論文の概要: Automating Deformable Gasket Assembly

• arxiv url: http://arxiv.org/abs/2408.12593v1
• Date: Thu, 22 Aug 2024 17:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 12:52:30.683467
• Title: Automating Deformable Gasket Assembly
• Title（参考訳）: 変形性ガスケットアセンブリの自動化
• Authors: Simeon Adebola, Tara Sadjadpour, Karim El-Refai, Will Panitch, Zehan Ma, Roy Lin, Tianshuang Qiu, Shreya Ganti, Charlotte Le, Jaimyn Drake, Ken Goldberg,
• Abstract要約: 議会では、変形可能なガスケットを配置し、狭い水路に押し込む必要がある。 提案手法は, 深層模倣学習と3つの手続き的アルゴリズムの4つの方法である。 その結果,Binary+アルゴリズムは直線チャネル上で10/10で成功するのに対し,遠隔操作型実演に基づく学習方針は8/10で成功し,非常に遅いことが示唆された。
• 参考スコア（独自算出の注目度）: 12.75543197236933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Gasket Assembly, a deformable gasket must be aligned and pressed into a narrow channel. This task is common for sealing surfaces in the manufacturing of automobiles, appliances, electronics, and other products. Gasket Assembly is a long-horizon, high-precision task and the gasket must align with the channel and be fully pressed in to achieve a secure fit. To compare approaches, we present 4 methods for Gasket Assembly: one policy from deep imitation learning and three procedural algorithms. We evaluate these methods with 100 physical trials. Results suggest that the Binary+ algorithm succeeds in 10/10 on the straight channel whereas the learned policy based on 250 human teleoperated demonstrations succeeds in 8/10 trials and is significantly slower. Code, CAD models, videos, and data can be found at https://berkeleyautomation.github.io/robot-gasket/
• Abstract（参考訳）: ガスケット組立体では、変形可能なガスケットを配置し、狭い水路に押し込む必要がある。 この作業は、自動車、家電、電子機器、その他の製品の製造において、表面を封じ込めることに共通している。 ガスケット組立体は長距離かつ高精度な作業であり、ガスケットは流路と整列し、安全な適合を達成するために完全に押し込まれなければならない。 提案手法を比較するために, 深層模倣学習と3つの手続き的アルゴリズムの4つの手法を提案する。 我々は,この手法を100の物理的試行で評価した。 結果は,Binary+アルゴリズムが直線チャネル上で10/10で成功するのに対して,250人の遠隔操作型実演に基づく学習方針は8/10で成功し,非常に遅いことを示唆している。 コード、CADモデル、ビデオ、データはhttps://berkeleyautomation.github.io/robot-gasket/にある。

関連論文リスト

• Token Compensator: Altering Inference Cost of Vision Transformer without Re-Tuning [63.43972993473501]
  視覚変換器(ViT)の訓練と推論を高速化するトークン圧縮 しかし、下流タスクに適用した場合、圧縮度はトレーニングと推論の段階で不一致となる。 本稿では,2段階間の圧縮度を分離するモデル演算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T10:36:43Z)
• TieBot: Learning to Knot a Tie from Visual Demonstration through a Real-to-Sim-to-Real Approach [42.92575854878306]
  この研究は、ロボットがネクタイを結びつくことを学べるリアルタイムの学習システムTieBotを紹介している。 実演ビデオからネクタイのメッシュ列を推定する階層的特徴マッチング手法を提案する。 シミュレーションと実世界におけるTieBotの有効性を実証する。
  論文  参考訳（メタデータ） (2024-07-03T16:16:41Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• Refining Pre-Trained Motion Models [56.18044168821188]
  我々は、自己教師付きトレーニングによる最先端の教師付きモデルの改善に挑戦する。 実世界の未学習ビデオから「クリーン」な訓練信号を得ることに重点を置いている。 本研究では,本手法が実動画における完全教師付き手法よりも信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2024-01-01T18:59:33Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Learning Tracking Representations via Dual-Branch Fully Transformer Networks [82.21771581817937]
  追従のためのトランスフォーマーのみをベースとした,シームズ型デュアルブランチネットワークを提案する。 注目ウィンドウ内の他のパッチとのマッチング結果に基づいて,各パッチの特徴ベクトルを抽出する。 この手法は、最高の性能の方法として、より良い結果または同等の結果を得る。
  論文  参考訳（メタデータ） (2021-12-05T13:44:33Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)

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。