論文の概要: Self-Supervised Learning for Robotic Leaf Manipulation: A Hybrid Geometric-Neural Approach

• arxiv url: http://arxiv.org/abs/2505.03702v2
• Date: Tue, 13 May 2025 00:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 12:30:10.408423
• Title: Self-Supervised Learning for Robotic Leaf Manipulation: A Hybrid Geometric-Neural Approach
• Title（参考訳）: ロボット用リーフマニピュレーションのための自己教師付き学習:ハイブリッド幾何-ニューラルアプローチ
• Authors: Srecharan Selvam,
• Abstract要約: 本稿では,自律的な葉の把握のためのハイブリッドな幾何学的アプローチを提案する。 本手法は,従来のコンピュータビジョンとニューラルネットワークを自己教師付き学習により統合する。 制御された環境では88.0%、実際の温室環境では84.7%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating leaf manipulation in agricultural settings faces significant challenges, including the variability of plant morphologies and deformable leaves. We propose a novel hybrid geometric-neural approach for autonomous leaf grasping that combines traditional computer vision with neural networks through self-supervised learning. Our method integrates YOLOv8 for instance segmentation and RAFT-Stereo for 3D depth estimation to build rich leaf representations, which feed into both a geometric feature scoring pipeline and a neural refinement module (GraspPointCNN). The key innovation is our confidence-weighted fusion mechanism that dynamically balances the contribution of each approach based on prediction certainty. Our self-supervised framework uses the geometric pipeline as an expert teacher to automatically generate training data. Experiments demonstrate that our approach achieves an 88.0% success rate in controlled environments and 84.7% in real greenhouse conditions, significantly outperforming both purely geometric (75.3%) and neural (60.2%) methods. This work establishes a new paradigm for agricultural robotics where domain expertise is seamlessly integrated with machine learning capabilities, providing a foundation for fully automated crop monitoring systems.
• Abstract（参考訳）: 農業環境における葉の操作の自動化は、植物形態や変形可能な葉の多様性など、重大な課題に直面している。 本稿では,従来のコンピュータビジョンとニューラルネットワークを組み合わせた,自律的な葉の把握のためのハイブリッドな幾何学的ニューラルネットワーク手法を提案する。 本手法は,3次元深度推定のためのYOLOv8とRAFT-Stereoを統合し,幾何学的特徴スコアリングパイプラインとニューラルリファインメントモジュール(GraspPointCNN)の両方に影響を及ぼすリッチリーフ表現を構築する。 鍵となるイノベーションは、予測確実性に基づいて各アプローチの貢献を動的にバランスさせる、信頼性と重み付けの融合メカニズムです。 我々の自己教師型フレームワークは、幾何学的パイプラインを専門教師として使用し、自動的にトレーニングデータを生成する。 実験により、制御された環境では88.0%の成功率、実際の温室環境では84.7%を達成し、純粋に幾何学的(75.3%)と神経的(60.2%)の両方を著しく上回った。 この研究は、ドメインの専門知識が機械学習機能とシームレスに統合され、完全に自動化された作物モニタリングシステムの基礎となる、農業ロボティクスの新しいパラダイムを確立する。

関連論文リスト

• Automatic Fused Multimodal Deep Learning for Plant Identification [1.2289361708127877]
  自動モーダル融合を用いた植物分類のための先駆的な多モードDLベースのアプローチを提案する。 本手法は,979クラスのMultimodal-PlantCLEFに対して82.61%の精度を達成し,最先端の手法を超越し,10.33%の遅れ融合を達成した。
  論文  参考訳（メタデータ） (2024-06-03T15:43:29Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Mechanism of feature learning in deep fully connected networks and kernel machines that recursively learn features [15.29093374895364]
  我々は,ニューラルネットワークが勾配特徴を学習するメカニズムを同定し,特徴付ける。 私たちのアンザッツは、突発的な特徴の出現や単純さのバイアスなど、さまざまな深層学習現象に光を当てています。 この特徴学習機構の有効性を実証するため,古典的非機能学習モデルにおいて特徴学習を可能にする。
  論文  参考訳（メタデータ） (2022-12-28T15:50:58Z)
• Pushing the Limits of Learning-based Traversability Analysis for Autonomous Driving on CPU [1.841057463340778]
  本稿では,リアルタイム機械学習に基づくトラバーサビリティ分析手法の提案と評価を行う。 新しい幾何学的特徴と視覚的特徴を統合し、重要な実装の詳細に焦点を当てることで、パフォーマンスと信頼性が著しく向上することを示します。 提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
  論文  参考訳（メタデータ） (2022-06-07T07:57:34Z)
• Plant Species Recognition with Optimized 3D Polynomial Neural Networks and Variably Overlapping Time-Coherent Sliding Window [3.867363075280544]
  本稿では,可変サイズの画像からなるデータセットを一定サイズの3次元表現に変換するVOTCSW(Variably Overlapping Time-Coherent Sliding Window)を提案する。 VOTCSW法と最近提案された1次元多項式ニューラルネットワークと呼ばれる機械学習モデルの3次元拡張を組み合わせることで、EAGL-Iシステムによって作成されたデータセットに対して、最先端の精度99.9%を達成したモデルを作成することができた。
  論文  参考訳（メタデータ） (2022-03-04T23:37:12Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Automated Testing for Deep Learning Systems with Differential Behavior Criteria [5.653421430985333]
  本研究では,差分行動基準に基づくディープラーニングシステムのための自動テストシステムの構築について検討した。 テストイテレーション毎に3つの事前学習モデルの差動挙動を観察することにより,誤フィードバックを誘発する入力画像をコーナーケースとして登録した。 深層学習システムのためのフォトリアリスティック画像を生成するために, 差動行動基準に基づく他の手法について検討した。
  論文  参考訳（メタデータ） (2019-12-31T10:31:55Z)

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。