論文の概要: A Collision-Aware Cable Grasping Method in Cluttered Environment

• arxiv url: http://arxiv.org/abs/2402.14498v2
• Date: Mon, 4 Mar 2024 12:56:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 23:49:17.972164
• Title: A Collision-Aware Cable Grasping Method in Cluttered Environment
• Title（参考訳）: クラッタ環境における衝突検知ケーブル把持法
• Authors: Lei Zhang, Kaixin Bai, Qiang Li, Zhaopeng Chen, Jianwei Zhang
• Abstract要約: 粗い環境下での堅牢なケーブルグルーピングを容易にするために設計したケーブル型Grasp畳み込みニューラルネットワークを提案する。 我々は、ケーブルポーズの複雑さを模倣し、ケーブルとロボットグリップの潜在的な衝突を要因とするデータセットを生成する。 我々は、ケーブルで92.3%、未知のケーブルで88.4%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 12.17415219032655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a Cable Grasping-Convolutional Neural Network designed to facilitate robust cable grasping in cluttered environments. Utilizing physics simulations, we generate an extensive dataset that mimics the intricacies of cable grasping, factoring in potential collisions between cables and robotic grippers. We employ the Approximate Convex Decomposition technique to dissect the non-convex cable model, with grasp quality autonomously labeled based on simulated grasping attempts. The CG-CNN is refined using this simulated dataset and enhanced through domain randomization techniques. Subsequently, the trained model predicts grasp quality, guiding the optimal grasp pose to the robot controller for execution. Grasping efficacy is assessed across both synthetic and real-world settings. Given our model implicit collision sensitivity, we achieved commendable success rates of 92.3% for known cables and 88.4% for unknown cables, surpassing contemporary state-of-the-art approaches. Supplementary materials can be found at https://leizhang-public.github.io/cg-cnn/ .
• Abstract（参考訳）: 粗い環境での堅牢なケーブルグルーピングを容易にするために,ケーブルグレーピング・畳み込みニューラルネットワークを提案する。 物理シミュレーションを利用して,ケーブル把持の複雑さ,ケーブルとロボットグリッパーの衝突の要因を模倣した広範なデータセットを生成する。 近似凸分解法を用いて非凸ケーブルモデルを解析し,シミュレーションによる把持の試みに基づき,把持品質を自律的にラベル付けした。 CG-CNNは、このシミュレーションデータセットを用いて洗練され、ドメインランダム化技術によって強化される。 その後、訓練されたモデルは把持品質を予測し、最適な把持姿勢をロボットコントローラに案内して実行を行う。 把握効果は、合成と実世界の両方の設定で評価される。 衝突感度のモデルから、既知のケーブルでは92.3%、未知のケーブルでは88.4%の予測可能な成功率を達成した。 追加資料はhttps://leizhang-public.github.io/cg-cnn/ にある。

関連論文リスト

• Hysteresis Compensation of Flexible Continuum Manipulator using RGBD Sensing and Temporal Convolutional Network [2.387821008001523]
  ケーブル駆動マニピュレータは、摩擦、伸縮、結合などのキャブリング効果によって制御困難に直面している。 本稿では、ディープニューラルネットワーク(DNN)に基づくデータ駆動型アプローチを提案し、これらの非線形および過去の状態依存特性を捉える。 この手法を実際の手術シナリオに適用することで、制御精度を高め、手術性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-17T16:20:59Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• DTC: Deep Tracking Control [16.2850135844455]
  本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。 深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。 モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
  論文  参考訳（メタデータ） (2023-09-27T07:57:37Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• Certified data-driven physics-informed greedy auto-encoder simulator [0.5249805590164902]
  自己エンコーダと動的識別モデルを対話的にトレーニングし、本質的で単純な潜在空間のダイナミクスを発見する。 物理インフォームドエラーインジケータと統合された適応型グリーディサンプリングアルゴリズムを導入し,フライ時の最適なトレーニングサンプルを探索する。 数値計算の結果,提案手法は放射差対流および2次元バーガース力学問題に対して1～5%の相対誤差でパラメトリック121～2,658倍の高速化を実現する。
  論文  参考訳（メタデータ） (2022-11-24T16:22:51Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)
• Efficiently Calibrating Cable-Driven Surgical Robots with RGBD Fiducial Sensing and Recurrent Neural Networks [26.250886014613762]
  そこで本研究では,RGBDセンサを用いて3次元プリントされたフィデューシャル座標フレームをアームとエンドエフェクタに配置することで,ロボットを効率的に校正する手法を提案する。 提案手法では,1800サンプルのデータ収集に31分,モデルトレーニングに1分を要した。 基準軌道の試験セットの結果から、トレーニングされたモデルは、物理ロボットの平均追尾誤差を2.96mmから0.65mmに減少させることができることが示唆された。
  論文  参考訳（メタデータ） (2020-03-19T00:24:56Z)

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。