論文の概要: V2F: Vision-Informed Grasp Force Prediction for Damage-Aware Robotic Handling of Date Fruits

• arxiv url: http://arxiv.org/abs/2607.19804v1
• Date: Wed, 22 Jul 2026 06:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.993007
• Title: V2F: Vision-Informed Grasp Force Prediction for Damage-Aware Robotic Handling of Date Fruits
• Title（参考訳）: V2F:果実の損傷を考慮したロボットハンドリングのための視覚インフォームドグラス力予測
• Abstract要約: 本稿では,果実のロボットハンドリングのための視覚インフォームド握力予測フレームワークを提案する。 筆者らはまず, 安全把握エンベロープを定義するために, 日付サンプルの機械的特徴付けを行う。 我々は,コンピュータビジョンに基づくセグメンテーション,アクティブ・コンチュア・リファインメント,幾何学的特徴抽出を組み合わせたビジョン・ツー・フォース・パイプラインを開発した。
• 参考スコア（独自算出の注目度）: 6.18893747907218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a vision-informed grasp force prediction framework for robotic handling of date fruits. Addressing the dual challenge of high detachment forces and low bruise thresholds, we first conduct mechanical characterization on date samples to define a safe grasping envelope and quantify the relationship between fruit geometry and bioyield stress. In this work, we develop a Vision-to-Force (V2F) pipeline that combines computer vision-based segmentation, active-contour refinement, and geometric feature extraction with a physics-informed residual neural network that augments a Hertz contact equation. The resulting model maps non-contact visual descriptors and cultivar metadata to predict a safe grasp force with mean validation performance of $R^2 \approx 0.7$ across unseen cultivar groups, which is a good result given the inherent mechanical variability of biological tissue. Experimental validation using a gripper and load cell indicates that the predicted forces enable stable manipulation of different types of date fruits, with residual deformations below 1 mm and no observable damage. These results show that pre-emptive, vision-driven force estimation% can replace slow and potentially damaging tactile exploration , enabling safer robotic handling of fragile fruits.
• Abstract（参考訳）: 本稿では,果実のロボットハンドリングのための視覚インフォームド握力予測フレームワークを提案する。 高い剥離力と低い損傷閾値の2つの課題に対処するため,我々はまず,安全把握エンベロープを定義し,果実形状と生物収量ストレスの関係を定量化するために,日付試料の機械的特性評価を行った。 本研究では,コンピュータビジョンに基づくセグメンテーション,能動輪郭改良,幾何学的特徴抽出と,ヘルツの接触方程式を増大させる物理インフォームド残差ニューラルネットワークを組み合わせたビジョン・ツー・フォース(V2F)パイプラインを開発する。 その結果,非接触型ビジュアルディスクリプタと品種メタデータをマッピングし,生物組織固有の機械的多様性を考慮し,R^2 \approx 0.7$の平均的検証性能を推定した。 グリップとロードセルを用いた実験的検証により、予測された力は1mm以下の残留変形と観察可能な損傷を伴わず、異なる種類の日付果実を安定に操作できることが示唆された。 これらの結果は、先入観的力推定%が、遅く有害な触覚探索に取って代わり、脆弱な果実のより安全なロボットハンドリングを可能にしていることを示している。

関連論文リスト

• An Early Warning of Emerging Biosecurity Risks in Frontier LLMs [62.01705276160883]
  Intern-BioBreakerは、特殊な生体赤チームモデルであり、計算と物理を統合したフレームワークである。 このフレームワーク内では、Intern-BioBreakerがターゲットのjailbreakプロンプトを生成して、アライメントされたモデルを誘導して運用ガイダンスを提供することができるかどうかをテストする。 本評価では,テキストレベルの保護と,有能な科学モデルによるリスクとのギャップを明らかにする。
  論文  参考訳（メタデータ） (2026-07-20T15:26:23Z)
• Few-Shot Hyperspectral Aphid Detection via FastGAN Synthetic Data Generation, Transformer-Based Classification and Explainable AI [0.0]
  FastGANは、健康およびアフィドに感染したサンプルを含むファバ豆葉の超スペクトルSIDデータセットを増強するために用いられた。 訓練された発電機は1万枚の合成画像を作成し、実際の試料の構造とスペクトル特性を保存した。
  論文  参考訳（メタデータ） (2026-06-19T09:45:54Z)
• SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
  SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。 それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-18T07:47:28Z)
• Robotic Fruits with Tunable Stiffness and Sensing: Towards a Methodology for Developing Realistic Physical Twins of Fruits [6.6075314860248895]
  世界のアグリフード部門は、労働力不足、高い消費者需要、サプライチェーンの破壊といった課題に直面している。 微妙な果実の柔らかいグリッパーの評価と訓練は, 天然物の機械的特性が高度に変化するため, 依然として困難である。 既存のテストプラクティスは、この変動を捉えるために大量の実の果実に依存しており、非効率性、高いコスト、無駄につながります。 この研究は、ロボットの物理的双生児が実の果実と似た硬さを調整できることを約束している。
  論文  参考訳（メタデータ） (2026-02-20T23:40:16Z)
• Importance of localized dilatation and distensibility in identifying determinants of thoracic aortic aneurysm with neural operators [0.12491670910781398]
  胸部大動脈瘤(TAA)は,大動脈壁への機械的・機械的破壊から生じる。 ここでは、有限要素フレームワークを用いて、数百の異種侮辱から合成TAAを生成する。 局所的な拡張と拡張性の空間マップを構築し、ニューラルネットワークをトレーニングし、組み合わせた侮辱の開始を予測する。
  論文  参考訳（メタデータ） (2025-09-30T17:34:59Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• SugarViT -- Multi-objective Regression of UAV Images with Vision Transformers and Deep Label Distribution Learning Demonstrated on Disease Severity Prediction in Sugar Beet [3.2925222641796554]
  この研究は、大規模植物固有の特徴アノテーションを自動化するための機械学習フレームワークを導入する。 我々は、SugarViTと呼ばれる重症度評価のための効率的なビジョントランスフォーマーモデルを開発した。 この特殊なユースケースでモデルは評価されるが、様々な画像に基づく分類や回帰タスクにも可能な限り汎用的に適用可能である。
  論文  参考訳（メタデータ） (2023-11-06T13:01:17Z)
• PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
  リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。 その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-27T16:56:28Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)

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。