論文の概要: Towards Reliable Sequential Object Picking in Clutter: The Runner-up Solution to RGMC 2025

• arxiv url: http://arxiv.org/abs/2606.12954v1
• Date: Thu, 11 Jun 2026 06:29:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.617739
• Title: Towards Reliable Sequential Object Picking in Clutter: The Runner-up Solution to RGMC 2025
• Title（参考訳）: クラッタにおける信頼性のあるシークエンシャルオブジェクトピッキングを目指して: RGMC 2025のランナアップソリューション
• Authors: Wei Yu, Xidan Zhang, Ziyi Zheng, Weijie Kong, Huixu Dong,
• Abstract要約: 本研究は,CEPB(Cluttered Environment Picking Benchmark)に基づく乱雑な環境における逐次的オブジェクト選択に対処する。 我々は、オブジェクト認識、デクラッタリング、マルチモーダルグルーピングを組み合わせた統合ハードウェア・ソフトウェアパイプラインを設計する。 このパイプラインは、粗い物体の効率的な認識、探索、シーケンシャルな把握を可能にし、実験室のテストと競争シナリオの両方で強力な性能を示す。
• 参考スコア（独自算出の注目度）: 7.66338350348287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a long-standing challenge in robotic manipulation, stable and efficient grasping in cluttered environments is of great importance in industrial settings. While recent studies have achieved relatively high success rates in grasping from clutter, there remain few mature solutions for more demanding tasks such as sequential object search and sorting. This work addresses sequential object picking in cluttered environments based on the Cluttered Environment Picking Benchmark (CEPB) and presents our solution to the Pick-in-Clutter track of the 10th Robotic Grasping and Manipulation Competition (RGMC) at ICRA 2025. The task poses several key challenges. First, it requires robust and collision-aware grasping with high success rates across a diverse set of objects, including both rigid and deformable ones. Second, it demands efficient search for target objects, which places stringent requirements on the decluttering and searching strategies of the solution. To address the above challenges, we design an integrated hardware-software pipeline that combines object recognition, decluttering, and multi-modal grasping. The main contributions include the hardware design of a multifunctional gripper and novel representations for object distribution and occlusion relationships in cluttered space. This pipeline enables efficient recognition, search, and sequential grasping of objects in clutter, demonstrating strong performance in both laboratory tests and competition scenarios, and ultimately achieving second place in the Pick-in-Clutter track of the RGMC 2025.
• Abstract（参考訳）: ロボット操作における長年の課題として、散在する環境における安定かつ効率的な把握は、産業環境において非常に重要である。 近年の研究では、乱雑な作業の把握において、比較的高い成功率を達成しているが、シーケンシャルなオブジェクト探索やソートといった、より要求の多いタスクに対する成熟したソリューションは、まだほとんど残っていない。 本研究は,CEPB (Cluttered Environment Picking Benchmark) に基づく乱雑な環境下での逐次的オブジェクト選択に対処し,ICRA 2025 での第10回ロボットグラスピング・マニピュレーションコンペティション (RGMC) のピック・イン・クラッター・トラックに提案する。 この課題にはいくつかの重要な課題がある。 まず、剛性と変形性の両方を含む、さまざまなオブジェクトセットに対して高い成功率で、堅牢で衝突を意識した把握が必要である。 第二に、ターゲットオブジェクトの効率的な探索を要求し、解の散布と探索の戦略に厳格な要求を課す。 上記の課題に対処するため、オブジェクト認識、デクラッタリング、マルチモーダルグルーピングを組み合わせた統合ハードウェア・ソフトウェアパイプラインを設計する。 主な貢献は、多機能グリップのハードウェア設計と、乱れ空間におけるオブジェクト分布と閉塞関係の新たな表現である。 このパイプラインは、粗い物体の効率的な認識、探索、シーケンシャルな把握を可能にし、実験室試験と競争シナリオの両方で強い性能を示し、最終的にRGMC 2025のピック・イン・クラッター・トラックで2位を獲得した。

