論文の概要: Pedicel-Targeted Strawberry Harvesting via Imitation Learning on a Low-Cost Teleoperated Robotic Arm

• arxiv url: http://arxiv.org/abs/2610.22765v1
• Date: Fri, 16 Oct 2026 00:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.718939
• Title: Pedicel-Targeted Strawberry Harvesting via Imitation Learning on a Low-Cost Teleoperated Robotic Arm
• Title（参考訳）: 低速度遠隔操作型ロボットアームを用いた擬似学習によるペディケル標的のイチゴ収穫機
• Abstract要約: 本研究は, ペディセルをターゲットとしたイチゴ収穫のための模擬学習パイプラインを提案する。 人間の遠隔操作デモの収集から知覚、運動計画、接触操作を統一する。 訓練された政策は、130回のデモで100K以上の勾配ステップで2.84から0.091までの一貫した損失収束を達成した。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise pedicel-targeted grasping in strawberry harvesting remains a critical bottleneck due to the pedicel's small diameter (1.3-3 mm), color similarity with surrounding foliage, and precise force control required for clean abscission zone detachment. As a market-grade crop, strawberry aesthetic value makes bruise-free pedicel detachment essential over direct fruit grasping. Classical approaches struggle to unify vision models, motion planning, and contact manipulation into a robust framework, particularly in occluded canopy environments. Therefore, this work presents a visuomotor imitation learning pipeline for pedicel-targeted strawberry harvesting that unifies perception, motion planning, and contact manipulation from collecting human teleoperation demonstrations, training an Action Chunking with Transformers (ACT) policy with a ResNet-50 visual backbone, and deploying the learned policy autonomously on a Jetson AGX Orin edge platform at 15 Hz. The trained policy achieved consistent loss convergence from 2.84 to 0.091 over 100K gradient steps on 130 demonstrations. We have also established a reproducible open-source pipeline with publicly released dataset and model weights for the agricultural robotics community. Full dataset is available at, https://huggingface.co/datasets/nitindominicrai/strawberry_pedicel_grasp_teleoperation and trained policy at, https://huggingface.co/nitindominicrai/act_strawberry_pedicel. To replicate this work, all code, configurations, and deployment instructions are publicly available at, https://github.com/nitin-dominic/autonomous_strawberry_pedicel_harvesting.
• Abstract（参考訳）: イチゴ収穫における精密なペディケル捕捉は、ペディデルの直径が小さい(1.3-3mm)こと、周囲の葉と色が似ていること、清潔な吸収帯剥離に必要な精密な力制御が原因で、依然として重要なボトルネックとなっている。 市場グレードの作物として、イチゴの美的価値は、直接の果実の収穫に欠かせないブルーズフリーのペディデル剥離をもたらす。 古典的なアプローチは、特に閉鎖された天蓋環境において、視覚モデル、運動計画、接触操作を堅牢なフレームワークに統一するのに苦労する。 そこで本研究では,ヒトの遠隔操作デモの収集,ResNet-50視覚バックボーンを用いたACT(Action Chunking with Transformers)ポリシのトレーニング,およびJetson AGX Orinエッジプラットフォームにおける学習方針の自律的展開から,知覚,運動計画,接触操作を統一するペディデル標的イチゴ収穫用ビズモトール模倣学習パイプラインを提案する。 訓練された政策は、130回のデモで100K以上の勾配ステップで2.84から0.091までの一貫した損失収束を達成した。 私たちはまた、農業ロボティクスコミュニティのためのデータセットとモデルウェイトを備えた再現可能なオープンソースパイプラインを構築しました。 完全なデータセットは、https://huggingface.co/datasets/nitindominicrai/strawberry_pedicel_grasp_teleoperation, https://huggingface.co/nitindominicrai/act_strawberry_pedicelで利用可能である。 この作業を再現するために、すべてのコード、設定、デプロイメント手順がhttps://github.com/nitin-dominic/autonomous_strawberry_pedicel_harvestingで公開されている。

関連論文リスト

• Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning [19.40719295018329]
  休眠木刈りは労働集約的であるが、現代の高生産性果樹園を維持するには不可欠である。 ロボットプルーニングのためのクローズドループビズモータコントローラを学習するためのエンドツーエンドパイプラインを提案する。 このコントローラは、シミュレーションと合成生成データを用いて完全に訓練され、ゼロショット方式で実際の果樹園に展開される。
  論文  参考訳（メタデータ） (2026-09-21T17:09:58Z)
• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• FetchMan: Learning Visual Humanoid Loco-Manipulation Policies from Simulated Experiences [27.81769516494806]
  我々は、新しいシーンやオブジェクトに一般化できる視覚的ロコ操作ポリシーを訓練する。 その結果, 合成デモのクローン化は, トレーニングデータの量に関係なく, 低い性能の天井となることがわかった。 我々はこのレシピをマルチオブジェクトトレーニングに拡張し、このデータスケールでのloco-manipulation Generalistポリシーへの第一歩とする。
  論文  参考訳（メタデータ） (2026-08-17T18:24:41Z)
• SceneBot: Contact-Prompted General Humanoid Whole Body Tracking with Scene-Interaction [32.59977549939513]
  現在のヒューマノイド強化学習政策は、自由空間運動において優れているが、接触に富むタスクに苦慮している。 SceneBotは、自由空間の移動と全身操作を扱える統合されたモーショントラッキングフレームワークである。 この結果から,SceneBotは,複雑な長期タスクを実行する自由空間とコンタクトリッチな動作をシームレスに統一する最初の汎用フレームワークであることが示された。
  論文  参考訳（メタデータ） (2026-06-25T22:13:29Z)
• Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models [95.75234389806654]
  本稿では、Qwen-VL上に構築された一般化可能なビジョン・ランゲージ・アクション基盤モデルであるQwen-RobotManipを提案する。 Qwen-RobotManipは、操作の表現、動き、行動の次元にわたって統合されたアライメントフレームワークを導入している。 人間とロボットの合成パイプラインは、エゴセントリックな手の動きを15プラットフォームにわたるロボットの軌道に変換する。
  論文  参考訳（メタデータ） (2026-06-16T12:14:39Z)
• DINOv3 Visual Representations for Blueberry Perception Toward Robotic Harvesting [10.977118601343797]
  この研究は、DINOv3をブルーベリーロボット収穫関連視覚タスクの冷凍バックボーンとして評価する。 果実や青果物のセグメンテーションや、果物やクラスターの検出が含まれる。 全体として、DINOv3はエンドツーエンドのタスクモデルではなく、セマンティックなバックボーンと見なされている。
  論文  参考訳（メタデータ） (2026-03-02T22:01:25Z)
• Local Policies Enable Zero-shot Long-horizon Manipulation [80.1161776000682]
  ManipGenを紹介します。これはsim2real転送のための新しいポリシーのクラスであるローカルポリシーを活用します。 ManipGenは、SayCan、OpenVLA、LLMTrajGen、VoxPoserといったSOTAアプローチを、50の現実世界操作タスクで36%、76%、62%、60%で上回っている。
  論文  参考訳（メタデータ） (2024-10-29T17:59:55Z)

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。