論文の概要: Learning What Can Be Picked: Active Reachability Estimation for Efficient Robotic Fruit Harvesting

• arxiv url: http://arxiv.org/abs/2603.23679v1
• Date: Tue, 24 Mar 2026 19:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.01116
• Title: Learning What Can Be Picked: Active Reachability Estimation for Efficient Robotic Fruit Harvesting
• Title（参考訳）: 選択できるものを学ぶ:効率的なロボット果実収穫のためのアクティブリーチ可能性推定
• Authors: Nur Afsa Syeda, Mohamed Elmahallawy, Luis Fernando de la Torre, John Miller,
• Abstract要約: 農業は世界の健康と経済の持続可能性の基盤であり続けているが、高価値作物の収穫などの労働集約的な作業は、労働力不足に直面し続けている。 提案手法は,RGB-D認識とアクティブラーニングを組み合わせることで,二項決定問題として到達可能性を直接学習する。 本フレームワークは,ラベル付きサンプルの精度を著しく低くし,ランダムサンプリングよりも約6～8%高い精度を実現し,新しい果樹園構成へのラベル効率の適応を可能にする。
• 参考スコア（独自算出の注目度）: 13.01419242528195
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Agriculture remains a cornerstone of global health and economic sustainability, yet labor-intensive tasks such as harvesting high-value crops continue to face growing workforce shortages. Robotic harvesting systems offer a promising solution; however, their deployment in unstructured orchard environments is constrained by inefficient perception-to-action pipelines. In particular, existing approaches often rely on exhaustive inverse kinematics or motion planning to determine whether a target fruit is reachable, leading to unnecessary computation and delayed decision-making. Our approach combines RGB-D perception with active learning to directly learn reachability as a binary decision problem. We then leverage active learning to selectively query the most informative samples for reachability labeling, significantly reducing annotation effort while maintaining high predictive accuracy. Extensive experiments demonstrate that the proposed framework achieves accurate reachability prediction with substantially fewer labeled samples, yielding approximately 6--8% higher accuracy than random sampling and enabling label-efficient adaptation to new orchard configurations. Among the evaluated strategies, entropy- and margin-based sampling outperform Query-by-Committee and standard uncertainty sampling in low-label regimes, while all strategies converge to comparable performance as the labeled set grows. These results highlight the effectiveness of active learning for task-level perception in agricultural robotics and position our approach as a scalable alternative to computation-heavy kinematic reachability analysis. Our code is available through https://github.com/wsu-cyber-security-lab-ai/active-learning.
• Abstract（参考訳）: 農業は依然として世界の健康と経済の持続可能性の基盤となっているが、高価値作物の収穫などの労働集約的な作業は労働力不足に直面し続けている。 ロボット収穫システムは有望なソリューションを提供するが、非構造的な果樹園環境への展開は非効率的な知覚から行動へのパイプラインによって制約される。 特に、既存のアプローチは、対象の果実が到達可能かどうかを判断するために、徹底的な逆運動学や運動計画に頼っていることが多く、不必要な計算や意思決定の遅れにつながる。 提案手法は,RGB-D認識とアクティブラーニングを組み合わせることで,二項決定問題として到達可能性を直接学習する。 次に、能動的学習を活用して、到達可能性ラベル付けのための最も情報性の高いサンプルを選択的にクエリし、高い予測精度を維持しながら、アノテーションの労力を大幅に削減する。 大規模な実験により,提案フレームワークはラベル付きサンプルの精度を著しく低くし,ランダムサンプリングよりも約6～8%高い精度を実現し,新しい果樹園構成へのラベル効率の適応を可能にした。 評価戦略の中では、エントロピーとマージンに基づくサンプリングがクエリ・バイ・コミッテ(Query-by-Committee)を上回り、低ラベルのシステマで標準不確実性サンプリングを行うのに対し、全ての戦略はラベル付きセットが大きくなるにつれて同等のパフォーマンスに収束する。 これらの結果は,ロボット工学におけるタスクレベルの認識に対する能動的学習の有効性を強調し,我々のアプローチを計算量の多い機械的到達性分析のスケーラブルな代替手段として位置づけた。 私たちのコードはhttps://github.com/wsu-cyber-security-lab-ai/active-learningで利用可能です。

関連論文リスト

• Active Learning-Driven Lightweight YOLOv9: Enhancing Efficiency in Smart Agriculture [0.0]
  本研究は, 温室環境のエッジデバイスに設置した農業用ロボットによるトマトとトマトのリアルタイム検出の必要性に対処するものである。 これらの制約を克服するため,本研究では,能動的学習駆動型軽量物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:14:35Z)
• Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-20T12:17:00Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Performance Evaluation of Semi-supervised Learning Frameworks for Multi-Class Weed Detection [15.828967396019143]
  効率的な雑草防除は、収穫量を最適化し、農産物の品質を高める上で重要な役割を担っている。 MLとDLによって実現された精密雑草管理の最近の進歩は、持続可能な代替手段となる。 半教師あり学習法、特に半教師あり学習法は、コンピュータビジョンの幅広い領域において注目を集めている。
  論文  参考訳（メタデータ） (2024-03-06T00:59:51Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Active Learning For Contextual Linear Optimization: A Margin-Based Approach [6.09977411428684]
  ラベル取得アルゴリズムを導入し、ラベルなしデータからラベルの特徴サンプルの要求を逐次決定する。 ラベルが取得されたサンプルの数として定義されるラベル複雑性の上限を導出する。 提案アルゴリズムは,教師付き学習手法よりもラベルの複雑さがはるかに小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-11T05:44:36Z)
• 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)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Offline Learning for Planning: A Summary [0.0]
  自律的なエージェントの訓練は、しばしば、環境との高価で安全でない試行錯誤の相互作用を必要とする。 さまざまなタスクを実行するインテリジェントエージェントの記録された経験を含むデータセットは、インターネット上でアクセス可能である。 本稿では,最先端のオフライン学習ベースラインの開発を動機とするアイデアを要約する。
  論文  参考訳（メタデータ） (2020-10-05T11:41:11Z)

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。