論文の概要: Active Alignments of Lens Systems with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2503.02075v1
• Date: Mon, 03 Mar 2025 21:57:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:13:12.890782
• Title: Active Alignments of Lens Systems with Reinforcement Learning
• Title（参考訳）: 強化学習型レンズシステムのアクティブアライメント
• Authors: Matthias Burkhardt, Tobias Schmähling, Michael Layh, Tobias Windisch,
• Abstract要約: センサ出力の画素空間内でのみ学習する強化学習(RL)手法を提案する。 我々は、広範囲にわたるベンチマーク研究を行い、我々のアプローチが、速度、精度、堅牢性において他の手法を超えることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Aligning a lens system relative to an imager is a critical challenge in camera manufacturing. While optimal alignment can be mathematically computed under ideal conditions, real-world deviations caused by manufacturing tolerances often render this approach impractical. Measuring these tolerances can be costly or even infeasible, and neglecting them may result in suboptimal alignments. We propose a reinforcement learning (RL) approach that learns exclusively in the pixel space of the sensor output, eliminating the need to develop expert-designed alignment concepts. We conduct an extensive benchmark study and show that our approach surpasses other methods in speed, precision, and robustness. We further introduce relign, a realistic, freely explorable, open-source simulation utilizing physically based rendering that models optical systems with non-deterministic manufacturing tolerances and noise in robotic alignment movement. It provides an interface to popular machine learning frameworks, enabling seamless experimentation and development. Our work highlights the potential of RL in a manufacturing environment to enhance efficiency of optical alignments while minimizing the need for manual intervention.
• Abstract（参考訳）: カメラ製造において、撮像器に対するレンズシステムの調整は重要な課題である。 最適アライメントは理想的な条件下で数学的に計算できるが、製造許容度によって引き起こされる現実世界の偏差は、このアプローチを非現実的なものにすることが多い。 これらの許容度を測定することは費用がかかるか、あるいは実現不可能であり、それらを無視することは、最適以下のアライメントをもたらす可能性がある。 本稿では,センサ出力の画素空間内でのみ学習する強化学習(RL)手法を提案する。 我々は、広範囲にわたるベンチマーク研究を行い、我々のアプローチが、速度、精度、堅牢性において他の手法を超えることを示す。 ロボットアライメント運動における光学系を非決定論的製造耐性とノイズでモデル化する物理ベースレンダリングを利用したリアルで自由に探索可能なオープンソースシミュレーションであるrelignについても紹介する。 一般的な機械学習フレームワークへのインターフェースを提供し、シームレスな実験と開発を可能にする。 本研究は、手作業による介入を最小化しつつ、光学アライメントの効率を高めるため、製造環境におけるRLの可能性を強調した。

関連論文リスト

• Tolerance-Aware Deep Optics [15.445359232123133]
  深層光学は、深層学習アルゴリズムで光学素子を共設計することで有望なアプローチとして現れてきた。 我々は、複数の許容型を深い光学設計パイプラインに組み込んだ、エンドツーエンドの許容-認識最適化フレームワークを初めて提示する。 本手法は, 物理インフォームドモデリングとデータ駆動型トレーニングを組み合わせることで, 製造・組立における構造偏差を考慮し補償することにより, 光設計を向上させる。
  論文  参考訳（メタデータ） (2025-02-07T07:42:25Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  私たちは世界モデルを学ぶための新しいフレームワークを紹介します。 スケーラブルで堅牢なフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• RobustCalib: Robust Lidar-Camera Extrinsic Calibration with Consistency Learning [42.90987864456673]
  LiDARカメラ外部推定の現在の手法は、オフラインの目標と人間の努力に依存している。 本稿では,外因性キャリブレーション問題に頑健で自動的で単発的な方法で対処する新しい手法を提案する。 我々は,異なるデータセットの総合的な実験を行い,本手法が正確かつ堅牢な性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-12-02T09:29:50Z)
• Revealing the preference for correcting separated aberrations in joint optic-image design [19.852225245159598]
  我々は、スマートフォンやドローンのような複雑なシステムの効率的な共同設計を実現するために、分離された収差を持つ光学を特徴付ける。 視野が大きいレンズの真の撮像手順を再現する画像シミュレーションシステムを提案する。 共同設計における分離収差補正の選好は, 縦色収差, 横色収差, 球状収差, フィールド曲率, コマの順である。
  論文  参考訳（メタデータ） (2023-09-08T14:12:03Z)
• Computational Optics for Mobile Terminals in Mass Production [17.413494778377565]
  写真から測定した周波数特性とシステムパラメータの関係を説明するために,摂動型レンズシステムモデルを構築した。 このモデルに基づいて, 加工サンプルのSFRからプロキシカメラを構築するための最適化フレームワークを提案する。 プロキシカメラを用いて、光学収差とランダムな製造バイアスをエンコードしたデータペアを合成し、収差に基づくアルゴリズムを訓練する。
  論文  参考訳（メタデータ） (2023-05-10T04:17:33Z)
• 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)
• SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
  本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。 我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
  論文  参考訳（メタデータ） (2022-10-27T05:30:43Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Generic Lithography Modeling with Dual-band Optics-Inspired Neural Networks [52.200624127512874]
  我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。 提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。 また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
  論文  参考訳（メタデータ） (2022-03-12T08:08:50Z)
• Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
  個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。 推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
  論文  参考訳（メタデータ） (2020-08-06T08:23:19Z)

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。