論文の概要: Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration

• arxiv url: http://arxiv.org/abs/2309.12856v1
• Date: Fri, 22 Sep 2023 13:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 14:31:00.796157
• Title: Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration
• Title（参考訳）: 実証からのロバスト学習による適合食品のロボットハンドリング
• Authors: Ekrem Misimi, Alexander Olofsson, Aleksander Eilertsen, Elling Ruud {\O}ye, John Reidar Mathiassen
• Abstract要約: 本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
• 参考スコア（独自算出の注目度）: 79.76009817889397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robotic handling of compliant and deformable food raw materials, characterized by high biological variation, complex geometrical 3D shapes, and mechanical structures and texture, is currently in huge demand in the ocean space, agricultural, and food industries. Many tasks in these industries are performed manually by human operators who, due to the laborious and tedious nature of their tasks, exhibit high variability in execution, with variable outcomes. The introduction of robotic automation for most complex processing tasks has been challenging due to current robot learning policies. A more consistent learning policy involving skilled operators is desired. In this paper, we address the problem of robot learning when presented with inconsistent demonstrations. To this end, we propose a robust learning policy based on Learning from Demonstration (LfD) for robotic grasping of food compliant objects. The approach uses a merging of RGB-D images and tactile data in order to estimate the necessary pose of the gripper, gripper finger configuration and forces exerted on the object in order to achieve effective robot handling. During LfD training, the gripper pose, finger configurations and tactile values for the fingers, as well as RGB-D images are saved. We present an LfD learning policy that automatically removes inconsistent demonstrations, and estimates the teacher's intended policy. The performance of our approach is validated and demonstrated for fragile and compliant food objects with complex 3D shapes. The proposed approach has a vast range of potential applications in the aforementioned industry sectors.
• Abstract（参考訳）: 共役・変形可能な食品原料のロボットハンドリングは、高い生物学的変異、複雑な幾何学的3d形状、機械的構造とテクスチャを特徴とし、現在、海洋空間、農業、食品産業において大きな需要を集めている。 これらの産業における多くのタスクは、作業の煩雑で退屈な性質のため、実行のバラエティが高く、結果も様々である人手作業によって行われる。 多くの複雑な処理タスクに対するロボット自動化の導入は、現在のロボット学習ポリシーのために困難である。 熟練した演算子を含むより一貫した学習方針が望まれる。 本稿では,無矛盾なデモを提示する場合のロボット学習の問題に対処する。 そこで本研究では,食品に適合する物体のロボット把持のための実演学習(lfd)に基づく頑健な学習方針を提案する。 提案手法では,RGB-D画像と触覚データを組み合わせることで,グリップ,グリップフィンガー構成,およびオブジェクトに作用する力の必要なポーズを推定し,効果的なロボットハンドリングを実現する。 lfdトレーニング中、グリッパーポーズ、指の形状、指の触覚値、およびrgb-d画像が保存される。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 また, 3次元形状の複雑な食品に対して, その性能を検証し, 実証した。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。

関連論文リスト

• Grounding Robot Policies with Visuomotor Language Guidance [15.774237279917594]
  ロボットポリシーを現在の状況に基盤付けるためのエージェントベースのフレームワークを提案する。 提案するフレームワークは、特定の役割のために設計された会話エージェントのセットで構成されている。 弊社のアプローチは、操作ポリシーを効果的にガイドし、成功率を大幅に向上させることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T02:00:37Z)
• ManiFoundation Model for General-Purpose Robotic Manipulation of Contact Synthesis with Arbitrary Objects and Robots [24.035706461949715]
  汎用ロボットが幅広い操作タスクをこなせるようなモデルを開発する必要がある。 本研究は,汎用ロボット操作の基礎モデルを構築するための包括的枠組みを導入する。 私たちのモデルは、平均的な成功率を約90%達成します。
  論文  参考訳（メタデータ） (2024-05-11T09:18:37Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Human-oriented Representation Learning for Robotic Manipulation [64.59499047836637]
  人間は本質的に、操作作業において環境を効率的に探索し、相互作用することを可能にする、一般化可能な視覚表現を持っている。 我々は、このアイデアを、事前訓練された視覚エンコーダの上に、人間指向のマルチタスク微調整のレンズを通してフォーマル化する。 我々のタスクフュージョンデコーダは、下流操作ポリシー学習のための最先端の3つのビジュアルエンコーダの表現を一貫して改善する。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• SoftGPT: Learn Goal-oriented Soft Object Manipulation Skills by Generative Pre-trained Heterogeneous Graph Transformer [34.86946655775187]
  家庭シーンにおけるソフトオブジェクト操作タスクは、既存のロボットスキル学習技術にとって重要な課題である。 本研究では,ソフトオブジェクト操作スキル学習モデルであるSoftGPTを提案する。 各ダウンストリームタスクに対して、ゴール指向ポリシーエージェントがトレーニングされ、その後のアクションを予測し、SoftGPTが結果を生成する。
  論文  参考訳（メタデータ） (2023-06-22T05:48:22Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• Learning to Regrasp by Learning to Place [19.13976401970985]
  ロボットの現在の握りポーズが望ましい操作タスクの実行に失敗する場合、レギュラピングが必要である。 本研究では,ロボットが物体と支援環境の部分点雲を入力として取り出し,一連のピック・アンド・プレイス操作を出力するシステムを提案する。 我々は,多様な物体を再現することで,73.3%の成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2021-09-18T03:07:06Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
  シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。 本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-05-29T05:58:54Z)
• Towards Intelligent Pick and Place Assembly of Individualized Products Using Reinforcement Learning [0.0]
  我々は,強化学習を実装することで,作業の選択と配置をうまく行うように協調的なロボットに教えることを目指している。 連続的に変化する製造環境における個別化製品の組み立てには、シミュレーションされた幾何学的パラメータと動的パラメータが変化する。 このロボットは、センサー、エリアスキャンカメラ、そして環境とオブジェクトの高度マップを生成するために使用される3Dカメラから入力データを取得する。
  論文  参考訳（メタデータ） (2020-02-11T15:32:28Z)

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。