論文の概要: 1000 Rallies: An Event-Camera Dataset and Real-Time Learned Ball-State Estimation for Robotic Table Tennis

• arxiv url: http://arxiv.org/abs/2606.25620v1
• Date: Wed, 24 Jun 2026 09:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.295007
• Title: 1000 Rallies: An Event-Camera Dataset and Real-Time Learned Ball-State Estimation for Robotic Table Tennis
• Title（参考訳）: 1000 Rallies: ロボットテーブルテニスのイベントカメラデータセットと実時間学習型ボール状態推定
• Authors: Raphaela Kreiser, Asude Aydin, Yin Bi, Claudio Fanconi, Peter Dürr, Naoya Takahashi,
• Abstract要約: 本稿では,テーブルテニスのための大規模なイベントカメラデータセットについて紹介する。 我々は、背景選手の動きに頑健な畳み込みニューラルネットワークを訓練し、イベントから画像平面におけるボールの位置と速度を共同で推定する。 イベントベースのシステムをStubliロボットアームに統合することで、知覚行動ループを閉じる。
• 参考スコア（独自算出の注目度）: 9.183928190216532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic table tennis has emerged as a compelling benchmark for real-time robotic perception due to its fast ball dynamics and stringent timing requirements. Accurate, high-frequency, and low-latency ball state estimation is critical for reliable trajectory prediction and timely control. Traditional frame-based cameras face an inherent trade-off: low frame rates leave temporal blind spots that miss fast-moving objects and high frame rates raise data and computational cost. Event cameras instead offer microsecond temporal resolution and, under sufficient illumination, remain largely free of motion blur even at high ball speeds. However, the community lacks large-scale datasets to develop and benchmark event-based perception in realistic sports scenarios. We address this gap by introducing the first large-scale event-camera dataset for table tennis, comprising over 1000 rallies from a diverse group of players ranging from amateurs to elite-level athletes. Each recording captures the event stream alongside 14 synchronized high-speed frame-based cameras at 200 FPS, which we use to produce 1 kHz pseudo ground-truth labels for ball position, velocity, and spin. Building on this dataset, we train a convolutional neural network robust to background player motion that jointly estimates the ball's position and velocity in the image-plane from events. Treating the predicted velocity as an additional measurement in the Kalman filter reduces bounce-point prediction error by 36% relative to a position-only baseline. Finally, we close the perception-action loop by integrating the event-based system with a Stäubli robotic arm, enabling the first real-time human-robot table tennis rallies driven by event-based perception.
• Abstract（参考訳）: ロボットテーブルテニスは、高速ボールのダイナミクスと厳格なタイミング要求により、リアルタイムロボット知覚のための魅力的なベンチマークとして登場した。 高精度、高周波、低レイテンシの球状態推定は、信頼性の高い軌道予測とタイムリー制御に不可欠である。 従来のフレームベースのカメラは、本質的にトレードオフに直面している。低フレームレートは、高速で動く物体を見逃し、高いフレームレートでデータと計算コストを上昇させる時間的盲点を残している。 イベントカメラは、代わりにマイクロ秒の時間分解能を提供し、十分な照明の下では、高速でも動きのぼやけがほとんどない。 しかし、コミュニティには、現実的なスポーツシナリオにおけるイベントベースの認識を開発し、ベンチマークする大規模なデータセットが欠けている。 アマチュア選手からエリートレベルのアスリートまで,多種多様な選手のグループによる1000以上のラリーで構成された,テーブルテニスのための最初の大規模イベントカメラデータセットを導入することで,このギャップに対処する。 各記録は, 球の位置, 速度, 回転に対する1kHzの擬似グラウンドトラスラベルを生成するために, 14個の同期高速フレームベースカメラとともに200FPSでイベントストリームをキャプチャする。 このデータセットに基づいて、背景選手の動きに頑健な畳み込みニューラルネットワークをトレーニングし、イベントから画像プレーン内のボールの位置と速度を共同で推定する。 予測速度をカルマンフィルタの付加的な測定として扱うと、位置のみのベースラインに対してバウンス点予測誤差が36%減少する。 最後に、イベントベースのシステムをStäubliロボットアームに統合することにより、イベントベースの知覚によって駆動される最初のリアルタイム人間ロボットテーブルテニスラリーを可能にすることにより、知覚-行動ループを閉じる。

