文献

J-GLOBAL ID：201802262914510589   整理番号：18A1648301

機械学習と最適化を統合した意味論的到達把持タスクのための学習フレームワーク【JST・京大機械翻訳】

A learning framework for semantic reach-to-grasp tasks integrating machine learning and optimization

著者 (5件)： Deng Zhen (TAMS, Department of Informatics, University of Hamburg, D-22527, Hamburg, Germany) ,  Zheng Xiaoxiang (TAMS, Department of Informatics, University of Hamburg, D-22527, Hamburg, Germany) ,  Zhang Liwei (TAMS, Department of Informatics, University of Hamburg, D-22527, Hamburg, Germany) ,  Zhang Liwei (School of Mechanical Engineering and Automation, Fuzhou University, Fujian, PR China) ,  Zhang Jianwei (TAMS, Department of Informatics, University of Hamburg, D-22527, Hamburg, Germany)
資料名： Robotics and Autonomous Systems  (Robotics and Autonomous Systems)
巻： 108  ページ： 140-152  発行年： 2018年 
JST資料番号： C0133C  ISSN： 0921-8890  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 意味的到達-把持(RTG)タスクをうまく実行する能力はロボットのための重要なスキルである。非構造化環境において未知のオブジェクトを与えて,実行可能な把握構成を見つけて,それに到達するために制約を満たした軌跡を生成することは,挑戦的であった。本論文では,意味論的把持計画を軌道生成と組み合わせた学習フレームワークを提示し,意味的RTGタスクを実行した。まず第一に,関心の対象は,深い学習によって訓練されたオブジェクト検出モデルを用いて検出される。訓練された品質ネットワークを用いて,オブジェクトのセグメント化された画像からの成功確率が最も高いことを見出すために,Bayesに基づく探索アルゴリズムを提案した。第二に,ロボット到達運動のために,人間の内部モデル理論によって触発されたモデルベースの軌道生成法を設計して,制約充足軌道を生成した。最後に,提示したフレームワークを比較分析と実世界実験の両方で検証した。実験結果は,提案した学習フレームワークがロボットが非構造化環境において意味的RTGタスクを実行することを可能にすることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 構造形成 ,  *最適化 ,  *意味論 ,  ロボット ,  セグメンテーション ,  品質 ,  軌跡 ,  *学習 ,  ネットワーク ,  画像 ,  コンピュータビジョン ,  *機械学習
準シソーラス用語： 到達運動 ,  探索アルゴリズム ,  成功率 ,  物体検出 , 【Automatic Indexing@JST】

著者キーワード (4件)： 意味的到達把持 ,  深層学習 ,  Bayes最適化 ,  モデルベース軌道生成

分類 (1件)： ロボットの運動・制御  (IC04012J)

タイトルに関連する用語 (8件)： 機械学習 ,  最適化 ,  統合 ,  意味論 ,  把持 ,  タスク ,  学習 ,  フレームワーク