Discretizing SO(2)-Equivariant Features for Robotic Kitting

要約

ロボットキッティングは、物流や産業現場で大きな注目を集めています。
しかし、既存のキッティング方法は、低精度や低効率などの課題に直面しており、その広範な用途が制限されています。
これらの問題に対処するために、複雑なキッティング タスクの精度と計算効率の両方を向上させる新しいキッティング フレームワークを紹介します。
まず、私たちのアプローチでは、ピッキング モジュールにきめ細かい方向推定技術を導入し、方向の粒度から計算負荷を効果的に切り離しながら、方向の精度を大幅に向上させます。
このアプローチでは、SO(2) 等変ネットワークとグループ離散化操作を組み合わせて、離散配向分布を正確に予測します。
次に、向きに依存するキッティング タスクの処理におけるさまざまなソリューションのパフォーマンスを評価するために、ハンドツール キッティング データセット (HKD) を開発します。
このデータセットは、手動ツールと合成的に作成されたキットの多様なコレクションで構成されており、現実世界のキッティング シナリオで遭遇する複雑さを反映しています。
最後に、提案された方法のパフォーマンスを評価するために一連の実験が実行されます。
結果は、私たちのアプローチがロボットキッティングタスクにおいて驚くべき精度と強化された計算効率を提供することを示しています。

要約(オリジナル)

Robotic kitting has attracted considerable attention in logistics and industrial settings. However, existing kitting methods encounter challenges such as low precision and poor efficiency, limiting their widespread applications. To address these issues, we present a novel kitting framework that improves both the precision and computational efficiency of complex kitting tasks. Firstly, our approach introduces a fine-grained orientation estimation technique in the picking module, significantly enhancing orientation precision while effectively decoupling computational load from orientation granularity. This approach combines an SO(2)-equivariant network with a group discretization operation to preciously predict discrete orientation distributions. Secondly, we develop the Hand-tool Kitting Dataset (HKD) to evaluate the performance of different solutions in handling orientation-sensitive kitting tasks. This dataset comprises a diverse collection of hand tools and synthetically created kits, which reflects the complexities encountered in real-world kitting scenarios. Finally, a series of experiments are conducted to evaluate the performance of the proposed method. The results demonstrate that our approach offers remarkable precision and enhanced computational efficiency in robotic kitting tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google