論文の概要: HarvestPoint-ACT: Explicit Target Selection and Harvest-Point Conditioning for Robotic Fruit Harvesting under Occlusion

• arxiv url: http://arxiv.org/abs/2608.18446v1
• Date: Wed, 19 Aug 2026 02:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.25583
• Title: HarvestPoint-ACT: Explicit Target Selection and Harvest-Point Conditioning for Robotic Fruit Harvesting under Occlusion
• Title（参考訳）: Harvest Point-ACT:オクルージョン下でのロボット果実収穫における目標選択とハーベストポイント条件
• Abstract要約: エンド・ツー・エンドの模倣学習は、手作りのロボットの動きを回避して接近・把握するが、どの果物を選ぶか、どこでグリップを閉じるかは政策が決める必要がある。 本稿では,HarvestPoint-ACTについて述べる。
• 参考スコア（独自算出の注目度）: 11.478098745399777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end imitation learning avoids hand-made robot motion for approaching and grasping, but the policy must still decide which fruit to pick and where to close the gripper. Occlusion can make the policy lose the selected fruit during harvesting, and the correct closing point is difficult to infer from pixels alone. This paper presents HarvestPoint-ACT, which makes both decisions explicit in perception and provides them to the policy. An instance segmentation front end with a keypoint branch predicts a mask and a harvest point for each visible fruit, where the harvest point specifies the location to close the gripper. A scheduler ranks detected candidates by occlusion and travel distance and selects one target. After each attempt, it redetects and reranks the candidates because the canopy may have changed. The selected fruit is encoded for an action chunking transformer as an eight-dimensional state, containing the absolute harvest point, the vector from the gripper to that point, a validity flag, and a confidence score. When the selected fruit is temporarily undetected, the system retains the last harvest point estimate in the robot base frame and marks it as stale, and aborts the attempt if the loss persists. On a canopy mock-up, HarvestPoint-ACT achieves a success rate of 88%, and of 75% under heavy occlusion.
• Abstract（参考訳）: エンド・ツー・エンドの模倣学習は、手作りのロボットの動きを回避して接近・把握するが、どの果物を選ぶか、どこでグリップを閉じるかは政策が決める必要がある。 排卵は、収穫中に選択した果実を失くし、正確な閉点を画素のみから推測することは困難である。 本稿では,HarvestPoint-ACTについて述べる。 キーポイント分岐を有するインスタンスセグメンテーションフロントエンドは、収穫点がグリッパーを閉じる位置を特定する場合、可視果実毎にマスクと収穫点を予測する。 スケジューラは、検出された候補を閉塞と走行距離でランク付けし、1つのターゲットを選択する。 それぞれの試みの後、キャノピーが変化した可能性があるため、候補を再検討し、再選する。 選択された果実は、絶対収穫点と、グリップからその点までのベクトルと、妥当性フラグと、信頼スコアとを含む8次元状態のアクションチャンキング変圧器に符号化される。 選択された果実が一時的に検出されない場合には、ロボットベースフレームに最後の収穫点の推定を保持し、その損失が持続した場合は、それを古いものとマークし、試行を中止する。 キャノピーモックアップでは、HarvestPoint-ACTは88%の成功率、75%の重閉塞で達成される。

関連論文リスト

• SoK: Intent-Oriented Systematization of Multi-Turn LLM Jailbreaks [69.08780911753102]
  マルチターンジェイルブレイクはターン間で有害なインテントを前進させることでパターンを利用するため、単一のメッセージが完全な目的を公開することはない。 敵意構造を用いて多ターンジェイルブレイクを組織する4部構成の意図指向分類法を開発した。
  論文  参考訳（メタデータ） (2026-08-02T09:24:08Z)
• An analysis of sensor selection for fruit picking with suction-based grippers [2.531608511874342]
  本稿では, 吸入型リンゴグリップに組み込んだマルチモーダルセンシングスイートについて検討する。 我々のアプローチは、どのセンサーがピックの異なる段階で最も有益であるかを識別し、障害が発生する前に予測的な検出を可能にするため、独特である。 本物のリンゴ果樹園での実験では、ランダムフォレストと多層パーセプトロンの分類器が、90%以上の精度でピックと差し迫った失敗を検知している。
  論文  参考訳（メタデータ） (2026-04-27T18:39:21Z)
• Occlusion Handling by Pushing for Enhanced Fruit Detection [1.2489632787815885]
  この研究は、果実の視界を阻害する枝を駆除し、その視界を高めることを目的としている。 我々は,RGB画像中の隠蔽果実を検出し,その隠蔽部位を深度空間のディープラーニング生成モデルを用いて推定する。 本手法では,果実の外観推定にはディープラーニング,プッシュ方向決定には古典的画像処理,分岐検出には3次元ハフ変換を用いる。
  論文  参考訳（メタデータ） (2026-04-07T18:21:04Z)
• How to rewrite the stars: Mapping your orchard over time through constellations of fruits [8.064400168497373]
  本稿では,ビデオ間での果実のマッチング問題に対処する新たなパラダイムを提案する。 提案手法は, ビデオや時間を通して, 果実のマッチングに有効である。 果樹園の地図を作り、その後6DoFでカメラのポーズを見つけるために使うこともできる。
  論文  参考訳（メタデータ） (2026-02-04T16:31:32Z)
• Cherry Yield Forecast: Harvest Prediction for Individual Sweet Cherry Trees [0.0]
  本論文は,サツマイモのデジタル双生児を育成することを目的とした,For5Gプロジェクトの出版シリーズの一部である。 対象物が手動で数えられる場合, サツマイモの収量予測が可能であるとともに, 同様の精度で自動的特徴抽出が未解決の課題であることが結論された。
  論文  参考訳（メタデータ） (2025-03-26T10:50:02Z)
• Deceptive Sequential Decision-Making via Regularized Policy Optimization [54.38738815697299]
  我々は,自律的なシステムをマルコフ決定プロセスとしてモデル化し,逆強化学習を用いて報酬関数を復元する。 本稿では,システム報酬に対する敵意を積極的に欺く政策合成問題に対する3つの規則化戦略を示す。 我々は,その最適かつ非知覚的価値の少なくとも97%の累積報酬を達成しつつ,反逆的,標的的,公平な詐欺が虚偽の信念に逆らうことを示している。
  論文  参考訳（メタデータ） (2025-01-30T23:41:40Z)
• Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Colored Point Clouds [29.23207854514898]
  本研究では, 時間とともに収集された3次元地上点雲における実例分割と再同定のための新しい手法を提案する。 提案手法は, 濃密な色の点雲を直接操作し, きめ細かい3次元空間的詳細を捉える。 イチゴとリンゴの実際のデータセットに対する我々のアプローチを評価し、インスタンスのセグメンテーションと時間的再同定の両方において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T13:53:22Z)
• A pipeline for multiple orange detection and tracking with 3-D fruit relocalization and neural-net based yield regression in commercial citrus orchards [0.0]
  本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。 そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。 果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
  論文  参考訳（メタデータ） (2023-12-27T21:22:43Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• 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)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• 6DoF Object Pose Estimation via Differentiable Proxy Voting Loss [113.72905482334767]
  我々は,投票手順における仮説選択を模倣した,微分可能な代行投票損失(DPVL)を開発する。 LINEMOD と Occlusion LINEMOD という,広く使用されているデータセットの実験により,DPVL がポーズ推定性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-02-10T16:33:33Z)

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。