論文の概要: Pack it in: Packing into Partially Filled Containers Through Contact

• arxiv url: http://arxiv.org/abs/2602.12095v2
• Date: Sun, 15 Feb 2026 20:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.406412
• Title: Pack it in: Packing into Partially Filled Containers Through Contact
• Title（参考訳）: Pack it in: 部分的に充填された容器にコンタクトで詰め込む
• Authors: David Russell, Zisong Xu, Maximo A. Roa, Mehmet Dogar,
• Abstract要約: 本稿では,予め配置されたオブジェクトとの汎用的なインタラクションを利用して,自由空間を創出する,接触認識型パッキング手法を提案する。 これは、予測モデルと統合された多目的軌道コントローラを使用することで実現される。 オブジェクトをコンテナ内に配置するための物理的に実現可能な場所を提案する方法が提示される。
• 参考スコア（独自算出の注目度）: 0.8299692647308321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automation of warehouse operations is crucial for improving productivity and reducing human exposure to hazardous environments. One operation frequently performed in warehouses is bin-packing where items need to be placed into containers, either for delivery to a customer, or for temporary storage in the warehouse. Whilst prior bin-packing works have largely been focused on packing items into empty containers and have adopted collision-free strategies, it is often the case that containers will already be partially filled with items, often in suboptimal arrangements due to transportation about a warehouse. This paper presents a contact-aware packing approach that exploits purposeful interactions with previously placed objects to create free space and enable successful placement of new items. This is achieved by using a contact-based multi-object trajectory optimizer within a model predictive controller, integrated with a physics-aware perception system that estimates object poses even during inevitable occlusions, and a method that suggests physically-feasible locations to place the object inside the container.
• Abstract（参考訳）: 倉庫業務の自動化は、生産性を改善し、有害環境への人的曝露を減らすために不可欠である。 倉庫で頻繁に行われる1つの操作は、コンテナにアイテムを詰め込む必要があるビンパッキング(bin-packing)である。 箱詰め以前の作業は、主に空の容器にアイテムを詰め込むことに重点を置いており、衝突のない戦略を採用してきたが、しばしば倉庫周辺の輸送によって、コンテナが部分的にアイテムで満たされている場合が多い。 本稿では,予め配置されたオブジェクトとの汎用的なインタラクションを利用して,自由空間を創出し,新しいアイテムの配置を成功させる,接触認識型パッキング手法を提案する。 これは、接触に基づく多目的軌道最適化器をモデル予測制御器内で使用し、避けられない閉塞時でも物体のポーズを推定する物理認識システムと統合し、物体を容器内に配置するための物理的に実現可能な場所を提案する方法によって実現される。

関連論文リスト

• OPA-Pack: Object-Property-Aware Robotic Bin Packing [99.93418592774326]
  本稿では,ロボットにオブジェクトパッキングを計画する際のオブジェクト特性を考慮した最初のフレームワークであるOPA-Packについて述べる。 また,OPA-Netを定式化し,非互換なオブジェクトペアを分離し,パッキングをコンパクト化しながら脆弱なオブジェクトに対する圧力を低減する。 実験結果から,OPA-Packは非互換なオブジェクトペアの分離精度を大幅に向上し,脆弱なオブジェクトに対する圧力を大幅に低減することがわかった。
  論文  参考訳（メタデータ） (2025-05-19T16:48:14Z)
• Deliberate Planning of 3D Bin Packing on Packing Configuration Trees [65.05353662124676]
  オンライン3D Bin Packing Problem (3D-BPP) は産業自動化に広く応用されている。 我々は,新しい階層表現,パッキング構成木(PCT)の学習を通じて,オンライン3D-BPPの実用性を高めることを提案する。 PCTは、ディープ強化学習(DRL)に基づくパッキングポリシー学習を支援するビンパッキングの状況と行動空間について、本格的な記述である。
  論文  参考訳（メタデータ） (2025-04-06T09:07:10Z)
• Optimization Algorithm for Inventory Allocation in Gravity-Flow Racks with Classical and Quantum-Hybrid Computing [31.458406135473805]
  倉庫は産業物流において中心的な役割を担い、効率的な生産を支援するために在庫を保管・整理するための重要な拠点として機能している。 本稿では,FIFO(First In, First Out)ロジスティクス用に設計された重力流ラックを備えた倉庫における在庫配分の最適化について述べる。 本稿では,複数項目を同時に割り当てる最適化戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-18T17:36:45Z)
• STOW: Discrete-Frame Segmentation and Tracking of Unseen Objects for Warehouse Picking Robots [41.017649190833076]
  本稿では,変圧器モジュールとともに離散フレームにおける関節分割と追跡のための新しいパラダイムを提案する。 実験の結果,本手法は近年の手法よりも著しく優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T06:52:38Z)
• Planning Irregular Object Packing via Hierarchical Reinforcement Learning [85.64313062912491]
  本研究では,不規則物体のパッケージングシーケンスと配置を計画するための階層的強化学習手法を提案する。 我々の手法は、不規則なオブジェクトの最先端のパッキング方法よりも、より少ない時間でより多くのオブジェクトをパックできることを示す。
  論文  参考訳（メタデータ） (2022-11-17T07:16:37Z)
• Towards Robust Part-aware Instance Segmentation for Industrial Bin Picking [113.79582950811348]
  産業用ビンピッキングのための新しい部分認識型インスタンスセグメンテーションパイプラインを定式化する。 我々は、部品マスクと部品間オフセットを予測する部分認識ネットワークを設計し、続いて認識された部品をインスタンスに組み立てる部分集約モジュールを設計する。 このデータセットは、細く、非自明な形状の様々な産業オブジェクトを含む。
  論文  参考訳（メタデータ） (2022-03-05T14:58:05Z)
• Fully-Automated Packaging Structure Recognition in Logistics Environments [60.56493342808093]
  包装構造認識の完全自動化手法を提案する。 我々のアルゴリズムは深層学習モデルに基づいており、より正確に畳み込みニューラルネットワークを用いて画像のセグメント化を行う。 テストケースの約85%でパッケージ構造を正しく認識することができ、さらに一般的なパッケージタイプに注目する場合(91%)にさらに多くのパッケージ構造を認識できることを示す。
  論文  参考訳（メタデータ） (2020-08-11T10:57:23Z)
• Smart Containers With Bidding Capacity: A Policy Gradient Algorithm for Semi-Cooperative Learning [0.0]
  自己組織型コンテナは、スポットマーケット環境で輸送サービスに入札を行うことができる。 情報とコストを互いに共有することで、スマートコンテナは入札ポリシーを共同で学習することができる。 政策枠組みに基づく強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-05-01T18:37:38Z)
• Rethinking Object Detection in Retail Stores [55.359582952686175]
  そこで我々はLocountと略される新しいタスク、同時にオブジェクトのローカライゼーションとカウントを提案する。 Locountは、関心のあるオブジェクトのグループをインスタンス数でローカライズするアルゴリズムを必要とする。 大規模オブジェクトのローカライズと数えるデータセットを小売店で収集する。
  論文  参考訳（メタデータ） (2020-03-18T14:01:54Z)

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。