文献

J-GLOBAL ID：202102254099462134   整理番号：21A0538371

深層強化学習による高密度クラッタにおけるより良い把持のための能動的押し上げ【JST・京大機械翻訳】

Active Pushing for Better Grasping in Dense Clutter with Deep Reinforcement Learning

著者 (4件)： Lu Ning (Institute of Automation,Research Center on Intelligent Robotic Systems,Chinese Academy of Sciences,Beijing,China) ,  Lu Tao (Institute of Automation,Research Center on Intelligent Robotic Systems,Chinese Academy of Sciences,Beijing,China) ,  Cai Yinghao (Institute of Automation,Research Center on Intelligent Robotic Systems,Chinese Academy of Sciences,Beijing,China) ,  Wang Shuo (Institute of Automation,Research Center on Intelligent Robotic Systems,Chinese Academy of Sciences,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CAC  ページ： 1657-1663  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： 非構造化高密度クラッタにおけるロボット把持は挑戦的な課題であり,ロボット工学の分野で常に重要な研究方向である。本論文では,高密度クラッタにおける物体を自動的に把握するために,プッシュングと把持行動の間の協力を使用できる新しいロボット把持システムを提案した。提案手法は,Q学習フレームワークにおいて視覚観測から2つの行動値テーブルにマップするために,完全畳み込み動作値関数(FCAVF)を用いる。これらの2つの価値表は,押し込みと把持行動の有用性を推論し,対応する位置と方向を有する最高値は,エンドエフェクタのための行動を実行する最良の場所を意味する。より良い把持のために,著者らは,分散度と呼ばれる新しい計量に基づくアクティブプッシュ機構を導入し,それは,オブジェクトが環境中にどのように広がるかを記述する。次に,オブジェクトの行動値および分散度に基づく異なる行動の協力作用を適用するための協調機構を設計し,把握をより効果的であった。実験結果は,著者らの提案したロボット把持システムが,高密度クラッタにおけるロボット把持成功率を大いに改善することができ,また,新しいシナリオに一般化する能力を持つことを示した。Copyright 2021 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： 視覚 ,  ロボット ,  協力作用 ,  つかみ装置 ,  分散度 ,  *クラッタ
準シソーラス用語： ロボット工学 ,  Q学習 ,  成功率 ,  高密度 ,  深層強化学習 , 【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 (4件)： 深層強化学習 ,  クラッタ ,  把持 ,  押し上げ