論文の概要: Towards Packaging Unit Detection for Automated Palletizing Tasks

• arxiv url: http://arxiv.org/abs/2308.06306v1
• Date: Fri, 11 Aug 2023 15:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 18:01:34.990681
• Title: Towards Packaging Unit Detection for Automated Palletizing Tasks
• Title（参考訳）: 自動パレット化タスクのパッケージングユニット検出に向けて
• Authors: Markus V\"olk, Kilian Kleeberger, Werner Kraus, Richard Bormann
• Abstract要約: 本稿では、合成データに基づいて完全に訓練されたこの課題に対するアプローチを提案する。 提案手法はスパースおよび低品質センサデータを扱うことができる。 我々は、さまざまな小売商品で現実世界のデータについて広範な評価を行う。
• 参考スコア（独自算出の注目度）: 5.235268087662475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For various automated palletizing tasks, the detection of packaging units is a crucial step preceding the actual handling of the packaging units by an industrial robot. We propose an approach to this challenging problem that is fully trained on synthetically generated data and can be robustly applied to arbitrary real world packaging units without further training or setup effort. The proposed approach is able to handle sparse and low quality sensor data, can exploit prior knowledge if available and generalizes well to a wide range of products and application scenarios. To demonstrate the practical use of our approach, we conduct an extensive evaluation on real-world data with a wide range of different retail products. Further, we integrated our approach in a lab demonstrator and a commercial solution will be marketed through an industrial partner.
• Abstract（参考訳）: 各種自動パレット化作業において, 包装単位の検出は, 産業ロボットによる包装単位の実際の処理に先立って重要なステップである。 提案手法は, 合成生成データに対して十分に訓練され, 任意の実世界の包装ユニットに対して, さらなる訓練やセットアップの努力なしにロバストに適用できる, この課題に対するアプローチを提案する。 提案手法は、スパースかつ低品質のセンサデータを処理し、利用可能であれば事前知識を活用し、幅広い製品やアプリケーションシナリオにうまく一般化することができる。 本手法の実用化を実証するため,さまざまな小売商品を用いた実世界のデータに対する広範な評価を行った。 さらに、我々のアプローチを実験室のデモレーターに統合し、産業パートナーを通じて商用ソリューションを販売します。

関連論文リスト

• SKT: Integrating State-Aware Keypoint Trajectories with Vision-Language Models for Robotic Garment Manipulation [82.61572106180705]
  本稿では、視覚言語モデル(VLM)を用いて、様々な衣服カテゴリーにおけるキーポイント予測を改善する統一的なアプローチを提案する。 我々は、高度なシミュレーション技術を用いて大規模な合成データセットを作成し、大規模な実世界のデータを必要としないスケーラブルなトレーニングを可能にした。 実験結果から, VLM法はキーポイント検出精度とタスク成功率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-09-26T17:26:16Z)
• Information-driven Affordance Discovery for Efficient Robotic Manipulation [14.863105174430087]
  環境との双方向な相互作用はこの問題を軽減することができると我々は主張する。 我々は,本手法の理論的正当性を提供し,シミュレーションと実世界の課題の両方において,そのアプローチを実証的に検証する。 IDAをダブした本手法は,複数のアクションプリミティブに対する視覚的アベイランスの効率的な発見を可能にする。
  論文  参考訳（メタデータ） (2024-05-06T21:25:51Z)
• OpenPack: A Large-scale Dataset for Recognizing Packaging Works in IoT-enabled Logistic Environments [6.2454830041363145]
  我々は,OpenPackと呼ばれる作業認識のための大規模データセットを新たに導入する。 OpenPackには、加速度データ、キーポイント、奥行き画像、IoT対応デバイスからの読み取りを含む53.8時間のマルチモーダルセンサーデータが含まれている。 我々は、現在最先端の人間活動認識技術をデータセットに適用し、複雑な作業活動認識研究の今後の方向性を提供する。
  論文  参考訳（メタデータ） (2022-12-10T13:01:18Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• Stronger Generalization Guarantees for Robot Learning by Combining Generative Models and Real-World Data [5.935761705025763]
  実世界の環境の有限データセットを活用することで、一般化保証を提供するためのフレームワークを提供する。 非線形・ハイブリッド力学とリッチ・センシング・モダリティを持つ2つのシミュレーションシステムに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2021-11-16T20:13:10Z)
• An Image Processing Pipeline for Automated Packaging Structure Recognition [60.56493342808093]
  単一RGB画像に基づく標準化された物流出荷のためのパッケージング構造の自動認識のための認知システムを提案する。 コントリビューションには、適切なシステム設計の記述と、関連する実世界のデータに対する評価が含まれている。
  論文  参考訳（メタデータ） (2020-09-29T07:26:08Z)
• Fully-Automated Packaging Structure Recognition in Logistics Environments [60.56493342808093]
  包装構造認識の完全自動化手法を提案する。 我々のアルゴリズムは深層学習モデルに基づいており、より正確に畳み込みニューラルネットワークを用いて画像のセグメント化を行う。 テストケースの約85%でパッケージ構造を正しく認識することができ、さらに一般的なパッケージタイプに注目する場合(91%)にさらに多くのパッケージ構造を認識できることを示す。
  論文  参考訳（メタデータ） (2020-08-11T10:57:23Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。