関連論文リスト

• Advancing Complex Video Object Segmentation via Tracking-Enhanced Prompt: The 1st Winner for 5th PVUW MOSE Challenge [65.24213788883016]
  Complex Video Objectタスクでは、研究者は、散らかった環境の中で特定のターゲットを追跡し、セグメンテーションする必要がある。 この制限の根本原因は、SAM3がこれらの特定の標的種の理解が不十分であることにある。 我々はTEPを提案する: 追跡強化プロンプトによる複雑なビデオオブジェクトの改善。
  論文  参考訳（メタデータ） (2026-04-01T02:23:23Z)
• AeroGrab: A Unified Framework for Aerial Grasping in Cluttered Environments [0.5377664327091393]
  乱雑な環境下での信頼性の高い空中把握のための統合パイプラインを提案する。 システムは対象オブジェクトを特定し、オブジェクトのより良いビューを得るために積極的に探索する。 乱雑な実世界のシナリオにおける実験は、堅牢で信頼性の高い把握実行を示している。
  論文  参考訳（メタデータ） (2026-03-16T10:50:03Z)
• Corner-Grasp: Multi-Action Grasp Detection and Active Gripper Adaptation for Grasping in Cluttered Environments [0.3565151496245486]
  本研究では, 散在したビンピッキング環境において, 効果的に把握する手法を提案する。 我々は吸引と指の握りを併用した多機能グリップを用いた。 また,グリップハードウェアと周辺環境との衝突を最小限に抑えるために,アクティブグリップの適応戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-02T16:12:28Z)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• Tracking through Containers and Occluders in the Wild [32.86030395660071]
  重い閉塞と封じ込めによる視覚追跡のための新しいベンチマークとモデルである$textbfTCOW$を紹介した。 我々は、教師付き学習とモデル性能の構造化評価の両方をサポートするために、合成データセットと注釈付き実データセットの混合を作成する。 最近の2つのトランスフォーマーベースビデオモデルを評価し,タスク変動の特定の設定下でターゲットを驚くほど追跡できるが,トラッキングモデルが真のオブジェクト永続性(permanence)の概念を獲得したと主張するまでには,かなりの性能差が残っていることを発見した。
  論文  参考訳（メタデータ） (2023-05-04T17:59:58Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Scene-Aware Ambidextrous Bin Picking via Physics-based Metaverse Synthesis [72.85526892440251]
  本稿では,物理に基づくメタバース合成により構築した大規模写真リアリスティックビンピックデータセットであるMetaGraspNetを紹介する。 提案データセットは,82種類の記事に対して217kのRGBD画像を含み,オブジェクト検出,アモーダル認識,キーポイント検出,操作順序,および並列ジャウと真空グリップパー用のアンビデクストグリップラベルの完全なアノテーションを備える。 また,2.3k以上の完全アノテートされた高品質なRGBD画像からなる実際のデータセットを5段階の難易度と,異なるオブジェクトおよびレイアウト特性を評価するための見えないオブジェクトセットに分割する。
  論文  参考訳（メタデータ） (2022-08-08T08:15:34Z)
• Self-Supervised Interactive Object Segmentation Through a Singulation-and-Grasping Approach [9.029861710944704]
  本稿では,新しいオブジェクトと対話し,各オブジェクトのトレーニングラベルを収集するロボット学習手法を提案する。 Singulation-and-Grasping(SaG)ポリシは、エンドツーエンドの強化学習を通じてトレーニングされる。 本システムは,シミュレートされた散文シーンにおいて,70%の歌唱成功率を達成する。
  論文  参考訳（メタデータ） (2022-07-19T15:01:36Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Tasks Integrated Networks: Joint Detection and Retrieval for Image Search [99.49021025124405]
  多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。 まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。 さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
  論文  参考訳（メタデータ） (2020-09-03T03:57:50Z)

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。