論文の概要: SCANet: Correcting LEGO Assembly Errors with Self-Correct Assembly Network
- arxiv url: http://arxiv.org/abs/2403.18195v2
- Date: Sun, 06 Oct 2024 13:40:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-08 13:10:48.981052
- Title: SCANet: Correcting LEGO Assembly Errors with Self-Correct Assembly Network
- Title（参考訳）: SCANet: LEGOアセンブリエラーを自己修正型アセンブリネットワークで修正する
- Authors: Yuxuan Wan, Kaichen Zhou, jinhong Chen, Hao Dong,
- Abstract要約: 本稿では,誤組立部品の特定と修正を含む単一ステップの組立誤り訂正タスクを提案する。
本稿では,この課題に対処する新しい手法である自己整合アセンブリネットワーク(SCANet)を提案する。
実験の結果、SCANetはMEPNetの誤組立結果を識別し、修正できることが示され、アセンブリの正しさが著しく向上した。
- 参考スコア（独自算出の注目度）: 10.78044696553559
- License:
- Abstract: Autonomous assembly in robotics and 3D vision presents significant challenges, particularly in ensuring assembly correctness. Presently, predominant methods such as MEPNet focus on assembling components based on manually provided images. However, these approaches often fall short in achieving satisfactory results for tasks requiring long-term planning. Concurrently, we observe that integrating a self-correction module can partially alleviate such issues. Motivated by this concern, we introduce the single-step assembly error correction task, which involves identifying and rectifying misassembled components. To support research in this area, we present the LEGO Error Correction Assembly Dataset (LEGO-ECA), comprising manual images for assembly steps and instances of assembly failures. Additionally, we propose the Self-Correct Assembly Network (SCANet), a novel method to address this task. SCANet treats assembled components as queries, determining their correctness in manual images and providing corrections when necessary. Finally, we utilize SCANet to correct the assembly results of MEPNet. Experimental results demonstrate that SCANet can identify and correct MEPNet's misassembled results, significantly improving the correctness of assembly. Our code and dataset are available at https://github.com/Yaser-wyx/SCANet.
- Abstract（参考訳）: ロボット工学と3Dビジョンにおける自律的なアセンブリは、特にアセンブリの正しさを保証する上で、重要な課題を提示している。
現在、MEPNetのような支配的な手法は、手動で提供されたイメージに基づいてコンポーネントを組み立てることに焦点を当てている。
しかし、これらのアプローチは長期計画を必要とするタスクに対して満足な結果を得るのに不足することが多い。
同時に、自己補正モジュールの統合は、そのような問題を部分的に緩和する可能性があることを観察する。
この懸念に乗じて、誤組立部品の特定と修正を含む単一ステップの組立誤り訂正タスクを導入する。
この領域の研究を支援するため,LEGO Error Correction Assembly Dataset (LEGO-ECA) を提案する。
さらに,この課題に対処する新しい手法である自己整合アセンブリネットワーク(SCANet)を提案する。
SCANetは、組み立てられたコンポーネントをクエリとして扱い、手動イメージの正確性を決定し、必要に応じて修正を提供する。
最後に、SCANetを使用してMEPNetのアセンブリ結果を修正する。
実験の結果、SCANetはMEPNetの誤組立結果を識別し、修正できることが示され、アセンブリの正しさが著しく向上した。
私たちのコードとデータセットはhttps://github.com/Yaser-wyx/SCANet.orgで公開されています。
関連論文リスト
- Learning to Build by Building Your Own Instructions [56.734927320020496]
LTRONにおける最近提案されたBreak-and-Make問題に対する新しい手法を開発した。
エージェントは、単一の対話的なセッションを使用して、これまで見えなかったLEGOアセンブリを構築することを学ばなければなりません。
