論文の概要: Reinforcement Learning for the Full Strawberry Harvesting Process: Obstacle Separation, Detachment, and Placement

• arxiv url: http://arxiv.org/abs/2607.14708v1
• Date: Thu, 16 Jul 2026 08:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.040529
• Title: Reinforcement Learning for the Full Strawberry Harvesting Process: Obstacle Separation, Detachment, and Placement
• Title（参考訳）: フルストローベリーハーベスティングプロセスの強化学習:障害物分離, 剥離, 配置
• Abstract要約: 位相調整による政策駆動型強化学習フレームワークを開発した。 共有インタラクション対応ポリシは、すべてのタスクフェーズにわたるカルテシアン動作を生成する。 その結果、相互作用認識による収穫行動が、構造的に異なるロボットプラットフォームに効果的に伝達されることを示した。
• 参考スコア（独自算出の注目度）: 1.9668167574614699
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Severe occlusions and deformable plant structures introduce complex contact dynamics that challenge robotic strawberry harvesting. A policy-driven reinforcement learning (RL) framework with heuristic phase coordination was developed, in which obstacle separation, fruit detachment, and placement were formulated as a sequential decision-making task. A shared interaction-aware policy generated Cartesian motions across all task phases, while lightweight heuristic logic coordinated task progression and gripper events. A shared structured observation space was used to represent target, obstacle, end-effector, and task-context information. A hierarchical architecture combined the high-level policy with low-level Cartesian impedance control for compliant interaction. To support zero-shot sim-to-real transfer, feasibility-first observation alignment and domain randomization were adopted. The policy achieved success rates of 89.7% in simulation and 82.0% in real-world experiments. As the occlusion level increased from 1 to 5, the average execution time increased from 12.99 s to 21.73 s, reflecting greater interaction complexity. These results demonstrated effective transfer of interaction-aware harvesting behaviors to a structurally different robotic platform.
• Abstract（参考訳）: 激しい閉塞と変形可能な植物構造は、ロボットイチゴの収穫に挑戦する複雑な接触力学を導入している。 相調整型政策駆動強化学習(RL)フレームワークを開発し, 障害分離, 果実剥離, 配置を逐次意思決定タスクとして定式化した。 共有インタラクション対応ポリシは、すべてのタスクフェーズにわたるカルテシアン動作を生成し、軽量なヒューリスティック論理はタスク進行とグリッパーイベントを調整する。 共有された構造化された観測空間は、ターゲット、障害物、エンドエフェクタ、タスクコンテキスト情報を表すために使われた。 階層的なアーキテクチャは、高レベルなポリシーと低レベルなカルテシアンインピーダンス制御を組み合わせた。 ゼロショットsim-to-real転送をサポートするために、ファシビリティファーストの観察アライメントとドメインランダム化が採用された。 この政策は、シミュレーションで89.7%、実世界の実験で82.0%の成功率を達成した。 閉塞レベルが1から5に増加すると、平均実行時間は12.99秒から21.73秒に増加し、相互作用の複雑さが増した。 これらの結果は, 相互作用を考慮した収穫行動が, 構造的に異なるロボットプラットフォームに効果的に伝達されることを証明した。

関連論文リスト

• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• Vision-Based Obstacle Separation for Strawberry Harvesting in Clusters Using Hierarchical Reinforcement Learning [3.314102272774147]
  VGPAは、視覚誘導決定機構とプログレッシブ適応探索戦略を統合している。 シミュレーション実験では、学習されたポリシーは96.7%の成功率を達成した。 自己開発型並列ロボットを用いた実物間移動実験により、提案手法は71.7%から88.3%の範囲で成功率を達成した。
  論文  参考訳（メタデータ） (2026-07-15T13:07:25Z)
• Rethinking Air-Ground Collaboration: A Progressive Cross-Task Benchmark and Socialized Learning Framework [12.881497228808078]
  社会的共知覚(Socialized Co-Perception, SCP)は、航空的グローバルローカライゼーションからグラウンドターゲット・アソシエーション、アイデンティティ・アウェア・パーシングまで、段階的にコラボレーションを組織する。 SCPは3.73%の進化的増加と7.86%のダウンストリーム性能向上を実現している。
  論文  参考訳（メタデータ） (2026-06-17T09:17:55Z)
• XDomainBench: Diagnosing Reasoning Collapse in High-Dimensional Scientific Knowledge Composition [55.07589952126153]
  XDomainBenchは、インタラクティブな学際的科学的推論のための診断ベンチマークである。 合成順序と混合構造を定式化し, 単科目から学際間への系統的ストレステストを可能にする。 LLMの大規模評価は、組成の順序が増加するにつれて、体系的な推論の崩壊が明らかになる。
  論文  参考訳（メタデータ） (2026-05-14T12:19:19Z)
• Beyond Self-Play: Hierarchical Reasoning for Continuous Motion in Closed-Loop Traffic Simulation [8.157621070273736]
  本稿では,ハイレベルなマルチエージェント相互作用推論と低レベルな連続軌道実現を組み合わせた階層型アーキテクチャを提案する。 SUMOをベースとした都市ネットワーク上での実験により,提案手法は自己再生や受動的模倣のベースラインと比較して,スムーズな制御と安全性を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-09T20:31:34Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• Learning Sidewalk Autopilot from Multi-Scale Imitation with Corrective Behavior Expansion [49.12280766257823]
  サイドウォークのマイクロモビリティは、ラストマイル輸送にとって有望なソリューションである。 現在の学習に基づく制御手法は複雑な都市環境において困難である。 本稿では,修正行動拡張とマルチスケール模倣学習を通じて模倣学習を促進するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T19:41:21Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions [58.329946838699044]
  人間は、明示的な全身運動のレベルで、物体と全身の相互作用を計画することは滅多にない。 このような事前のスケーリングは、ヒューマノイドがロコ操作スキルの構築と一般化を可能にする鍵となる。 我々は,強化学習による大規模模倣事前学習とポストトレーニングを通じて,統合生成コントローラを学習するフレームワークであるInterPriorを紹介する。
  論文  参考訳（メタデータ） (2026-02-05T18:59:27Z)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)
• Latent Exploration for Reinforcement Learning [87.42776741119653]
  強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。 LATent TIme-Correlated Exploration (Lattice)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:40:43Z)
• Decentralized Motion Planning for Multi-Robot Navigation using Deep Reinforcement Learning [0.41998444721319217]
  本研究は、深層強化学習を用いたマルチロボットナビゲーションの課題に対処するための分散型モーションプランニングフレームワークを提案する。 共通かつ共有的な政策学習による分散的な行動計画の概念が採用され、このアプローチの堅牢なトレーニングとテストが可能となった。
  論文  参考訳（メタデータ） (2020-11-11T07:35:21Z)

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。