抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
サクションカップ把持は,産業において非常に一般的であるが,急速に移動することは,吸引カップを剥離し,液滴または損傷を引き起こす。高速運動を通しての吸引把持の維持は,慣性力に対する吸引力のバランスを必要とするが,吸引カップは歪下で変形する。本論文では,吸引カップ故障を避けながら,輸送時間を低減するための最適化と深層学習を組み合わせたアルゴリズムである,サクション輸送(GOMP-ST)のためのGrasp最適化運動計画を考察した。GOMP-STは,最初に,物理的ロボット,真空グリッパ,およびサンプルオブジェクトを繰り返し,一方,臨界故障条件を学習するために,固体センサで圧力を測定する。次に,これらを,エンドエフェクタにおける加速度の制約として,時間最適化運動プランナーに統合した。得られた計画は,解析的にモデル化するのが難しい吸引カップ変形のような実世界効果を組み込む。GOMP-STにおいて,ニューラルネットワークでモデル化した学習制約を,Autogradを用いて線形化し,逐次二次プログラム最適化に統合した。1.3~1.7kgの範囲の物理的UR5輸送物体を用いた420実験において,GOMP-STをベースライン最適化運動計画者と比較した。結果は,GOMP-STが吸引カップ破壊を回避でき,一方,輸送時間を16%から58%に減少できることを示した。コード,ビデオおよびデータセットに対して,https://sites.google.com/view/gomp stを見る。【JST・京大機械翻訳】