論文の概要: A Perception-Manipulation Robotics System for Food Cutting

• arxiv url: http://arxiv.org/abs/2607.04367v1
• Date: Sun, 05 Jul 2026 15:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.90948
• Title: A Perception-Manipulation Robotics System for Food Cutting
• Title（参考訳）: 食品切削用知覚操作ロボットシステム
• Authors: Xinyuan Luo, Wenzhen Yuan,
• Abstract要約: 本稿では,食品加工作業における知覚操作の枠組みについて述べる。 本システムでは, 所定の食品に適するナイフを選択するために, 予備的固定試薬の力データを利用するナイフ選択モジュールを特徴とする。 実験では, ナイフ選択モジュールは, 目に見えない食品で100%成功率を達成し, 固定政策, RL政策, 人体操作者との比較を行った。
• 参考スコア（独自算出の注目度）: 3.08959339014079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the development of cooking robots, mastering the task of cutting is crucial. A significant challenge lies in the diverse properties of food, which necessitate distinct cutting policies and even different knives for optimal processing. This paper presents a perception-manipulation framework for food-cutting tasks. Our system features a knife selection module that utilizes force data from a preliminary fixed trial cut to select the appropriate knife for the given food. This is followed by an adaptive cutting phase using reinforcement learning (RL) to balance cutting speed and energy efficiency. In our experiments, the knife selection module achieved 100% successful rate on unseen food, and we compared the performances of fixed policy, RL policy, with human operators. Our method not only achieves high performance but also demonstrates comparable results to those of human participants.
• Abstract（参考訳）: 調理ロボットの開発においては、切断作業の習得が不可欠である。 重要な課題は、食品の多様な性質であり、それは、異なる切断ポリシーと、最適な処理のための異なるナイフを必要とする。 本稿では,食品加工作業における知覚操作の枠組みについて述べる。 本システムでは, 所定の食品に適するナイフを選択するために, 予備的固定試薬の力データを利用するナイフ選択モジュールを特徴とする。 次に、強化学習(RL)を用いて、切断速度とエネルギー効率のバランスをとる適応的な切断フェーズが続く。 実験では, ナイフ選択モジュールは, 目に見えない食品で100%成功率を達成し, 固定政策, RL政策, 人体操作者との比較を行った。 提案手法は,高い性能を達成できるだけでなく,人間に匹敵する結果も示している。

関連論文リスト

• Diet Your LLM: Dimension-wise Global Pruning of LLMs via Merging Task-specific Importance Score [6.612630497074871]
  DIETは、次元レベルの粒度とタスク認識の選択を組み合わせた、トレーニング不要な構造化プルーニング手法である。 DIETプロファイルは、タスク毎に100のサンプルを使用して、タスク間でのアクティベーションのマグニチュードをプロファイルし、その後、多数決を適用して単一のグローバルマスクを構築する。 Gemma-2 2Bおよび9Bモデルを用いた7つのゼロショットベンチマーク実験により、DIETの有効性が示された。
  論文  参考訳（メタデータ） (2026-03-25T06:28:58Z)
• How to Peel with a Knife: Aligning Fine-Grained Manipulation with Human Preference [73.16380468921543]
  ナイフを用いた剥離を例として,本質的な操作作業のための学習フレームワークを提案する。 本システムは,キュウリ,リンゴ,ジャガイモなどの難産品の平均成功率を90%以上達成する。 注目すべきは、単一の生産カテゴリで訓練されたポリシーは、カテゴリー内のインスタンスが見えないように、強いゼロショットの一般化を示すことである。
  論文  参考訳（メタデータ） (2026-03-03T18:59:32Z)
• The Overthinker's DIET: Cutting Token Calories with DIfficulty-AwarE Training [63.99981166397423]
  最近の大規模言語モデル(LLM)は印象的な推論を示すが、多くの場合、過度に長い応答を発生させ、効率を損なう。 そこで我々は,これらの「トーケンカロリー」を体系的に削減するフレームワークであるDIETを紹介した。 DIETはトークンペナルティ強度と条件付け対象長さを推定タスクの難易度に応じて調整することによりトークン圧縮戦略を動的に適用する。
  論文  参考訳（メタデータ） (2025-05-25T16:24:12Z)
• Learning to Cut via Hierarchical Sequence/Set Model for Efficient Mixed-Integer Programming [61.59888010725235]
  混合整数線形プログラム(MILP)の解法における切削平面(カット)の役割 カット選択ポリシーを学習するための新しい階層型シーケンス/セットモデル(HEM)を提案する。 HEMは、(P1)-(P3)を同時に扱う最初のデータ駆動手法である。
  論文  参考訳（メタデータ） (2024-04-19T05:40:25Z)
• Primitive Skill-based Robot Learning from Human Evaluative Feedback [28.046559859978597]
  強化学習アルゴリズムは、現実世界環境における長期ロボット操作タスクを扱う際に、課題に直面している。 本稿では,人間フィードバックからの強化学習(RLHF)と原始的スキルベース強化学習の2つのアプローチを活用する新しいフレームワークSEEDを提案する。 以上の結果から,SEEDはサンプル効率と安全性において最先端のRLアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-28T20:48:30Z)
• Learning Cut Selection for Mixed-Integer Linear Programming via Hierarchical Sequence Model [81.56473654324328]
  本稿では,強化学習によるカット選択ポリシーを学習するための新しい階層型シーケンスモデル(HEM)を提案する。 HEMはデータ駆動の観点から(P1)-(P3)のカット選択に対処できる最初の方法である。 実験の結果,HEMは人間設計および学習ベースラインと比較してMILPの解法効率を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-02-01T04:59:55Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Learning To Cut By Looking Ahead: Cutting Plane Selection via Imitation Learning [80.45697245527019]
  我々は、最良限の改善をもたらすカットを明示的に目指している欲求選択規則が、カット選択に対して強い決定を下すことを示す。 本研究では,頭頂部の専門家を対象とした模擬学習のための新しいニューラルアーキテクチャ(NeuralCut)を提案する。
  論文  参考訳（メタデータ） (2022-06-27T16:07:27Z)
• Learning to Select Cuts for Efficient Mixed-Integer Programming [46.60355046375608]
  複数インスタンス学習の設定において,データ駆動型で一般化可能なカット選択手法であるカットランキングを提案する。 カットランキングは、大規模MIPのための産業用解決器に展開されている。 解法の平均スピードアップ比は12.42%に達し、解の精度を損なうことなく製造された。
  論文  参考訳（メタデータ） (2021-05-28T07:48:34Z)

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。