Data-Link: High Fidelity Manufacturing Datasets for Model2Real Transfer under Industrial Settings

要約

忠実度の高いデータセットは、シミュレータに現実感を与える上で極めて重要な役割を果たし、さまざまな最先端の深層推論モデルのベンチマークを可能にします。
これらのモデルは、セマンティック セグメンテーション、分類、ローカリゼーションなどのタスクに特に役立ちます。
この研究では、ロボット操作環境の忠実度の高いデジタル ツインの作成における、60 クラスで構成されるカスタマイズされた製造データセットの有効性を示しています。
転移学習の概念を活用することで、さまざまな 6D 姿勢推定モデルがドメインのランダム化を使用してシミュレートされた環境内でトレーニングされ、その後、実世界のオブジェクトでテストされてドメインの適応性が評価されます。
作成されたデータセットの有効性と現実性を確認するために、ポーズ精度と平均絶対誤差 (MAE) メトリクスが報告され、モデルと実際のギャップが定量化されます。

要約(オリジナル)

High-fidelity datasets play a pivotal role in imbuing simulators with realism, enabling the benchmarking of various state-of-the-art deep inference models. These models are particularly instrumental in tasks such as semantic segmentation, classification, and localization. This study showcases the efficacy of a customized manufacturing dataset comprising 60 classes in the creation of a high-fidelity digital twin of a robotic manipulation environment. By leveraging the concept of transfer learning, different 6D pose estimation models are trained within the simulated environment using domain randomization and subsequently tested on real-world objects to assess domain adaptation. To ascertain the effectiveness and realism of the created data-set, pose accuracy and mean absolute error (MAE) metrics are reported to quantify the model2real gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google