オンラインの模倣学習を使ってこれらのモデルをトレーニングし、モデルが自身のミスから学習できるようにする。
論文 参考訳（メタデータ） (2024-10-01T22:39:58Z) - Find the Assembly Mistakes: Error Segmentation for Industrial Applications [6.6512300549196235]
我々は,(正しい)意図したアセンブリ状態とテストイメージの差を検出することによって,アセンブリエラーをローカライズするStateDiffNetを提案する。
提案手法は,実際のエゴ中心のビデオデータから得られたアセンブリエラーを,トレーニング中に提示されない状態とエラータイプの両方に対して正しくローカライズする手法である。
論文 参考訳（メタデータ） (2024-08-23T09:51:55Z) - ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。
提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。
また,ELGC-Net-LWも導入した。
論文 参考訳（メタデータ） (2024-03-26T17:46:25Z) - Multi-level Reasoning for Robotic Assembly: From Sequence Inference to
Contact Selection [74.40109927350856]
本稿では,PAST(Part Assembly Sequence Transformer)を用いて,対象とするブループリントからアセンブリシーケンスを推論する。
次に、モーションプランナーと最適化を使用して、部品の動きと接触を生成する。
実験結果から,本手法は従来手法よりも一般化されていることがわかった。
論文 参考訳（メタデータ） (2023-12-17T00:47:13Z) - Every Mistake Counts in Assembly [26.903961683742494]
学習知識ベースを利用して注文ミスを検出するシステムを提案する。
本フレームワークは,観察された誤りに基づく空間的,時間的信念に基づく知識基盤を構築する。
本研究では, 実世界の行動系列において, 空間的, 時間的信念が誤った順序を識別できることを実験的に実証した。
論文 参考訳（メタデータ） (2023-07-31T07:20:31Z) - Causal Scene BERT: Improving object detection by searching for
challenging groups of data [125.40669814080047]
コンピュータビジョンアプリケーションは、物体検出のようなタスクのためにニューラルネットワークでパラメータ化された学習ベースの知覚モジュールに依存している。
これらのモジュールは、トレーニングプロセスに固有のバイアスのため、予想される誤差が低いが、データの非定型的なグループに対して高い誤差を持つことが多い。
本研究の主な貢献は,シミュレートされたシーンに対して因果的介入を行うことにより,前向きにそのようなグループを発見する擬似オートマチック手法である。
論文 参考訳（メタデータ） (2022-02-08T05:14:16Z) - RGL-NET: A Recurrent Graph Learning framework for Progressive Part
Assembly [30.143946636770025]
我々は、構造的不変量に対して堅牢なアセンブリのための一般化されたフレームワークを開発することの課題に取り組む。
我々のネットワークは、予め組み立てた部品を考慮に入れれば、形状構造のより妥当な予測を学べる。
我々の潜在空間は、ポイントクラウドコンポーネントからの形状回復のようなエキサイティングな応用を促進する。
論文 参考訳（メタデータ） (2021-07-27T14:47:43Z) - Benchmarking Off-The-Shelf Solutions to Robotic Assembly Tasks [9.125933436783681]
最新のパフォーマンスのベースラインとボトルネックの問題が何であるかは、しばしば不明です。
最近導入されたベンチマークであるNational Institute of Standards and Technology (NIST) Assembly Task Boardsで、オフ・ザ・シェルフ(OTS)産業ソリューションを評価します。
論文 参考訳（メタデータ） (2021-03-08T23:46:48Z) - Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。
basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。
BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
論文 参考訳（メタデータ） (2021-01-12T19:20:26Z) - SSCR: Iterative Language-Based Image Editing via Self-Supervised
Counterfactual Reasoning [79.30956389694184]
反復言語ベースの画像編集(IL-BIE)タスクは、段階的に画像を編集するための反復的な命令に従う。
データ不足は、命令ベースの変更前後の大規模な画像のサンプル収集が困難であるため、ILBIEにとって重要な問題である。
本稿では,データ不足を克服する対実的思考を取り入れたセルフスーパービジョンの対実的推論フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-21T01:45:58Z) - Learning 3D Part Assembly from a Single Image [20.175502864488493]
そこで本研究では,新たな問題として,学習ベースのソリューションとともに,シングルイメージの3Dパーツアセンブリを導入する。
本報告では, 家具組立において, 部品の完全な集合と, 組み立て物全体を描いた一枚の画像から, 家具組立の設定について検討する。
論文 参考訳（メタデータ） (2020-03-21T21:19:28Z)
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。