文献

J-GLOBAL ID：201702291001655747   整理番号：17A0330101

表面パッチ対の把握ロバスト性の大規模教師つき学習【Powered by NICT】

Large-scale supervised learning of the grasp robustness of surface patch pairs

著者 (7件)： Seita Daniel (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA) ,  Pokorny Florian T. (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA) ,  Mahler Jeffrey (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA) ,  Kragic Danica (Computer Vision and Active Perception Lab, Centre for Autonomous Systems, School of Computer Science and Communication, KTH Royal Institute of Technology, Stockholm, Sweden) ,  Franklin Michael (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA) ,  Canny John (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA) ,  Goldberg Ken (The AUTOLAB, Department of Industrial Engineering and Operations Research and Electrical Engineering and Computer Sciences, University of California, Berkeley; Berkeley, CA 94720, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： SIMPAR  ページ： 216-223  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 平行顎把握のロバスト性は,姿勢と摩擦における摂動のモンテカルロサンプリングにより推定できるが,これは計算的に効率的ではない。代替え案として,著者らは,大規模な教師つき学習を用いた高速法を考察し,入力は二接触点の各々で局所表面パッチの記述である。ロバスト性は,Dexネット1.0を用いたMonte Carloサンプリングにより推定した百六十六万把持のコーパスの互いに素なサブセットを訓練し,試験した。二つの教師つき学習法の性能を比較するためにBIDMach機械学習ツールキットを用いて,ランダムフォレストと深層学習。は,これらの方法の両方が提出テストセットに対する平均絶対誤差(MAE)とROC曲線下面積(AUC)に関してかなり確実に把握ロバスト性を推定するために学ぶことを見出した。モンテカルロサンプリングを上回るスピードアップはランダムフォレストと1500X深層学習の約7500倍である。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 高速度 ,  部分集合 ,  *ロバスト性 ,  機械学習 ,  *教師つき学習 ,  コーパス ,  血中濃度-時間曲線下面積
準シソーラス用語： 絶対誤差 ,  深層学習 ,  ランダムフォレスト ,  ツールキット ,  互いに素 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： パッチ ,  把握 ,  ロバスト性 ,  大規模 ,  教師つき学習