論文の概要: Vision-Based Adaptive Robotics for Autonomous Surface Crack Repair
- arxiv url: http://arxiv.org/abs/2407.16874v2
- Date: Wed, 16 Oct 2024 04:18:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-17 13:38:26.552643
- Title: Vision-Based Adaptive Robotics for Autonomous Surface Crack Repair
- Title(参考訳): 自律的な表面ひび割れ修復のための視覚型適応ロボット
- Authors: Joshua Genova, Eric Cabrera, Vedhus Hoskere,
- Abstract要約: 本稿では,ロボットを用いた表面き裂検出と修復のための適応型自律システムを提案する。
このシステムは、亀裂検出にRGB-Dカメラ、精密測定にレーザースキャナー、押出機と物質沈着用ポンプを使用する。
実世界の適用性とテストの再現性を確保するため, 3Dプリントによるクラック検体を用いた新しい検証手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Surface cracks in infrastructure can lead to significant deterioration and costly maintenance if not efficiently repaired. Manual repair methods are labor-intensive, time-consuming, and imprecise and thus difficult to scale to large areas. While advancements in robotic perception and manipulation have progressed autonomous crack repair, existing methods still face three key challenges: accurate localization of cracks within the robot's coordinate frame, (ii) adaptability to varying crack depths and widths, and (iii) validation of the repair process under realistic conditions. This paper presents an adaptive, autonomous system for surface crack detection and repair using robotics with advanced sensing technologies to enhance precision and safety for humans. The system uses an RGB-D camera for crack detection, a laser scanner for precise measurement, and an extruder and pump for material deposition. To address one of the key challenges, the laser scanner is used to enhance the crack coordinates for accurate localization. Furthermore, our approach demonstrates that an adaptive crack-filling method is more efficient and effective than a fixed-speed approach, with experimental results confirming both precision and consistency. In addition, to ensure real-world applicability and testing repeatability, we introduce a novel validation procedure using 3D-printed crack specimens that accurately simulate real-world conditions. This research contributes to the evolving field of human-robot interaction in construction by demonstrating how adaptive robotic systems can reduce the need for manual labor, improve safety, and enhance the efficiency of maintenance operations, ultimately paving the way for more sophisticated and integrated construction robotics.
- Abstract(参考訳): インフラストラクチャの表面ひび割れは、効率的に修復しなければ、大幅な劣化とコストのかかるメンテナンスにつながる可能性がある。
手作業による修復法は、労働集約的で、時間がかかり、不正確であり、大規模に拡張することは困難である。
ロボットの認識と操作の進歩により、自律的なひび割れの修復が進んでいるが、既存の方法は、ロボットの座標フレーム内のひび割れの正確な位置決めという、3つの重要な課題に直面している。
二 ひび割れ深さ及び幅の変化への適応性及び
三 現実的な条件下での修理過程の検証
本稿では,ロボットによる表面き裂検出と修復のための適応型自律システムについて述べる。
このシステムは、亀裂検出にRGB-Dカメラ、精密測定にレーザースキャナー、押出機と物質沈着用ポンプを使用する。
重要な課題の1つに対処するため、レーザースキャナーは正確な位置決めのためのひび割れ座標を強化するために使用される。
さらに, 適応クラック充填法は固定速度法よりも効率的かつ効果的であることを示すとともに, 精度と整合性について実験的に検証した。
さらに,実世界の再現性を確保するために,実世界の条件を正確にシミュレートした3Dプリントき裂検体を用いた新しい検証手法を提案する。
この研究は、適応型ロボットシステムが手作業の必要性を減らし、安全を改善し、メンテナンス作業の効率化を図り、最終的にはより高度で統合された建設ロボティクスの道を開くことによって、建設における人間とロボットの相互作用の進化に寄与する。
関連論文リスト
- An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。
本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
論文 参考訳(メタデータ) (2024-05-03T23:58:27Z) - Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage [12.889670445791985]
MIDASは、構造物の損傷の自動検出と位置決めのための"deploy-and-forget"アプローチである。
これは、安価なセンサー、データ圧縮、およびメカニックインフォームドオートエンコーダから完全に受動的に計測される相乗的な統合である。
わずか3時間のデータから学んだMIDASは、さまざまな種類の予期せぬ損傷を自律的に検出し、ローカライズすることができる。
論文 参考訳(メタデータ) (2024-02-23T18:31:02Z) - Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。
これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
論文 参考訳(メタデータ) (2024-02-15T18:41:35Z) - Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳(メタデータ) (2024-01-13T17:31:12Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled
Prescriptive Maintenance Framework [62.73424880653293]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - Distributional Instance Segmentation: Modeling Uncertainty and High
Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。
ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。
本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
論文 参考訳(メタデータ) (2023-05-03T05:57:29Z) - EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable
Rendering and Space Exploration [49.90228618894857]
我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。
我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。
本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-02T03:49:54Z) - Application of Segment Anything Model for Civil Infrastructure Defect
Assessment [0.2936007114555107]
本研究では,コンクリート構造物のひび割れ検出のための2つの深層学習モデルSAMとU-Netの性能評価を行う。
その結果, それぞれのモデルには, 異なる種類のひび割れを検知する独自の強度と限界があることが示唆された。
論文 参考訳(メタデータ) (2023-04-25T06:17:44Z) - Vision-Guided Active Tactile Perception for Crack Detection and
Reconstruction [10.289118975238429]
視覚誘導能動触覚を用いたコンクリート構造物の亀裂の検出・再構築手法を提案する。
提案手法は, 目視によるき裂検出と比較して, き裂検出と復元の有効性と堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2021-05-13T14:25:08Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-07-07T10:00:32Z)
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。