論文の概要: Remote Human and Robot Interaction for Greenhouse Gardening Using Virtual Reality
- arxiv url: http://arxiv.org/abs/2608.27545v1
- Date: Thu, 27 Aug 2026 16:37:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.10325
- Title: Remote Human and Robot Interaction for Greenhouse Gardening Using Virtual Reality
- Title（参考訳）: バーチャルリアリティを用いた温室ガーデニングのための遠隔人間とロボットのインタラクション
- Abstract要約: 本研究は, 温室環境における葉の検査と土壌水分評価のためのバーチャルリアリティを用いた遠隔ロボットインタラクションの有効性を評価するものである。
ロボットシステムは無人の地上車両とカメラを備えたロボットマニピュレータで構成されていた。
- 参考スコア（独自算出の注目度）: 0.7734726150561088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study evaluates the effectiveness of remote human-robot interaction using virtual reality for leaf inspection and soil moisture assessment in a greenhouse environment. The robotic system comprised an unmanned ground vehicle and a robotic manipulator equipped with cameras, governed by kinematic models for navigation and manipulator control. Fourteen distinct plants were inspected across two experiments utilizing VR teleoperation, guided by a set of pre-specified research questions and hypotheses. In the leaf inspection experiments, cycle completion times varied from 3.3 to 8.0 s, and plant-based disease detection was achieved up to 88% accuracy; diseased-spot detection improved numerically in the second experiment, though this change was not statistically significant (p=0.378). For soil moisture assessment, the experiments achieved successful determination of watering needs in up to 64.3% of plants (9 of 14), with consistent success observed for plants 1, 2, 3, 8, 9, 10, and 13; however, this improvement was likewise not statistically significant (p=0.50). A post hoc analysis instead revealed that soil moisture assessment reliability was strongly and significantly predicted by plant canopy morphology (p<0.01): plants with broad, single-leaf canopies reached 100% success by the second experiment, versus only 16.7% for dense, compound canopies. A secondary analysis showed operators became measurably faster at attempting dense-canopy plants without a corresponding gain in success, indicating that camera occlusion, not operator skill or effort, is the dominant limiting factor. These findings show occlusion imposes a sensing limitation rather than a control or training deficiency, and that adapting camera viewpoint and sensing strategy to canopy density is needed to improve the system's accuracy and robustness.
- Abstract（参考訳）: 本研究は, 温室環境における葉の検査と土壌水分評価のためのバーチャルリアリティを用いた遠隔ロボットインタラクションの有効性を評価するものである。
ロボットシステムは無人の地上車両とカメラを備えたロボットマニピュレータで構成され、ナビゲーションとマニピュレータ制御のためのキネマティックモデルによって制御された。
VR遠隔操作を利用した2つの実験で14の異なる植物が検査され、事前に特定された研究課題と仮説が導かれた。
葉の検査実験では, サイクル完了時間は3.3秒から8.0秒に変化し, 植物由来の病原体検出は88%まで精度が向上し, 第2実験では病原体検出が数値的に改善したが, 統計的に有意な変化はなかった(p=0.378)。
土壌水分評価では、植物のうち最大64.3%(14点中9点)で、植物1, 2, 3, 8, 9, 10, 13点において一貫した成功が得られたが、同様に統計学的に有意ではなかった(p=0.50点)。
ポストホック分析の結果、土壌水分評価の信頼性は植物天蓋形態学(p<0.01)によって強く予測され(p<0.01)、広い単葉の天蓋を持つ植物は第2の実験で100%成功し、密度の高い複合天蓋では16.7%に過ぎなかった。
二次分析では、オペレーターは、成功率を伴わずに密林植物を試すのが著しく速くなり、オペレーターのスキルや努力ではなく、カメラの閉塞が支配的な制限要因であることが示唆された。
