論文の概要: An Economic Framework for 6-DoF Grasp Detection

• arxiv url: http://arxiv.org/abs/2407.08366v1
• Date: Thu, 11 Jul 2024 10:19:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:59:20.689066
• Title: An Economic Framework for 6-DoF Grasp Detection
• Title（参考訳）: 6自由度グラフ検出のための経済フレームワーク
• Authors: Xiao-Ming Wu, Jia-Feng Cai, Jian-Jian Jiang, Dian Zheng, Yi-Lin Wei, Wei-Shi Zheng,
• Abstract要約: 本研究では,訓練における資源コストの低減と効果的な把握性能の維持を目的とした,6-DoFグリップ検出のための経済的な枠組みを提案する。 EconomicGrasp は SOTA の把握法を平均 3AP で上回り,資源コストが極端に低い。
• 参考スコア（独自算出の注目度）: 28.25609101289935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic grasping in clutters is a fundamental task in robotic manipulation. In this work, we propose an economic framework for 6-DoF grasp detection, aiming to economize the resource cost in training and meanwhile maintain effective grasp performance. To begin with, we discover that the dense supervision is the bottleneck of current SOTA methods that severely encumbers the entire training overload, meanwhile making the training difficult to converge. To solve the above problem, we first propose an economic supervision paradigm for efficient and effective grasping. This paradigm includes a well-designed supervision selection strategy, selecting key labels basically without ambiguity, and an economic pipeline to enable the training after selection. Furthermore, benefit from the economic supervision, we can focus on a specific grasp, and thus we devise a focal representation module, which comprises an interactive grasp head and a composite score estimation to generate the specific grasp more accurately. Combining all together, the EconomicGrasp framework is proposed. Our extensive experiments show that EconomicGrasp surpasses the SOTA grasp method by about 3AP on average, and with extremely low resource cost, for about 1/4 training time cost, 1/8 memory cost and 1/30 storage cost. Our code is available at https://github.com/iSEE-Laboratory/EconomicGrasp.
• Abstract（参考訳）: クラッタにおけるロボットの握りは、ロボット操作の基本的なタスクである。 本研究では,訓練における資源コストの低減と効果的な把握性能の維持を目的とした,6-DoFグリップ検出のための経済的な枠組みを提案する。 まず,従来のSOTA手法のボトルネックが,トレーニング全体の過負荷を著しく抑制する一方で,トレーニングの収束を困難にしていることがわかった。 この問題を解決するために,我々はまず,効率的かつ効果的な把握のための経済監督パラダイムを提案する。 このパラダイムには、よく設計された監督選択戦略、基本的に曖昧さのないキーラベルの選択、選択後のトレーニングを可能にする経済パイプラインが含まれる。 さらに、経済監督の恩恵により、特定の把握に焦点を合わせることができ、対話型把握ヘッドと複合スコア推定を備えた焦点表現モジュールを考案し、より正確に特定の把握を生成する。 これらをすべて組み合わせて、EconomicGraspフレームワークが提案されている。 以上の結果から,EconomicGraspはSOTAグラウンド法を平均3AP以上,資源コストが極端に低く,トレーニング時間1/4,メモリコスト1/8,ストレージコスト1/30であることがわかった。 私たちのコードはhttps://github.com/iSEE-Laboratory/EconomicGrasp.comで公開されています。

関連論文リスト

• Control when confidence is costly [4.683612295430957]
  我々は、推論の計算コストを考慮に入れた制御バージョンを開発する。 線形二次ガウス (LQG) 制御について, 後続確率の相対的精度について, 内部コストを加算して検討した。 共同推論と制御問題を解く合理的戦略は,タスク要求に応じて相転移を経る。
  論文  参考訳（メタデータ） (2024-06-20T15:50:38Z)
• Fine-tuning can cripple your foundation model; preserving features may be the solution [87.35911633187204]
  タスク上の概念を認識できる微調整モデルの能力は、事前訓練されたモデルに比べて大幅に低下する。 我々は、下流タスクに関連する新しい概念を学習しながら、モデルが事前学習した知識を保存できる「textitLDIFS$」という新しい微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-08-25T11:49:51Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• Online Convolutional Re-parameterization [51.97831675242173]
  2段階のパイプラインであるオンライン畳み込み再パラメータ化(OREPA)は、複雑なトレーニング時間ブロックを単一の畳み込みに絞ることで、巨大なトレーニングオーバーヘッドを低減することを目的としている。 最先端のre-paramモデルと比較して、OREPAはトレーニング時間のメモリコストを約70%削減し、トレーニング速度を約2倍向上させることができる。 また、オブジェクト検出とセマンティックセグメンテーションの実験を行い、下流タスクに一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-04-02T09:50:19Z)
• How Important is Importance Sampling for Deep Budgeted Training? [17.264550056296915]
  本研究は,予算制約が重要サンプリング手法やデータ拡張手法とどのように相互作用するかを考察する。 予算の制約下では、一様サンプリングよりも重要サンプリングアプローチが一貫した改善を提供していないことを示す。
  論文  参考訳（メタデータ） (2021-10-27T09:03:57Z)
• ProgFed: Effective, Communication, and Computation Efficient Federated Learning by Progressive Training [65.68511423300812]
  本稿では,効率的なフェデレート学習のためのプログレッシブトレーニングフレームワークであるProgFedを提案する。 ProgFedは計算と双方向通信のコストを本質的に低減し、最終モデルの強力な性能を維持している。 以上の結果から, ProgFed はフルモデルの標準トレーニングと同等の速度で収束することがわかった。
  論文  参考訳（メタデータ） (2021-10-11T14:45:00Z)
• MC-BERT: Efficient Language Pre-Training via a Meta Controller [96.68140474547602]
  大規模事前学習は計算コストが高い。 事前トレーニングを加速する初期の試みであるELECTRAは、各入力トークンがジェネレータに置き換えられたかどうかを予測する識別モデルを訓練している。 本稿では,MC-BERTというメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T09:22:19Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)
• Effective End-to-End Learning Framework for Economic Dispatch [3.034038412630808]
  エンド・ツー・エンドの機械学習の概念を採用し、経済的なディスパッチを行うためのタスク固有の学習基準を提案する。 提案する学習フレームワークの有効性と効率を明らかにするため,理論的分析と経験的洞察の両方を提供する。
  論文  参考訳（メタデータ） (2020-02-22T08:04:27Z)

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。