文献

J-GLOBAL ID：202002242538100868   整理番号：20A0439618

CRFベース意味モデルによるオブジェクトスタッキングシーンにおけるタスク指向把持【JST・京大機械翻訳】

Task-oriented Grasping in Object Stacking Scenes with CRF-based Semantic Model

著者 (4件)： Yang Chenjie (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, No.28 Xianning Road,the National Engineering Laboratory for Visual Information Processing and Applications, School of Electronic and Information Engineering,Xi’an,Shaanxi,China) ,  Lan Xuguang (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, No.28 Xianning Road,the National Engineering Laboratory for Visual Information Processing and Applications, School of Electronic and Information Engineering,Xi’an,Shaanxi,China) ,  Zhang Hanbo (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, No.28 Xianning Road,the National Engineering Laboratory for Visual Information Processing and Applications, School of Electronic and Information Engineering,Xi’an,Shaanxi,China) ,  Zheng Nanning (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, No.28 Xianning Road,the National Engineering Laboratory for Visual Information Processing and Applications, School of Electronic and Information Engineering,Xi’an,Shaanxi,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IROS  ページ： 6427-6434  発行年： 2019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： タスク指向把持において,ロボットはタスク互換性でオブジェクトを操作すると仮定されているが,それはより重要であるが,安定的に把握するよりも挑戦的である。しかし,ほとんどの既存の研究は,単一オブジェクトシーンだけでタスク指向の把持を実行する。これは,実際の世界シーンにおけるそれらの実用化を大きく制限し,そこでは,通常,深刻な重なりとオクルージョンを伴う複数の積層オブジェクトが存在する。オブジェクトスタッキングシーンにおけるタスク指向の把持を実行するために,本論文では,オブジェクトスタッキングシーンにおけるタスク指向把持のためのオブジェクトスタッキングGrasping Dataset(OSGD)と名付けた合成データセットを最初に構築した。第二に,オブジェクト領域における意味内容をモデル化するために,条件付きランダムフィールド(CRF)を構築した。モデル化した意味内容はタスクラベルの不適合性とタスク領域の連続性として説明できる。この提案した手法は,オブジェクトスタッキングシーンにおける重なりとオクルージョンの干渉を大幅に低減することができる。CRFベースの意味モデルを著者らの把握検出ネットワークに埋め込むために,RNNとしてCRFsの推論プロセスを実行して,全体のモデル,タスク指向のGrasping CRF(TOG-CRF)を最後に訓練することができた。最終的に,オブジェクトスタッキングシーンにおいて,構築したモデルは,ロボットがタスク指向の把握のために69.4%の成功率を達成するのを助けることができる。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *オクルージョン ,  ネットワーク ,  互換性 ,  ロボット ,  連続性
準シソーラス用語： 成功率 ,  確率場 ,  *意味モデル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： CRF ,  意味モデル ,  タスク ,  把持