論文の概要: Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization

• arxiv url: http://arxiv.org/abs/2411.09892v1
• Date: Fri, 15 Nov 2024 02:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:36:59.422474
• Title: Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization
• Title（参考訳）: 自己教師付き空間微分駆動型コンタクトベース半導体による深層学習ロボティクス
• Authors: Alexander E. Siemenn, Basita Das, Kangyu Ji, Fang Sheng, Tonio Buonassisi,
• Abstract要約: 空間的に異なる損失関数を持つ自己教師型畳み込みニューラルネットワークを提案する。 このネットワークは、既存のモデルと比較して、有効なポーズ生成を20.0%改善する。 我々は,3,025個の予測ポーズで光伝導性を特徴付ける4自由度ロボットを駆動することで,ネットワークの性能を実証する。
• 参考スコア（独自算出の注目度）: 40.361306070887366
• License:
• Abstract: Integrating autonomous contact-based robotic characterization into self-driving laboratories can enhance measurement quality, reliability, and throughput. While deep learning models support robust autonomy, current methods lack pixel-precision positioning and require extensive labeled data. To overcome these challenges, we propose a self-supervised convolutional neural network with a spatially differentiable loss function, incorporating shape priors to refine predictions of optimal robot contact poses for semiconductor characterization. This network improves valid pose generation by 20.0%, relative to existing models. We demonstrate our network's performance by driving a 4-degree-of-freedom robot to characterize photoconductivity at 3,025 predicted poses across a gradient of perovskite compositions, achieving throughputs over 125 measurements per hour. Spatially mapping photoconductivity onto each drop-casted film reveals regions of inhomogeneity. With this self-supervised deep learning-driven robotic system, we enable high-precision and reliable automation of contact-based characterization techniques at high throughputs, thereby allowing the measurement of previously inaccessible yet important semiconductor properties for self-driving laboratories.
• Abstract（参考訳）: 自律的なコンタクトベースのロボットキャラクタリゼーションを自動運転研究所に統合することで、測定品質、信頼性、スループットを向上させることができる。 ディープラーニングモデルは堅牢な自律性をサポートするが、現在の方法はピクセル精度の位置決めを欠き、広範なラベル付きデータを必要とする。 これらの課題を克服するために,半導体キャラクタリゼーションのための最適なロボット接触ポーズの予測を洗練させるために,形状を組み込んだ空間的に異なる損失関数を持つ自己教師型畳み込みニューラルネットワークを提案する。 このネットワークは、既存のモデルと比較して、有効なポーズ生成を20.0%改善する。 我々は,4自由度ロボットを駆動し,ペロブスカイト組成の勾配を横切る3,025個のポーズで光伝導性を推定し,毎時125回以上のスループットを実現することにより,ネットワークの性能を実証した。 各ドロップキャストフィルムに空間的に光伝導度をマッピングすると、不均一な領域が明らかになる。 この自己教師型深層学習駆動型ロボットシステムにより、高精度で信頼性の高いコンタクトベースキャラクタリゼーション技術を高いスループットで自動化し、これまでアクセス不能であった、かつ重要な半導体特性を自動運転研究所で測定することが可能となる。

関連論文リスト

• In-Simulation Testing of Deep Learning Vision Models in Autonomous Robotic Manipulators [11.389756788049944]
  自律型ロボットマニピュレータのテストは、ビジョンとコントロールコンポーネント間の複雑なソフトウェアインタラクションのために難しい。 現代のロボットマニピュレータの重要な要素は、ディープラーニングに基づく物体検出モデルである。 本稿では,写真リアリスティックなNVIDIA Isaac Simシミュレータと進化探索を統合し,重要なシナリオを識別するMARTENSフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-25T03:10:42Z)
• Benchmarking Adaptive Intelligence and Computer Vision on Human-Robot Collaboration [0.0]
  ヒューマンロボットコラボレーション(HRC)は、センサー、デジタル双生児、協調ロボット(コボット)、意図認識モデルを用いて、効率的な製造プロセスを持つ産業4.0において不可欠である。 本稿では,適応知能と自己ラベルを統合して,HRCシステムにおける意図認識のレジリエンスを向上させることにより,概念の漂流に対処する。
  論文  参考訳（メタデータ） (2024-09-30T01:25:48Z)
• GISR: Geometric Initialization and Silhouette-based Refinement for Single-View Robot Pose and Configuration Estimation [0.0]
  GISRは、リアルタイムで実行を優先順位付けするロボット対カメラのポーズ推定手法である。 我々は,GISRを公開データ上で評価し,その性能と精度の両面で,同一クラスの既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-08T08:39:25Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Multi-Robot Collaborative Perception with Graph Neural Networks [6.383576104583731]
  汎用グラフニューラルネットワーク(GNN)を提案する。 提案手法は,単眼深度推定やセマンティックセグメンテーションなどの多視点視覚認識問題に対処できることを示す。
  論文  参考訳（メタデータ） (2022-01-05T18:47:07Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。