文献

J-GLOBAL ID：202002255984334553   整理番号：20A2144600

深層強化学習による積層のための把持【JST・京大機械翻訳】

Grasp for Stacking via Deep Reinforcement Learning

著者 (5件)： Zhang Junhao (Shandong University,School of Control Science and Engineering,China) ,  Zhang Wei (Shandong University,School of Control Science and Engineering,China) ,  Song Ran (Shandong University,School of Control Science and Engineering,China) ,  Ma Lin (Tencent AI Lab) ,  Li Yibin (Shandong University,School of Control Science and Engineering,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICRA  ページ： 2543-2549  発行年： 2020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： 統合ロボットアームシステムは把握と位置行動の両方を含むべきである。しかし,ほとんどの把持方法は,把持された物体の配置を無視する一方で,様々な産業環境におけるそれらの応用を制限する,物体を把持する方法に関して,より焦点を合わせた。本研究では,スクラッチからエンドツーエンドまでの把持-積層戦略を学習するための無モデル深Q学習法を提案した。提案手法は,2つの深層ネットワークを通してロボットアームの行動に画像を写像する:把持ネットワーク(GNet)は,把握対象を配置する際の最適位置を推定するためのプラットフォームの観測を用いて,把持の姿勢と方向を推論するために,デスクと杭の観測を用いた把持ネットワーク(GNet)である。長距離計画を行うために,2つの観測を積層ネットワーク(GSN)の把握に統合した。提案したGSNを,シミュレーションおよび実世界シナリオの両方で把持-スタッキングタスク上で評価した。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： *ネットワーク ,  エンドツーエンド方式 ,  深層 ,  ロボットアーム
準シソーラス用語： Q学習 , 【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 (2件)： 深層強化学習 ,  把持