論文の概要: An analysis of sensor selection for fruit picking with suction-based grippers

• arxiv url: http://arxiv.org/abs/2604.24906v1
• Date: Mon, 27 Apr 2026 18:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.55396
• Title: An analysis of sensor selection for fruit picking with suction-based grippers
• Title（参考訳）: 吸込グリップを用いた果実摘み用センサ選択法の解析
• Authors: Eva Krueger, Marcus Rosette, Joseph R. Davidson,
• Abstract要約: 本稿では, 吸入型リンゴグリップに組み込んだマルチモーダルセンシングスイートについて検討する。 我々のアプローチは、どのセンサーがピックの異なる段階で最も有益であるかを識別し、障害が発生する前に予測的な検出を可能にするため、独特である。 本物のリンゴ果樹園での実験では、ランダムフォレストと多層パーセプトロンの分類器が、90%以上の精度でピックと差し迫った失敗を検知している。
• 参考スコア（独自算出の注目度）: 2.531608511874342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic fruit harvesting often fails to reliably detect whether a fruit has been successfully picked, limiting efficiency and increasing crop damage. This problem is difficult due to compliant fruit and grippers, variable stem attachment, and occlusions in orchard environments. Prior work has explored vision-based perception and multi-sensor learning approaches for pick state estimation. However, minimal sensor sets and phase-dependent sensing strategies for accurate pick and slip detection remain largely unexplored. In this work, we design and evaluate a multimodal sensing suite integrated into a compliant suction-based apple gripper. Our approach is unique because it identifies which sensors are most informative at different phases of the pick, enabling predictive detection of failures before they occur. The contributions of this paper are a phase-dependent evaluation of multimodal sensors and the identification of minimal sensor sets for reliable pick state classification. Experiments in a real apple orchard show that Random Forest and Multilayer Perceptron classifiers detect successful picks and impending failures with over 90% accuracy, and Random Forest predicts pick/slip events within 0.09 s of human-annotated ground truth.
• Abstract（参考訳）: ロボットによる果実の収穫は、果実の収穫が成功したかどうかを確実に検知することができず、効率を抑え、作物の損傷を増大させる。 この問題は、果樹栽培環境における果実やグリッパーの適合性、茎の付着性の変化、および閉塞性により困難である。 従来の研究は、視覚に基づく知覚と、選択状態推定のためのマルチセンサー学習アプローチを探索してきた。 しかし、最小限のセンサーセットと正確なピック・アンド・スリップ検出のための位相依存センシング戦略は、ほとんど未解明のままである。 本研究では, 吸入型リンゴグリップに組み込んだマルチモーダルセンシングスイートの設計と評価を行う。 我々のアプローチは、どのセンサーがピックの異なる段階で最も有益であるかを識別し、障害が発生する前に予測的な検出を可能にするため、独特である。 本研究の貢献は,マルチモーダルセンサの位相依存性評価と,信頼性の高いピック状態分類のための最小限のセンサセットの同定である。 本物のリンゴ果樹園での実験では、ランダムフォレストと多層パーセプトロンの分類器が90%以上の精度でピックと差し迫った失敗を検知し、ランダムフォレストは人間に注釈された真実の0.09秒以内のピック/スリップイベントを予測する。

関連論文リスト

• Investigating Sensors and Methods in Grasp State Classification in Agricultural Manipulation [2.5500425544365335]
  本研究は、慣性測定ユニット(IMU)、赤外線反射、テンション、触覚センサー、RGBカメラなどの一連のキーセンサーを、グリップ状態の分類に適合するグリップパーに統合する。 ランダムフォレスト分類器は、制御された実験室環境で訓練され、本物のサクラトマトの植物で試験され、スリップの特定、失敗の把握、ピックの成功において100%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-15T16:47:42Z)
• PSBD: Prediction Shift Uncertainty Unlocks Backdoor Detection [57.571451139201855]
  予測シフトバックドア検出(英: Prediction Shift Backdoor Detection、PSBD)は、ディープニューラルネットワークにおけるバックドアサンプルを識別する新しい手法である。 PSBDは興味深い予測シフト(PS)現象によって動機付けられており、クリーンなデータに対する有害なモデルの予測は、しばしば真のラベルから別のラベルへとシフトする。 PSBDは、モデル推論中にドロップアウト層をオン/オフする際の確率値のばらつきである予測シフト不確実性(PSU)を計算することで、バックドアトレーニングサンプルを特定する。
  論文  参考訳（メタデータ） (2024-06-09T15:31:00Z)
• Fruit Picker Activity Recognition with Wearable Sensors and Machine Learning [1.9036571490366496]
  本稿では,ウェアラブルセンサから生成された時系列データに基づいて,果物の摘み取り活動を検出する新しい手法を提案する。 農家や経営者にとって、収穫箱をより効果的に管理するためには、ピッカーバッグが空になったときの知識が重要である。 本研究では,ウェアラブルセンサと機械学習を用いた人間の行動認識を用いて,バッグ空きイベントを検出する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-20T03:38:08Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Human Fall Detection- Multimodality Approach [2.7215474244966296]
  我々は、加速度計データ保持ラベル付き手首センサをバイナリ分類、すなわち、データ集合からのフォールとフォールを含まない2値分類に使用します。 実験結果から,2値分類のためのマルチセンサと比較して手首データのみを用いることは,転倒検出のためのモデル予測性能に影響を及ぼさないことがわかった。
  論文  参考訳（メタデータ） (2023-02-01T04:05:14Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)

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。