これらの結果から,オクルージョンはコントロールやトレーニングの欠如よりもセンサの限界を課し,カメラの視点とセンサ戦略をキャノピー密度に適応させることで,システムの精度とロバスト性を向上させることが示唆された。
関連論文リスト
- Lightweight Vision Transformer Compression for On-Device Plant Disease Detection in Resource-Constrained Agricultural Field Conditions [1.5530227558314913]
ビジョントランスフォーマー(ViT)は高い分類精度を達成したが、その大きな計算フットプリントはリソース制約されたデバイスへの展開を困難にしている。
本稿では,2次感度推定によって導かれるH-BACと,量子化と注意に基づく知識蒸留を組み合わせた統合されたビジョントランスフォーマー圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-04T16:40:06Z) - EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards [73.12811119273206]
我々は,包括的調査を通じて科学的エージェントを評価するベンチマークであるEarthVerseを紹介する。
エージェントは異種イベントパッケージを検査し、互換性のあるエビデンスを選択し、透過的な計算を実行し、ソース差を調整し、最終回答で証明を保存する。
システム全体では、平均回答ユニットの精度は84.65%であり、最も高いStrict@95は34.81%である。
論文 参考訳（メタデータ） (2026-08-24T17:29:16Z) - Lake Detection and Water Quality Estimation in Sentinel-2 Data [42.17343824099138]
水域の識別とモニタリングのための3つの異なる機械学習アーキテクチャを調査・比較する。
それらのパフォーマンスは、定量的メトリクスと実世界の例を通して評価される。
有意義な水質評価のための大きな課題は、スペクトル水指数の一貫性と解釈可能な可視化にある。
論文 参考訳（メタデータ） (2026-05-23T10:56:51Z) - Automated Detection of Abnormalities in Zebrafish Development [34.13586231002437]
本研究では,ゼブラフィッシュ胚発生の高分解能画像系列の大規模データセットを,条件および化合物曝露下で導入する。
本データセットは,(1)ゼブラの受精度分類,ゼブラフィッシュの卵の生存率の評価(130,368画像),(2)毒性評価,時間とともに有毒な曝露によって引き起こされる奇形の検出(55,296画像)の2つのベンチマークタスクをサポートする。
このデータセットの他に,ゼブラフィッシュ卵の特徴を組み込んだトランスフォーマーベースのベースラインモデルも提示し,初期発生の異常を予測した。
論文 参考訳（メタデータ） (2026-05-11T12:33:04Z) - DAONet-YOLOv8: An Occlusion-Aware Dual-Attention Network for Tea Leaf Pest and Disease Detection [2.661320179262946]
本報告では,茶葉害虫や病原体を正確に検出するための3つの改良点を有するYOLOv8変異体を提案する。
既存のNet-YOLOv8は92.97%の精度、92.80%のリコール、97.10%のmAP@50、76.90%のmAP@50:95を達成し、YOLOv8nベースラインをそれぞれ2.34、4.68、1.40、および1.80ポイント上回っている。
論文 参考訳（メタデータ） (2025-11-28T14:28:30Z) - Evaluating the Impact of Weather-Induced Sensor Occlusion on BEVFusion for 3D Object Detection [5.040917371256648]
3Dオブジェクト検出は、自動運転車が現実世界の環境で安全にナビゲートするために不可欠である。
Bird's Eye Viewは、マルチセンサーデータをトップダウン空間フォーマットに投影する。
BEVベースの核融合アーキテクチャはマルチモーダル統合により高い性能を示したが、センサの閉塞が3次元検出精度に与える影響は未解明のままである。
論文 参考訳（メタデータ） (2025-11-06T13:25:18Z) - RoMu4o: A Robotic Manipulation Unit For Orchard Operations Automating Proximal Hyperspectral Leaf Sensing [2.1038216828914145]
葉レベルハイパースペクトル分光法は、表現型化、作物の健康のモニタリング、植物中の必須栄養素の同定、病気や水ストレスの検出に強力なツールであることが示されている。
この研究は、果樹園操作のためのロボット操作ユニットであるRoMu4oを紹介した。
論文 参考訳（メタデータ） (2025-01-18T01:04:02Z) - Semantics-Aware Next-best-view Planning for Efficient Search and Detection of Task-relevant Plant Parts [3.9074818653555554]
トマトの収穫・脱葉を自動化するためには, 作業関連部位の探索と検出が重要である。
現在のアクティブビジョンアルゴリズムは、関連する部分と無関係な植物部位を区別できない。
本研究は,意味情報を用いて植物部位を識別するセマンティックス対応アクティブビジョン戦略を提案する。
論文 参考訳（メタデータ） (2023-06-16T12:22:19Z) - Generating high-quality 3DMPCs by adaptive data acquisition and
NeREF-based radiometric calibration with UGV plant phenotyping system [3.7387019397567793]
本研究では, 適応データ取得とラジオメトリックキャリブレーションにより高品質な3DMPCを生産する手法を提案する。
プラント全体のデータの完全性は、固定された視点のみと比較して平均23.6%向上した。
3Dキャリブレーションプラント3DMPCは、クロロフィル含有量のPLSRの予測精度を向上し、R2では平均0.07、RMSEでは平均21.25%向上した。
論文 参考訳（メタデータ） (2023-05-11T12:59:21Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z)
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。