論文の概要: MaskPlanner: Learning-Based Object-Centric Motion Generation from 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2502.18745v1
• Date: Wed, 26 Feb 2025 01:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:36.951014
• Title: MaskPlanner: Learning-Based Object-Centric Motion Generation from 3D Point Clouds
• Title（参考訳）: MaskPlanner: 学習に基づく3次元点雲からの物体中心運動生成
• Authors: Gabriele Tiboni, Raffaello Camoriano, Tatiana Tommasi,
• Abstract要約: オブジェクト中心運動生成(OCMG)は、様々な産業応用において重要な役割を果たしている。 本研究では,局所経路を予測する学習手法であるMaskPlannerを提案する。 本研究は,工学的オーバーヘッドを低減し,いくつかの産業的ユースケースにシームレスに対応するためのOCMGの学習手法を提案する。
• 参考スコア（独自算出の注目度）: 11.72951300809094
• License:
• Abstract: Object-Centric Motion Generation (OCMG) plays a key role in a variety of industrial applications$\unicode{x2014}$such as robotic spray painting and welding$\unicode{x2014}$requiring efficient, scalable, and generalizable algorithms to plan multiple long-horizon trajectories over free-form 3D objects. However, existing solutions rely on specialized heuristics, expensive optimization routines, or restrictive geometry assumptions that limit their adaptability to real-world scenarios. In this work, we introduce a novel, fully data-driven framework that tackles OCMG directly from 3D point clouds, learning to generalize expert path patterns across free-form surfaces. We propose MaskPlanner, a deep learning method that predicts local path segments for a given object while simultaneously inferring "path masks" to group these segments into distinct paths. This design induces the network to capture both local geometric patterns and global task requirements in a single forward pass. Extensive experimentation on a realistic robotic spray painting scenario shows that our approach attains near-complete coverage (above 99%) for unseen objects, while it remains task-agnostic and does not explicitly optimize for paint deposition. Moreover, our real-world validation on a 6-DoF specialized painting robot demonstrates that the generated trajectories are directly executable and yield expert-level painting quality. Our findings crucially highlight the potential of the proposed learning method for OCMG to reduce engineering overhead and seamlessly adapt to several industrial use cases.
• Abstract（参考訳）: オブジェクト中心運動生成(OCMG)は、様々な産業用途において重要な役割を担っている。ロボットスプレー塗装や溶接など。$\unicode{x2014}$requiring efficient, scalable and generalizable algorithm to plan multiple long-horizon trajectories over free-form 3D objects。 しかし、既存のソリューションは、特殊なヒューリスティック、高価な最適化ルーチン、現実のシナリオへの適応性を制限する制限的な幾何学的仮定に依存している。 本研究では,3Dポイントクラウドから直接OCMGに取り組み,自由曲面のエキスパートパスパターンを一般化する,新しい,完全なデータ駆動型フレームワークを提案する。 本研究では,各物体の局所経路セグメントを推定する深層学習手法であるMaskPlannerを提案する。 この設計は、局所的な幾何学的パターンとグローバルなタスク要求の両方を単一のフォワードパスでキャプチャするネットワークを誘導する。 リアルなロボットスプレー塗装のシナリオにおける大規模な実験により、我々のアプローチは未確認物体に対してほぼ完全なカバレッジ(99%以上)を達成できたが、タスク非依存であり、塗料沈着に対して明示的に最適化されていない。 さらに,6-DoF専用塗装ロボットを用いた実世界の検証により,生成した軌跡が直接実行可能であり,専門家レベルの絵画品質が得られることを示した。 本研究は,工学的オーバーヘッドを低減し,いくつかの産業的ユースケースにシームレスに対応するためのOCMGの学習手法の可能性を明らかにするものである。

関連論文リスト

• Towards Cross-device and Training-free Robotic Grasping in 3D Open World [20.406334587479623]
  本稿では,オープンワールドシナリオにおいて,学習を必要とせずにオブジェクト把握タスクを実行できる新しいパイプラインを提案する。 本稿では,セグメンテーション精度を向上し,未確認オブジェクトをクラスタ化およびローカライズする機能を有する,学習不要なバイナリクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-27T08:23:28Z)
• Triple Point Masking [49.39218611030084]
  既存の3Dマスク学習手法は、限られたデータの下でパフォーマンスボトルネックに遭遇する。 我々は、マスク付きオートエンコーダの事前学習のためのスケーラブルなフレームワークとして、TPMと呼ばれるトリプルポイントマスキング方式を導入する。 大規模な実験により,提案したTPMを組み込んだ4つのベースラインが,下流タスクの総合的な性能向上を実現することが示された。
  論文  参考訳（メタデータ） (2024-09-26T05:33:30Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• PaintNet: Unstructured Multi-Path Learning from 3D Point Clouds for Robotic Spray Painting [13.182797149468204]
  スプレー塗装や溶接といった産業用ロボットの問題は、その課題を解決するために複数の軌道を計画する必要がある。 既存の解は入力曲面の形式と出力経路の性質を強く仮定する。 近年の3次元深層学習の進歩を生かして,任意の3次元表面を扱える新しい枠組みを導入する。
  論文  参考訳（メタデータ） (2022-11-13T15:41:50Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
  Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。 本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。 産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-16T11:40:12Z)

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。