オブジェクトポイントクラウドからのサンプリングによる把持へのエンドツーエンド学習【JST・京大機械翻訳】

Alliegro Antonio; Rudorfer Martin; Frattin Fabio; Leonardis Ales; Tommasi Tatiana

プレプリント

J-GLOBAL ID：202202209884336733 整理番号：22P0302235

オブジェクトポイントクラウドからのサンプリングによる把持へのエンドツーエンド学習【JST・京大機械翻訳】

End-to-End Learning to Grasp via Sampling from Object Point Clouds

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月10日プレプリントサーバーでの情報更新日： 2022年06月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

物体を把持する能力は,多くのロボット操作タスクを可能にする不可欠なスキルである。最近の研究では,シミュレーションデータセットから開始して物体把持のための点雲ベース法を研究し,実世界シナリオにおいて有望な性能を示した。それにもかかわらず,それらの多くは,把持候補を生成するためのアドホック幾何学的発見的方法に頼り,訓練中に観察されるそれらに関して,著しく異なる形状を持つオブジェクトに一般化できない。いくつかのアプローチは,意味的グローバル情報を無視する間,複雑な多段学習戦略と局所近傍特徴抽出を利用する。さらに,それらは訓練サンプルの数および推論に必要な時間に関して非効率的である。本論文では,オブジェクトの3D部分ビューから出発する6-DOF並列ジャワ把持を生成するエンドツーエンド学習ソリューションを提案した。Grasp(L2G)法に対する学習は,局所および大域的手がかりを利用する特徴符号器を用いて,可視接触点を同定するために,微分可能なサンプリング戦略を組み合わせる新しい手順を通して,入力点雲から情報を収集する。全体として,L2Gは,接触点サンプリング,把持回帰,および把握分類を最適化することによって,多様な把持集合を生成するマルチタスク目標によって導かれる。徹底的な実験解析により,L2Gの有効性とロバスト性と一般化能力を示す。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

ロボットの設計・製造・構造要素

, , ,

前のページに戻る