論文の概要: Learning to Optimize Package Picking for Large-Scale, Real-World Robot Induction

• arxiv url: http://arxiv.org/abs/2506.09765v1
• Date: Wed, 11 Jun 2025 14:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.035116
• Title: Learning to Optimize Package Picking for Large-Scale, Real-World Robot Induction
• Title（参考訳）: 大規模実世界ロボット誘導のためのパッケージピッキングの最適化学習
• Authors: Shuai Li, Azarakhsh Keipour, Sicong Zhao, Srinath Rajagopalan, Charles Swan, Kostas E. Bekris,
• Abstract要約: 本稿では, 変態調整を予測し, サンプルピック用吸引カップの選択を改善し, 成功確率を高めるMLベースのフレームワークを提案する。 提案手法は, 大規模な倉庫自動化シナリオにおいて, サンプルベースサンプリングベースラインと比較して, ピック故障率を20%削減し, その有効性を実証する。
• 参考スコア（独自算出の注目度）: 17.521846970697535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Warehouse automation plays a pivotal role in enhancing operational efficiency, minimizing costs, and improving resilience to workforce variability. While prior research has demonstrated the potential of machine learning (ML) models to increase picking success rates in large-scale robotic fleets by prioritizing high-probability picks and packages, these efforts primarily focused on predicting success probabilities for picks sampled using heuristic methods. Limited attention has been given, however, to leveraging data-driven approaches to directly optimize sampled picks for better performance at scale. In this study, we propose an ML-based framework that predicts transform adjustments as well as improving the selection of suction cups for multi-suction end effectors for sampled picks to enhance their success probabilities. The framework was integrated and evaluated in test workcells that resemble the operations of Amazon Robotics' Robot Induction (Robin) fleet, which is used for package manipulation. Evaluated on over 2 million picks, the proposed method achieves a 20\% reduction in pick failure rates compared to a heuristic-based pick sampling baseline, demonstrating its effectiveness in large-scale warehouse automation scenarios.
• Abstract（参考訳）: 倉庫の自動化は、作業効率の向上、コストの最小化、労働力の変動に対するレジリエンスの向上において重要な役割を担っている。 従来の研究では、高確率ピックとパッケージを優先することで、大規模ロボット群でのピック成功率を高める機械学習(ML)モデルの可能性が実証されているが、これらの取り組みは主にヒューリスティックな手法を用いてサンプリングされたピックの成功確率を予測することに焦点を当てている。 しかし、サンプルピックを直接最適化するためにデータ駆動アプローチを活用することには、限定的な注意が払われている。 本研究では,変態調整を予測し,サンプルピック用多吸引端エフェクタの吸引カップの選択を改善し,その成功確率を高めるためのMLベースのフレームワークを提案する。 このフレームワークは、パッケージ操作に使用されるAmazon RoboticsのRobot Injection(Robin)フリートに似たテストワークセルに統合され、評価された。 提案手法は,200万回以上のピックで評価され,ヒューリスティックなピックサンプリングベースラインと比較して,ピック故障率を20倍に削減し,大規模倉庫自動化シナリオにおけるその有効性を実証する。

関連論文リスト

• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Sample Efficient Robot Learning in Supervised Effect Prediction Tasks [0.0]
  MUSEL(Model Uncertainty for Sample-Efficient Learning)は、ロボット工学における回帰タスクに適した新しいALフレームワークである。 MUSELは学習精度とサンプル効率を両立させ,情報的サンプルを選択する学習行動効果の有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-03T09:48:28Z)
• Hardware Aware Ensemble Selection for Balancing Predictive Accuracy and Cost [0.6486052012623046]
  ハードウェア対応のアンサンブル選択手法を導入し,推論時間をポストホックアンサンブルに統合する。 提案手法は,既存のアンサンブル選択フレームワークと品質多様性最適化を利用して,その予測精度とハードウェア効率について,アンサンブル候補の評価を行う。 83の分類データセットを用いて評価したところ,本手法は競争精度を保ち,アンサンブルの操作効率を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T07:30:18Z)
• Learning Efficient and Fair Policies for Uncertainty-Aware Collaborative Human-Robot Order Picking [11.997524293204368]
  協調的な人間ロボットのオーダーピッキングシステムでは、人間のピッカーと自律移動ロボット(AMR)は倉庫内を独立して移動し、ピッカーがアイテムをAMRに積む場所で会う。 本稿では,多目的深層強化学習(DRL)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-09T11:45:16Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Leaving the Nest: Going Beyond Local Loss Functions for Predict-Then-Optimize [57.22851616806617]
  本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。 提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
  論文  参考訳（メタデータ） (2023-05-26T11:17:45Z)
• Demonstrating Large-Scale Package Manipulation via Learned Metrics of Pick Success [12.862075198961051]
  本稿では,Amazon Roboticsのロボット誘導(Robin)システムにおいて,非構造杭からの大規模なパッケージ操作を実演する。 このシステムは394K以上のピックで訓練され、本論文の評価期間中に2億以上のパッケージを操作した。 学習した選別品質尺度は、様々な選別選択肢をリアルタイムでランク付けし、実行に最も有望な選別基準を優先順位付けする。
  論文  参考訳（メタデータ） (2023-05-17T15:03:58Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)

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。