論文の概要: BOMP: Bin-Optimized Motion Planning

• arxiv url: http://arxiv.org/abs/2411.00221v1
• Date: Thu, 31 Oct 2024 21:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:27:49.953761
• Title: BOMP: Bin-Optimized Motion Planning
• Title（参考訳）: BOMP:ビン最適化モーションプランニング
• Authors: Zachary Tam, Karthik Dharmarajan, Tianshuang Qiu, Yahav Avigal, Jeffrey Ichnowski, Ken Goldberg,
• Abstract要約: Bin-d Motion Planning(BOMP)は、6軸産業用ロボットの腕の動きを、長い鼻の吸引ツールを使って、深い箱から箱を除去する計画だ。 BOMPはロボットアームキネマティクス、アクティベーション制限、把握されたボックスの寸法、ビン環境の様々な高さマップを考察している。 96のシミュレーションと15の物理的環境を用いた実験では、BOMPはベースラインサンプリングベースプランナーよりも最大58パーセント高速な無衝突軌道を生成することが示唆された。
• 参考スコア（独自算出の注目度）: 23.931648563148453
• License:
• Abstract: In logistics, the ability to quickly compute and execute pick-and-place motions from bins is critical to increasing productivity. We present Bin-Optimized Motion Planning (BOMP), a motion planning framework that plans arm motions for a six-axis industrial robot with a long-nosed suction tool to remove boxes from deep bins. BOMP considers robot arm kinematics, actuation limits, the dimensions of a grasped box, and a varying height map of a bin environment to rapidly generate time-optimized, jerk-limited, and collision-free trajectories. The optimization is warm-started using a deep neural network trained offline in simulation with 25,000 scenes and corresponding trajectories. Experiments with 96 simulated and 15 physical environments suggest that BOMP generates collision-free trajectories that are up to 58 % faster than baseline sampling-based planners and up to 36 % faster than an industry-standard Up-Over-Down algorithm, which has an extremely low 15 % success rate in this context. BOMP also generates jerk-limited trajectories while baselines do not. Website: https://sites.google.com/berkeley.edu/bomp.
• Abstract（参考訳）: 物流では、ビンからのピック・アンド・プレイス・モーションを素早く計算し、実行できることが生産性の向上に不可欠である。 我々は6軸産業用ロボットの腕の動きを計画する動き計画フレームワークであるBin-Optimized Motion Planning (BOMP)を紹介した。 BOMPは、ロボットアームキネマティクス、アクティベーション制限、把握されたボックスの寸法、ビン環境の様々な高さマップを考慮し、時間最適化、ジャク制限、衝突のない軌道を迅速に生成する。 最適化は、25,000のシーンとそれに対応する軌道でオフラインでトレーニングされたディープニューラルネットワークを使用してウォームスタートされる。 96のシミュレーションと15の物理環境を用いた実験では、BOMPはベースラインサンプリングベースプランナーよりも最大58%高速で、業界標準のUp-Over-Downアルゴリズムよりも最大36%高速な衝突のない軌道を生成することが示唆されている。 BOMPは、ベースラインが存在しない間、ジャーク制限された軌道も生成する。 Webサイト: https://sites.google.com/berkeley.edu/bomp.com

関連論文リスト

• Neural Implicit Swept Volume Models for Fast Collision Detection [0.0]
  本稿では,深層学習に基づく符号付き距離計算の高速化と幾何衝突チェッカーの精度保証を併用したアルゴリズムを提案する。 シミュレーションおよび実世界のロボット実験において、我々のアプローチを検証するとともに、商用ビンピッキングアプリケーションを高速化できることを実証する。
  論文  参考訳（メタデータ） (2024-02-23T12:06:48Z)
• Progressive Learning for Physics-informed Neural Motion Planning [1.9798034349981157]
  モーションプランニングは、衝突のないロボットの動き経路を見つけるための高速な方法を必要とする、中核的なロボティクス問題の1つである。 近年の進歩は、運動計画のためのアイコン方程式を直接解く物理インフォームドNMPアプローチにつながっている。 本稿では,ニューラルネットワークをエキスパートデータなしで学習するための新しい進化的学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-01T12:41:05Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• Motion Policy Networks [61.87789591369106]
  本稿では,M$pi$Nets (Motion Policy Networks) と呼ばれるエンドツーエンドのニューラルモデルを提案する。 実験の結果,M$pi$Netsはグローバルプランナーよりもはるかに高速であり,動的シーンに対処するために必要な反応性を示した。
  論文  参考訳（メタデータ） (2022-10-21T19:37:09Z)
• Obstacle Avoidance for Robotic Manipulator in Joint Space via Improved Proximal Policy Optimization [6.067589886362815]
  本稿では,6-DoFマニピュレータのタスク空間から関節空間にマップするために,改良されたPPOアルゴリズムを用いて深層ニューラルネットワークを訓練する。 実ロボットでそのようなタスクを訓練するのは時間を要するので、モデルを訓練するためのシミュレーション環境を開発する。 実験結果から,ロボットは非構造環境下で1つの目標をトラッキングしたり,複数の目標に到達することができた。
  論文  参考訳（メタデータ） (2022-10-03T10:21:57Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• CNN-based Omnidirectional Object Detection for HermesBot Autonomous Delivery Robot with Preliminary Frame Classification [53.56290185900837]
  予備的バイナリフレーム分類を用いた物体検出のためのニューラルネットワークの最適化アルゴリズムを提案する。 周囲に6台のローリングシャッターカメラを備えた自律移動ロボットを360度視野として実験装置として使用した。
  論文  参考訳（メタデータ） (2021-10-22T15:05:37Z)
• Distributed Swarm Collision Avoidance Based on Angular Calculations [0.0]
  本稿では,高密度で複雑な2Dおよび3D環境のための分散リアルタイムアルゴリズムを提案する。 角計算を用いて、各ロボットの動きの最適な方向を選択する。 提案手法は,ハエ群集の完全自律航法を可能にする。
  論文  参考訳（メタデータ） (2021-08-29T23:12:38Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• An advantage actor-critic algorithm for robotic motion planning in dense and dynamic scenarios [0.8594140167290099]
  本稿では,既存のアクター批判アルゴリズムを改良し,複雑な動作計画に適合する。 ロボットが目標を達成するまでの処理時間を短縮し、動き計画においてより高い成功率を達成する。
  論文  参考訳（メタデータ） (2021-02-05T12:30:23Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。