関連論文リスト

• Event-Based Visual Teach-and-Repeat via Fast Fourier-Domain Cross-Correlation [52.46888249268445]
  本稿では,最初のイベントカメラを用いた視覚指導・再生システムを提案する。 本研究では,イベントストリームマッチング問題を計算効率の良い空間乗算に変換する周波数領域相互相関フレームワークを開発した。 Prophesee EVK4 HDイベントカメラをAgileX Scout Miniロボットに搭載した実験では、自律走行が成功している。
  論文  参考訳（メタデータ） (2025-09-21T23:53:31Z)
• Egocentric Event-Based Vision for Ping Pong Ball Trajectory Prediction [17.147140984254655]
  本稿では,イベントカメラを用いたテーブルテニスにおけるリアルタイムなエゴセントリックな軌道予測システムを提案する。 そこで我々は,メタプロジェクトAriaメガネのセンサデータと同期した球の3次元地下軌道を含むピンポンゲームシーケンスのデータセットを収集した。 我々の検出パイプラインは、計算と知覚を含む4.5msの最悪ケースの総レイテンシを持つ。
  論文  参考訳（メタデータ） (2025-06-09T15:22:55Z)
• An Event-Based Perception Pipeline for a Table Tennis Robot [12.101426862186072]
  本稿では,イベントベースカメラのみを用いた卓球ロボットのための,初めてのリアルタイム認識パイプラインを提案する。 フレームベースのパイプラインと比較して、イベントベースの知覚パイプラインは更新率が高く、桁違いに高いことを示す。
  論文  参考訳（メタデータ） (2025-02-02T10:56:37Z)
• Deblur e-NeRF: NeRF from Motion-Blurred Events under High-speed or Low-light Conditions [56.84882059011291]
  動き赤外イベントからぼやけた最小のNeRFを再構成する新しい手法であるDeblur e-NeRFを提案する。 また,大きなテクスチャレスパッチの正規化を改善するために,新しいしきい値正規化全変動損失を導入する。
  論文  参考訳（メタデータ） (2024-09-26T15:57:20Z)
• Table tennis ball spin estimation with an event camera [11.735290341808064]
  卓球では、高速とスピンの組み合わせは従来の低フレームレートカメラが不十分である。 本稿では,イベントカメラを用いたテーブルテニススピン推定法を提案する。 我々は、スピン等級平均誤差が10.7 pm 17.3$ rps、スピン軸平均誤差が32.9 pm 38.2deg$をリアルタイムで空飛ぶボールに対して達成する。
  論文  参考訳（メタデータ） (2024-04-15T15:36:38Z)
• EvDNeRF: Reconstructing Event Data with Dynamic Neural Radiance Fields [80.94515892378053]
  EvDNeRFは、イベントデータを生成し、イベントベースの動的NeRFをトレーニングするためのパイプラインである。 NeRFは幾何学ベースの学習可能なレンダリングを提供するが、イベントの以前の作業は静的なシーンの再構築のみを考慮していた。 各種イベントのバッチサイズをトレーニングすることにより、微細な時間解像度でイベントのテスト時間予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T21:08:41Z)
• EV-Catcher: High-Speed Object Catching Using Low-latency Event-based Neural Networks [107.62975594230687]
  イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。 イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。 計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
  論文  参考訳（メタデータ） (2023-04-14T15:23:28Z)
• Fast Trajectory End-Point Prediction with Event Cameras for Reactive Robot Control [4.110120522045467]
  本稿では,これらの問題を克服するために,イベントカメラの低レイテンシ,動作駆動サンプリング,データ圧縮特性を活用することを提案する。 ユースケースとして、私たちはパンダのロボットアームを使って、テーブルの上で跳ねるボールをインターセプトします。 シミュレーションでネットワークをトレーニングし、データセットの取得を高速化し、実際の軌道上でモデルを微調整します。
  論文  参考訳（メタデータ） (2023-02-27T14:14:52Z)
• ESL: Event-based Structured Light [62.77144631509817]
  イベントカメラはバイオインスパイアされたセンサーであり、標準的なカメラよりも大きな利点がある。 本稿では,イベントカメラを用いた新しい構造化光システムを提案し,高精度かつ高速な深度センシングの課題に対処する。
  論文  参考訳（メタデータ） (2021-11-30T15:47:39Z)

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。