Supervised Representation Learning towards Generalizable Assembly State Recognition

要約

組み立て状態の認識により、組み立て手順の実行が容易になり、効率を高めてエラーを最小限に抑えるためのフィードバックが提供されます。
ただし、パーツは頻繁に更新され、実行エラーに対する堅牢性はまだ十分に検討されていないため、アセンブリ状態を認識するとスケーラビリティに課題が生じます。
これらの課題に対処するために、この論文では、表現学習と新しい中間状態情報に基づく損失関数修正 (ISIL) に基づくアプローチを提案します。
ISIL は、状態間のラベルなし遷移を活用し、テストされたすべてのアーキテクチャと損失に対するクラスタリングと分類のパフォーマンスの大幅な向上を実証します。
実行エラーのない画像のみでトレーニングされているにもかかわらず、エラー状態の徹底的な分析により、私たちのアプローチが正しい状態とさまざまな種類の実行エラーのある状態を正確に区別していることが実証されています。
提案されたアルゴリズムの統合により、労働者に有意義な支援を提供し、産業現場での手続き上のミスによる予期せぬ損失を軽減できます。
コードはhttps://timschoonbeek.github.io/state_recから入手できます。

要約(オリジナル)

Assembly state recognition facilitates the execution of assembly procedures, offering feedback to enhance efficiency and minimize errors. However, recognizing assembly states poses challenges in scalability, since parts are frequently updated, and the robustness to execution errors remains underexplored. To address these challenges, this paper proposes an approach based on representation learning and the novel intermediate-state informed loss function modification (ISIL). ISIL leverages unlabeled transitions between states and demonstrates significant improvements in clustering and classification performance for all tested architectures and losses. Despite being trained exclusively on images without execution errors, thorough analysis on error states demonstrates that our approach accurately distinguishes between correct states and states with various types of execution errors. The integration of the proposed algorithm can offer meaningful assistance to workers and mitigate unexpected losses due to procedural mishaps in industrial settings. The code is available at: https://timschoonbeek.github.io/state_rec

arxiv情報

提供元, 利用サービス

arxiv.jp, Google