개발자 포트폴리오 개발자 포트폴리오

* Dex-Net 3.0 Supplementary File I. Overview - 개관 II. ADDITIONAL EXPERIMENTS - 추가 실험 A. Performance Metrics - 성과 지표 1) Average Precision (AP). 2) Success Rate. 1) Success Rate 2) Attempt Rate B. Performance on Known Objects - 아는 객체에서의 성과 1) Planarity-Centroid (PC3D). 2) Spring Stretch (SS). 3) Wrench Resistance (WR). 4) Robust Wrench Resistance (RWR). C. Performance on Novel Objects - 모르는 객체에서의 ..

* 요약 최근의 결과에 따르면 합성데이터로 훈련한 CNN을 사용하여 높은 정확도로 다양한 단일 객체를 파지할 수 있게 되었다. 이 논문은 빈피킹을 고려해본다. 빈피킹이란 여러 객체가 무작위로 쌓여있는 상태에서 순서대로 파지 후 목적지에 이동시키는 것이 목적인 업무이다. 우리는 heap의 state, point cloud observation, reward를 구체화하는 discrete-time의 Partially Observable Markov Decision Process를 빈피킹 모델로 사용하였다. 우리는 빈피킹의 합성 demostration을 algorithmic supervisor로부터 수집한다. 가장 강인하고 충돌이 없는 파지로 최적화하기 위해. 우리는 GQCNN을 fine-tuning하여 pol..

* 요약 강인한 로봇 파지 계획을 위한 딥러닝 데이터셋 수집 시간을 줄이기 위해, 우리는 6.7백만개의 point cloud, 파지, 그리고 분석적 파지 지표에 대한 합성데이터셋으로 학습하는 방법을 조사해보았다. 해당 데이터셋은 책상 위에서 임의의 포즈로 되어있는 Dex-Net 1.0으로부터 수천개의 3D 모델로부터 생성되었다. 우리는 결과 데이터셋을 사용했다, Dex-Net 2.0, GQ-CNN 모델을 학습시키기 위해. depth 이미지로부터 파지 성공률을 빠르게 계산하는 모델. 파지가 RGB-D 센서에 상대적인 평면 위치, 각도, 그리고 그리퍼의 깊이로서 구체화되는. ABB YuMi에 1000번 넘게 시도된 이번 실험은 단일 객체에 대한 파지 계획 방식과 비교했을때, Dex-Net 2.0으로 생성된 ..

* 요약 이 논문은 Dex-Net 1.0을 제시한다. Dex-Net 1.0은 3D 객체 모델의 데이터셋을 사용하고, 샘플링 기반의 계획 알고리즘이다. 이 알고리즘은 Cloud Robotics가 강인한 파지 계획을 하기 위해 어떻게 사용될 수 있는지 탐험한다. 이 알고리즘은 correlated reward와 함께 Multi-Armed Bandit model을 사용한다. 이전의 파지와 3D 객체 모델을 leverage 하기 위해. 만개의 서로다른 3D 객체 모델과 2.5백만개의 parallel-jaw 파지를 포함하여 점점 많아지는 데이터셋. 각 파지는 불확실한 상황 속에서 force closure 확률을 예측한다. 객체와 그리퍼 포즈 그리고 마찰과 같은 불확실한 상황. Dex-Net 1.0은 Multi-Vi..

* 요약 Universal Picking(UP), 혹은 더미에서 다양한 객체를 신뢰할만한 수준으로 로봇이 파지하는 것은, 전자상거래 주문처리, 제조, 검사, 집 서비스 로봇에서 어려운 도전과제이다. 센싱, 조작, 물리적 접촉에서 내재하는 불확정성 때문에 UP의 비율, 신뢰성, 범위를 최적화하는 것은 매우 어렵다. 이 논문은 "양손잡이형" 로봇 파지를 다룬다. 정확히는 2개 이상의 로봇팔을 사용한다. 우리는 Dex-Net 4.0을 제시한다. 이번 모델은 이전 버전보다 상당히 진보된 모델이다. 이전 모델의 경우, 물리학과 기하학의 분석적 모델을 통해 domain randomization을 사용하여 합성 데이터셋을 훈련시킴으로써 주어진 그리퍼에 policy를 학습한다. 우리는 3차원 객체의 더미로부터 발생하는..

요약 Vacuum-based end effectors는 산업에서 널리 사용되고 있고, 사물의 한지점에만 접촉하여 물건을 들 수 있기에 parallel-jaw, multifinger, grippers 전반에 선호되고 있다. Suction grasp planners는 사물의 estimated centroid 근처의 point cloud에 있는 표면을 주로 목표로 한다. 본 논문에서는 compliant suction contact model을 제안한다. 해당 모델은 suction 컵과 목표 표면 사이의 압착 정도를 계산하고, 외부 중력에 의한 뒤틀림에 저항하기 위해 흡입파지의 힘을 계산한다. 파지를 특징짓기 위해, 로봇팔과 객체 포즈, 재료 성질, 그리고 외부의 힘으로부터 발생하는 작은 변화에 얼마나 강인한지..