論文の概要: Volumetric Reconstruction From Partial Views for Task-Oriented Grasping

• arxiv url: http://arxiv.org/abs/2503.15167v1
• Date: Wed, 19 Mar 2025 12:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:32.642193
• Title: Volumetric Reconstruction From Partial Views for Task-Oriented Grasping
• Title（参考訳）: タスク指向型グラフプのための部分的視点からのボリューム再構成
• Authors: Fujian Yan, Hui Li, Hongsheng He,
• Abstract要約: 本稿では,対象物の限定的な部分的視点から適切な把握戦略を推定するためのアプローチを提案する。 R-GAN (Recurrent Generative Adversarial Network) は, 様々な深度スキャンを行うために提案されている。 両腕移動操作ロボットを用いて,全体の把握精度を89%と評価した。
• 参考スコア（独自算出の注目度）: 3.7484171151972823
• License:
• Abstract: Object affordance and volumetric information are essential in devising effective grasping strategies under task-specific constraints. This paper presents an approach for inferring suitable grasping strategies from limited partial views of an object. To achieve this, a recurrent generative adversarial network (R-GAN) was proposed by incorporating a recurrent generator with long short-term memory (LSTM) units for it to process a variable number of depth scans. To determine object affordances, the AffordPose knowledge dataset is utilized as prior knowledge. Affordance retrieving is defined by the volume similarity measured via Chamfer Distance and action similarities. A Proximal Policy Optimization (PPO) reinforcement learning model is further implemented to refine the retrieved grasp strategies for task-oriented grasping. The retrieved grasp strategies were evaluated on a dual-arm mobile manipulation robot with an overall grasping accuracy of 89% for four tasks: lift, handle grasp, wrap grasp, and press.
• Abstract（参考訳）: タスク固有の制約の下で効果的な把握戦略を考案するためには,物価や量的情報が不可欠である。 本稿では,対象物の限定的な部分的視点から適切な把握戦略を推定するためのアプローチを提案する。 これを実現するために、長い短期記憶(LSTM)ユニットを組み込んだリカレントジェネレータを組み込んだR-GAN(Recurrent Generative Adversarial Network)を提案する。 オブジェクトの価格を決定するために、AffordPoseの知識データセットを事前の知識として利用する。 頻度検索は、チャンファー距離とアクション類似度によって測定された体積類似度によって定義される。 さらにPPO強化学習モデルを導入し、タスク指向の把握のための獲得した把握戦略を洗練させる。 両腕移動操作ロボットを用いて,リフト,ハンドグリップ,ラップグリップ,プレスの4つの作業に対して,全体の把握精度が89%の把握戦略を評価した。

関連論文リスト

• A feature refinement module for light-weight semantic segmentation network [11.285793559719702]
  本稿では,軽量ネットワークのセマンティック情報を得る能力を向上させるために,新しいセマンティックセマンティックセマンティクス手法を提案する。 Cityscapes と Bdd100K のデータセットを用いて,提案手法が精度と計算コストのトレードオフを期待できることを示す。
  論文  参考訳（メタデータ） (2024-12-11T03:31:20Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Meta-RTL: Reinforcement-Based Meta-Transfer Learning for Low-Resource Commonsense Reasoning [61.8360232713375]
  低リソースコモンセンス推論のための強化型マルチソースメタトランスファー学習フレームワーク(Meta-RTL)を提案する。 本稿では,メタトランスファー学習において,対象タスクに対するタスクの寄与を動的に推定する手法を提案する。 実験の結果,Meta-RTLは,強いベースラインと以前のタスク選択戦略を大幅に上回ることがわかった。
  論文  参考訳（メタデータ） (2024-09-27T18:22:22Z)
• Spatial Cascaded Clustering and Weighted Memory for Unsupervised Person Re-identification [32.95715593278961]
  教師なしの人物再識別(re-ID)手法は、きめ細かい局所的コンテキストを利用して高い性能を達成する。 パートベース手法は, 様々なポーズによる不適応に苦しむ水平分割を通して, 局所的文脈を求める。 本稿では,これらの課題に対処するため,空間カスケードクラスタリングと重み付けメモリ(SCWM)手法を提案する。 SCWMは、メモリモジュールがハードサンプルマイニングとノイズ抑制のバランスを保ちながら、異なる人体部分のより正確なローカルコンテキストを解析、調整することを目的としている。
  論文  参考訳（メタデータ） (2024-03-01T03:52:29Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Learning from Counting: Leveraging Temporal Classification for Weakly Supervised Object Localization and Detection [4.971083368517706]
  2次元画像を1次元シーケンスデータにシリアライズするスキャンオーダー技術を導入する。 次にLSTM(Long, Short-Term Memory)とCTCネットワークを組み合わせてオブジェクトのローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2021-03-06T02:18:03Z)
• Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
  本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。 この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。 簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
  論文  参考訳（メタデータ） (2020-07-01T19:53:35Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
  離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。 我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。 これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
  論文  参考訳（メタデータ） (2020-02-10T04:23:09Z)

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。