論文の概要: Enhancing Human-Robot Collaboration: A Sim2Real Domain Adaptation Algorithm for Point Cloud Segmentation in Industrial Environments

• arxiv url: http://arxiv.org/abs/2506.09552v1
• Date: Wed, 11 Jun 2025 09:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.812738
• Title: Enhancing Human-Robot Collaboration: A Sim2Real Domain Adaptation Algorithm for Point Cloud Segmentation in Industrial Environments
• Title（参考訳）: ヒューマンロボットコラボレーションの強化:産業環境におけるポイントクラウドセグメンテーションのためのSim2Real領域適応アルゴリズム
• Authors: Fatemeh Mohammadi Amin, Darwin G. Caldwell, Hans Wernher van de Venn,
• Abstract要約: 本稿では、3DポイントクラウドデータのセマンティックセマンティックセグメンテーションのためのSim2Realドメイン適応における先駆的アプローチについて紹介する。 我々の焦点は、シミュレーション環境から実世界のアプリケーションへ堅牢に移行し、実用性と安全なHRCへの影響を高めるネットワークの開発である。 提案手法は実世界のHRCセットアップと産業用点雲のシミュレーションにより評価され, 最先端性能の向上, セグメンテーション精度97.76%, 既存手法に比べて堅牢性に優れていた。
• 参考スコア（独自算出の注目度）: 6.250798517067454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robust interpretation of 3D environments is crucial for human-robot collaboration (HRC) applications, where safety and operational efficiency are paramount. Semantic segmentation plays a key role in this context by enabling a precise and detailed understanding of the environment. Considering the intense data hunger for real-world industrial annotated data essential for effective semantic segmentation, this paper introduces a pioneering approach in the Sim2Real domain adaptation for semantic segmentation of 3D point cloud data, specifically tailored for HRC. Our focus is on developing a network that robustly transitions from simulated environments to real-world applications, thereby enhancing its practical utility and impact on a safe HRC. In this work, we propose a dual-stream network architecture (FUSION) combining Dynamic Graph Convolutional Neural Networks (DGCNN) and Convolutional Neural Networks (CNN) augmented with residual layers as a Sim2Real domain adaptation algorithm for an industrial environment. The proposed model was evaluated on real-world HRC setups and simulation industrial point clouds, it showed increased state-of-the-art performance, achieving a segmentation accuracy of 97.76%, and superior robustness compared to existing methods.
• Abstract（参考訳）: 3D環境の堅牢な解釈は、安全性と運用効率が最重要であるヒューマンロボットコラボレーション(HRC)アプリケーションに不可欠である。 セマンティックセグメンテーションは、環境の正確かつ詳細な理解を可能にすることで、この文脈において重要な役割を果たす。 本稿では,実世界の産業用アノテートデータに対して,効果的なセマンティックセグメンテーションに欠かせない強烈なデータ飢餓を考慮し,特にHRCに適した3DポイントクラウドデータのセマンティックセグメンテーションのためのSim2Realドメイン適応の先駆的アプローチを提案する。 我々の焦点は、シミュレーション環境から実世界のアプリケーションへ堅牢に移行し、実用性と安全なHRCへの影響を高めるネットワークの開発である。 本研究では,DGCNN(Dynamic Graph Convolutional Neural Networks)とCNN(Convolutional Neural Networks)を組み合わせたデュアルストリームネットワークアーキテクチャ(FUSION)を提案する。 提案手法は実世界のHRCセットアップと産業用点雲のシミュレーションにより評価され, 最先端性能の向上, セグメンテーション精度97.76%, 既存手法に比べて堅牢性に優れていた。

関連論文リスト

• ALOcc: Adaptive Lifting-based 3D Semantic Occupancy and Cost Volume-based Flow Prediction [89.89610257714006]
  既存の手法は、これらのタスクの要求に応えるために高い精度を優先する。 本稿では,3次元セマンティック占有率予測とフロー推定のための一連の改善点を紹介する。 私たちの純粋な時間的アーキテクチャフレームワークであるALOccは、速度と精度の最適なトレードオフを実現しています。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Spatio-Temporal 3D Point Clouds from WiFi-CSI Data via Transformer Networks [2.084922791522632]
  5Gネットワークと6Gネットワークのキーコンポーネントとして、ジョイントコミュニケーションとセンシング(JC&S)が登場している。 本稿では,時間的チャネル状態情報(CSI)データ,特に振幅と位相を処理するトランスフォーマーアーキテクチャを提案し,室内環境の3次元点雲を生成する。
  論文  参考訳（メタデータ） (2024-10-07T08:59:04Z)
• CTS: Sim-to-Real Unsupervised Domain Adaptation on 3D Detection [16.96201890965781]
  本稿では,ラベル付きシミュレーションからラベル付き現実領域へモデルを転送するための新しいフレームワークを提案する。 実験結果から,提案手法は3次元物体検出モデルの実領域適応能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-06-26T07:31:16Z)
• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Unseen Object Instance Segmentation with Fully Test-time RGB-D Embeddings Adaptation [14.258456366985444]
  最近では、大規模な合成データのRGB-D機能を活用し、実世界のシナリオにモデルを適用するのが一般的である。 本稿では,Sim2Realドメイン間の適応プロセスを再強調する。 本稿では,BatchNorm層のパラメータに基づいて,完全テスト時間RGB-D埋め込み適応(FTEA)を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:35:20Z)
• Unsupervised Domain Adaptation for Mobile Semantic Segmentation based on Cycle Consistency and Feature Alignment [28.61782696432711]
  実世界と合成表現のドメインシフト問題に対処する新しいUnsupervised Domain Adaptation (UDA)戦略を提案する。 提案手法は,合成データに基づいて訓練されたセグメンテーションネットワークを実世界のシナリオに適用することで,優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-01-14T10:12:20Z)

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。