論文の概要: Grasp the Graph (GtG) 2.0: Ensemble of GNNs for High-Precision Grasp Pose Detection in Clutter
- arxiv url: http://arxiv.org/abs/2505.02664v1
- Date: Mon, 05 May 2025 14:14:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.699543
- Title: Grasp the Graph (GtG) 2.0: Ensemble of GNNs for High-Precision Grasp Pose Detection in Clutter
- Title（参考訳）: Grasp the Graph (GtG) 2.0: クラッタにおける高精度Grasp Pose検出のためのGNNのアンサンブル
- Authors: Ali Rashidi Moghadam, Sayedmohammadreza Rastegari, Mehdi Tale Masouleh, Ahmad Kalhor,
- Abstract要約: 本稿では,仮説とテストのロボティクス把握フレームワークであるGrasp the Graph 2.0 (GtG 2.0)を紹介する。
ポイントクラウドデータからの効率的な幾何学的推論には、グラフニューラルネットワークのアンサンブルを使用する。
GtG 2.0は、仮説とテスト、グラフニューラルネットワークベースの手法と比較して、GraspNet-1Billionベンチマークの平均精度が35%向上している。
- 参考スコア（独自算出の注目度）: 2.812395851874055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Grasp pose detection in cluttered, real-world environments remains a significant challenge due to noisy and incomplete sensory data combined with complex object geometries. This paper introduces Grasp the Graph 2.0 (GtG 2.0) method, a lightweight yet highly effective hypothesis-and-test robotics grasping framework which leverages an ensemble of Graph Neural Networks for efficient geometric reasoning from point cloud data. Building on the success of GtG 1.0, which demonstrated the potential of Graph Neural Networks for grasp detection but was limited by assumptions of complete, noise-free point clouds and 4-Dof grasping, GtG 2.0 employs a conventional Grasp Pose Generator to efficiently produce 7-Dof grasp candidates. Candidates are assessed with an ensemble Graph Neural Network model which includes points within the gripper jaws (inside points) and surrounding contextual points (outside points). This improved representation boosts grasp detection performance over previous methods using the same generator. GtG 2.0 shows up to a 35% improvement in Average Precision on the GraspNet-1Billion benchmark compared to hypothesis-and-test and Graph Neural Network-based methods, ranking it among the top three frameworks. Experiments with a 3-Dof Delta Parallel robot and Kinect-v1 camera show a success rate of 91% and a clutter completion rate of 100%, demonstrating its flexibility and reliability.
- Abstract（参考訳）: 乱雑で現実世界の環境におけるグラフのポーズ検出は、複雑な物体のジオメトリと組み合わさったノイズや不完全な感覚データのために、依然として重要な課題である。
本稿では、グラフニューラルネットワークのアンサンブルを利用して、ポイントクラウドデータからの効率的な幾何学的推論を行う軽量かつ高効率な仮説とテストの把握フレームワークであるGrasp the Graph 2.0(GtG 2.0)について紹介する。
GtG 1.0は、グラフニューラルネットワークが検出を把握できる可能性を示したが、完全でノイズフリーの点雲と4-Dofのグルーピングの仮定によって制限されていたため、GtG 2.0では従来のGrasp Pose Generatorを使用して7-Dofのグルーピング候補を効率的に生成している。
候補は、グリッパー顎(内方点)と周囲のコンテキストポイント(外方点)を含むアンサンブルグラフニューラルネットワークモデルを用いて評価される。
この改良された表現は、同じジェネレータを使用した従来の手法よりもグリップ検出性能を高める。
GtG 2.0では、仮説とテスト、グラフニューラルネットワークベースの手法と比較して、GraspNet-1Billionベンチマークの平均精度が35%向上し、上位3つのフレームワークにランク付けされている。
3-Dof Delta ParallelロボットとKinect-v1カメラによる実験では、成功率は91%、粗い完成率は100%で、柔軟性と信頼性を示している。
関連論文リスト
- Graph Transformers for Large Graphs [57.19338459218758]
この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。
この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。
ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
論文 参考訳（メタデータ） (2023-12-18T11:19:23Z) - PVG: Progressive Vision Graph for Vision Recognition [48.11440886492801]
本稿では,視覚認識タスクのためのプログレッシブビジョングラフ(PVG)アーキテクチャを提案する。
PVGには3つの主要コンポーネントが含まれている: 1) プログレッシブ・セパレート・グラフ・コンストラクション(PSGC)、2) 隣ノードの情報収集と更新モジュール、3) グラフエラーリニア・ユニット(GraphLU)。
論文 参考訳（メタデータ） (2023-08-01T14:35:29Z) - GADBench: Revisiting and Benchmarking Supervised Graph Anomaly Detection [44.501646702560635]
GADBenchは静的グラフにおける教師付き異常ノード検出専用のベンチマークツールである。
我々の主な発見は、GADタスクに適した最新のGNNよりも、単純な近傍集約によるツリーアンサンブルの方が優れたことだ。
論文 参考訳（メタデータ） (2023-06-21T13:16:10Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳（メタデータ） (2022-06-21T01:46:38Z) - Graph Attention Multi-Layer Perceptron [17.669550943457768]
新たなGNNアーキテクチャ - Graph Attention Multi-Layer Perceptron (GAMLP)を提案する。
GAMLPは、グラフ知識のスケールの異なる関係をキャプチャする。
当社の大規模Tencent Videoデータセットの予測精度に関して、GATを1.3%上回っている。
論文 参考訳（メタデータ） (2022-06-09T08:56:11Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳（メタデータ） (2021-12-19T05:04:53Z) - Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection [0.0]
本稿では,LiDARスキャンにおける物体検出のためのグラフニューラルネットワーク(GNN)における注目に基づく特徴集約手法を提案する。
GNNの各層では、ノードごとの入力特徴を対応する上位特徴にマッピングする線形変換とは別に、ノードごとの注意を隠蔽する。
KITTIデータセットを用いた実験により,本手法は3次元物体検出に匹敵する結果が得られることが示された。
論文 参考訳（メタデータ） (2020-09-17T12:56:17Z) - GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。
GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。
GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
論文 参考訳（メタデータ） (2020-03-29T07:22:31Z)
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。