Semi-supervised Facial Action Unit Intensity Estimation with Contrastive Learning [54.90704746573636]
  提案手法では,手動でキーフレームを選択する必要はなく,2%の注釈付きフレームで最先端の結果を生成できる。 提案手法は, ランダムに選択したデータに対してわずか2%の費用で作業した場合に, 既存の手法よりも優れていることを実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-03T17:35:57Z)
• Leveraging the Feature Distribution in Transfer-based Few-Shot Learning [2.922007656878633]
  ラベル付きサンプルの少ない使用によって生じる不確実性のため、ほとんどショット分類が難しい問題である。 本稿では,(1)特徴ベクトルをガウス分布に近づけるように前処理し,2)最適輸送インスパイアされたアルゴリズムを用いて,この前処理を活用する。 提案手法は,様々なデータセット,バックボーンアーキテクチャ,少数ショット設定を用いて,最先端の精度を実現することができる。
  論文  参考訳（メタデータ） (2020-06-06T07:32:08Z)

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。