論文の概要: A Modular Dual-Arm Apple Harvesting Robot with Enhanced Field Performance
- arxiv url: http://arxiv.org/abs/2606.14089v1
- Date: Fri, 12 Jun 2026 04:05:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.741887
- Title: A Modular Dual-Arm Apple Harvesting Robot with Enhanced Field Performance
- Title（参考訳）: フィールド性能を向上したモジュール型デュアルアーム型Appleハーベスティングロボット
- Authors: Keyi Zhu, Kyle Lammers, Chaaran Arunachalam, Kaixiang Zhang, Renfu Lu, Zhaojian Li,
- Abstract要約: 本稿では,モジュール式デュアルアーム型リンゴ収穫ロボットを提案する。
垂直に積み重ねられた腕を使って、1本の木の上部と下部のゾーンで同時に操作できる。
このシステムは実地試験で80.0%の成功率と7.53秒当たりの平均サイクルタイムを達成した。
- 参考スコア（独自算出の注目度）: 9.143833437514497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robotic apple harvesting offers a promising solution to labor shortages in commercial orchards, but low throughput and poor performance in orchard environments hinder its commercial adoption. This paper presents a modular dual-arm apple harvesting robot that uses a vertically stacked arms to enable simultaneous operation in the upper and lower zones of a single tree, simplifying platform positioning from multi-tree lateral repositioning to single-tree stops. Compared to our prior horizontal dual-arm system, the platform integrates 5 advances: (1)a foundation-model-based perception pipeline combining Grounding-DINO and EfficientViT-SAM for robust fruit localization in unstructured outdoor environments; (2)7th-order jerk-bounded trajectory generation paired with a Control Barrier Function safety filter to achieve fast yet safe arm motions; (3)a linear sweep harvesting strategy with a 10cm approach buffer and rotational detachment that improves picking reliability; (4)a temporal-logic-based dual-arm coordination policy with vision-arm async scheduling that maximizes usage of a shared vacuum source; and (5)field validation in 2 commercial orchards covering different apple varieties and tree architectures during the 2025 harvest season. Across the 1738 arm cycles collected in these field trials, the system achieved an 80.0% per-attempt success rate and a mean per-arm cycle time of 7.53s. Fruit damage assessments confirmed that 91.2% of robotically harvested fruit retained the highest USDA grade (Extra Fancy), with bruise rates between 2.4% and 4.9%. With further improvements in the picking cycle time and handling of heavy foliage occlusions, this new modular robot design holds promise for commercial harvesting of apples.
- Abstract（参考訳）: ロボットリンゴ収穫は、商業用果樹園での労働不足に対して有望な解決策を提供するが、果樹園環境における低スループットと低パフォーマンスは、その商業的採用を妨げる。
本稿では,垂直に積み重ねたアームで1本の木の上部と下部を同時に操作し,複数本の木の側方配置から1本の木の停止位置へのプラットフォーム配置を簡素化するモジュール式デュアルアームリンゴ収穫ロボットを提案する。
従来の水平式デュアルアームシステムと比較すると,(1)非構造屋外環境におけるロバストな果実ローカライゼーションのための基盤モデルベース認識パイプライン,(2)高速かつ安全なアーム動作を実現するための制御バリア機能フィルタと組み合わせた第7次ジャーク結合トラジェクトリー生成,(3)信頼性を向上する10cmアプローチバッファと回転分離による線形スイープ収穫戦略,(4)共有真空源の使用を最大化するビジョンアーム非同期スケジューリングによる時間ロジックベースデュアルアーム協調ポリシ,(5)収穫期間中のリンゴの品種と樹種をカバーした商業的果樹園における2つの検証,の5つの進歩が組み合わされている。
これらのフィールド試験で収集された1738のアームサイクル全体において、システムの平均アームサイクル時間は80.0%、平均アームサイクル時間は7.53秒に達した。
果実の損傷評価では、収穫された果実の91.2%がUSDA最高級(Extra Fancy)を維持しており、傷の率は2.4%から4.9%であった。
このモジュラーロボットの設計は、摘みサイクル時間の改善と重い葉の閉塞処理により、リンゴの商業収穫を約束している。
関連論文リスト
- Robotic Strawberry Harvesting with Robust Vision and Deep Reinforcement Learning based Sim-to-Real Control [0.8466401378239364]
本研究では,ロバストビジョンモジュール,シミュレーション学習型深部強化学習制御,ROSに基づく実ロボット実行を組み合わせたクローズドループロボットイチゴ収穫システムを提案する。
HRAttnEdge-YOLO26-segは,高分解能なP2ブランチ,セグメンテーションパスアテンション,エッジ教師ありプロトタイプ学習を組み込んだ改良型YOLO26セグアーキテクチャである。
制御のために、ターゲット条件付きPPOポリシーをアイザック研究所で訓練し、UR10eのスムーズな共同配置コマンドを生成する。
論文 参考訳（メタデータ） (2026-05-22T17:21:06Z) - Orchard: An Open-Source Agentic Modeling Framework [124.68499958175111]
スケーラブルなエージェントモデリングのためのオープンソースのフレームワークOrchardを紹介します。
Orchard Envは、サンドボックスライフサイクル管理のための再利用可能なプリミティブを提供する軽量環境サービスである。
Orchard Envの上に、3つのエージェントモデリングレシピを構築します。
論文 参考訳（メタデータ） (2026-05-14T16:35:12Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - Vision-guided Autonomous Dual-arm Extraction Robot for Bell Pepper Harvesting [4.438198824079228]
本稿では,屋外環境下でのベルペッパーの自律収穫に特化して設計されたデュアルアーム移動操作システムであるVADERについて述べる。
実生100秒未満の果実の収穫成功率を60%以上とし, 実生実環境下での試験により, システムの有効性を検証した。
頑健な知覚を支援するために,屋内領域と屋外領域にまたがる3,200以上の画像からなる階層的なデータセットを構築した。
論文 参考訳（メタデータ） (2026-03-14T15:25:35Z) - GDA-YOLO11: Amodal Instance Segmentation for Occlusion-Robust Robotic Fruit Harvesting [3.088218970976369]
本稿では,新しいアモーダルセグメンテーションモデル GDA-YOLO11 を用いた収穫フレームワークを提案する。
収量率は92.59%、85.18%、48.14%、22.22%に達する。
論文 参考訳（メタデータ） (2026-02-27T11:56:33Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - RoMu4o: A Robotic Manipulation Unit For Orchard Operations Automating Proximal Hyperspectral Leaf Sensing [2.1038216828914145]
葉レベルハイパースペクトル分光法は、表現型化、作物の健康のモニタリング、植物中の必須栄養素の同定、病気や水ストレスの検出に強力なツールであることが示されている。
この研究は、果樹園操作のためのロボット操作ユニットであるRoMu4oを紹介した。
論文 参考訳（メタデータ） (2025-01-18T01:04:02Z) - Precise Apple Detection and Localization in Orchards using YOLOv5 for Robotic Harvesting Systems [0.0]
対象検出モデル YOLOv5 を用いたリンゴ検出と位置推定のための新しい手法を提案する。
以上の結果から, YOLOv5モデルではリンゴ検出精度が約85%向上した。
論文 参考訳（メタデータ） (2024-05-10T06:17:00Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z)
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。