論文の概要: Pick Planning Strategies for Large-Scale Package Manipulation
- arxiv url: http://arxiv.org/abs/2309.13224v2
- Date: Sun, 8 Oct 2023 23:22:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 03:29:42.713740
- Title: Pick Planning Strategies for Large-Scale Package Manipulation
- Title（参考訳）: 大規模パッケージ操作のための選択計画戦略
- Authors: Shuai Li, Azarakhsh Keipour, Kevin Jamieson, Nicolas Hudson, Sicong
Zhao, Charles Swan and Kostas Bekris
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.55680753725927
- 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 market fluctuations.
This extended abstract showcases a large-scale package manipulation from
unstructured piles in Amazon Robotics' Robot Induction (Robin) fleet, which is
used for picking and singulating up to 6 million packages per day and so far
has manipulated over 2 billion packages. It describes the various heuristic
methods developed over time and their successor, which utilizes a pick success
predictor trained on real production data.
To the best of the authors' knowledge, this work is 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低減し、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、市場の変動に対する回復力を高める。
Amazon Roboticsのロボットインジェクション(Robin)は、1日に最大600万個までのパッケージを拾い、歌い、これまでに20億個以上のパッケージを操作している。
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ヒューリスティック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。
関連論文リスト
- Dynamic Demand Management for Parcel Lockers [0.0]
本研究では,逐次決定分析と強化学習に根ざしたアルゴリズム手法を編成するソリューションフレームワークを開発する。
これらのテクニックを組み合わせるための革新的なアプローチは、この2つの意思決定タイプ間の強い相互関係に対処する上で有効です。
本手法は筋電図のベンチマークを13.7%上回り、業界に触発された政策を12.6%上回る結果となった。
論文 参考訳（メタデータ） (2024-09-08T11:38:48Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Meta-Evolve: Continuous Robot Evolution for One-to-many Policy Transfer [68.10957584496866]
本研究では, 連続ロボットの進化を利用して, 各目標ロボットに効率よくポリシーを伝達する手法を提案する。
ロボット進化ツリーは、ロボット進化経路の共有を可能にするため、我々のアプローチは1対1のポリシー伝達を大幅に上回る。
論文 参考訳（メタデータ） (2024-05-06T14:52:23Z) - SERL: A Software Suite for Sample-Efficient Robotic Reinforcement
Learning [85.21378553454672]
筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。
我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。
これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
論文 参考訳（メタデータ） (2024-01-29T10:01:10Z) - DeliverAI: Reinforcement Learning Based Distributed Path-Sharing Network
for Food Deliveries [1.474723404975345]
既存の食品の配送方法は、各配送が個別に最適化され、最も短い時間経路で生産者から直接消費者に届けられるため、準最適である。
強化学習に基づくパス共有アルゴリズムであるDeliverAIを提案する。
以上の結果から,DeliverAIは配送船の規模を12%減らし,走行距離を13%減らし,ベースラインに比べて50%高い艦隊利用率を達成することができた。
論文 参考訳（メタデータ） (2023-11-03T16:23:22Z) - Analytical model for large-scale design of sidewalk delivery robot
systems [4.510000677649468]
本稿では,配送システムの初期コストと運用コストの両方を把握し,運用における制約や運用戦略の影響を評価するモデルを提案する。
そして、このモデルをニューヨーク市の地区に適用し、実際のシナリオにおける歩道配達ロボットシステムの展開を評価する。
論文 参考訳（メタデータ） (2023-10-26T15:26:12Z) - Demonstrating Large-Scale Package Manipulation via Learned Metrics of
Pick Success [12.862075198961051]
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。
論文 参考訳（メタデータ） (2023-05-17T15:03:58Z) - Training and Evaluation of Deep Policies using Reinforcement Learning
and Generative Models [67.78935378952146]
GenRLはシーケンシャルな意思決定問題を解決するためのフレームワークである。
強化学習と潜在変数生成モデルの組み合わせを利用する。
最終方針訓練の性能に最も影響を与える生成モデルの特徴を実験的に決定する。
論文 参考訳（メタデータ） (2022-04-18T22:02:32Z) - CPM-2: Large-scale Cost-effective Pre-trained Language Models [71.59893315671997]
本稿では, PLM を用いた事前学習, 微調整, 推論の効率性問題に対処するための費用対効果技術について述べる。
我々は,既存のPLMをスクラッチからトレーニングする代わりに活用することで,事前学習プロセスの促進を目的とした知識継承を導入する。
計算資源が限られている大規模PLMに対して,新しい推論ツールキット,すなわちInfMoEを実装した。
論文 参考訳（メタデータ） (2021-06-20T15:43:54Z) - Dynamic Resource Management for Providing QoS in Drone Delivery Systems [2.578242050187029]
ドローン配送システムの動的UAV割り当て問題について,QoS(Qasurable Quality of Service)保証の提供を目標として検討する。
我々は、UAVの再配置のための動的ポリシーを得るために、深層強化学習アプローチを採用する。
本稿では,Bernolli,Time-Varying Bernoulli,Markov-Modulated Bernoulliの3つの広範到着クラスを考慮し,提案アルゴリズムの性能を評価する。
論文 参考訳（メタデータ） (2021-03-06T03:11:07Z) - Improving Auto-Augment via Augmentation-Wise Weight Sharing [123.71986174280741]
自動拡張検索の重要な要素は、特定の拡張ポリシーの評価プロセスである。
本稿では,モデルの強化トレーニングのダイナミクスについて検討する。
我々は,Augmentation-Wise Weight Sharing (AWS)に基づいて,高速かつ高精度な評価プロセスを構築するために,強力で効率的なプロキシタスクを設計する。
論文 参考訳（メタデータ） (2020-09-30T15:23:12Z)
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。