Pre-Survey 2020 05-04:2020-05-10

Pre-Survey 2020 05-04:2020-05-10

• 1.
  Pre-Survey 2020 2020-05-04 ~2020-05-10 Robotpaper.Challenge
• 2.
  > Paper-URL liston this survey 1. https://ieeexplore.ieee.org/document/8968295 2. https://ieeexplore.ieee.org/document/8968458 3. https://ieeexplore.ieee.org/document/8967567 4. https://ieeexplore.ieee.org/abstract/document/8967915 5. https://arxiv.org/abs/1904.03754 6. https://arxiv.org/abs/1903.00425 7. https://arxiv.org/abs/1903.08352
• 3.
  Learning Based RoboticBin-picking for Potentially Tangled Objects Ryo Matsumura, Yukiyasu Domae, Weiwei Wan, and Kensuke Harada - Bin-pickingタスクにおいて，他と絡みがないように単一物体のみをピッキングする手法の提案． - 深度画像ベースのピッキング手法の Graspability indexで選択された把持対象物体に絡みがあるかないか をCNNで推定する． - 学習データには物理シミュレーションを用い，選択した物体を鉛直上向きに移動させて絡みがあれば絡み の画像，なければ絡みなしの画像として自動生成を行なった． - 絡みがおきやすい部品のピッキングの実験において， Graspability indexのみの手法よりも精度が向上し ている． まとめた人：makihara
• 4.
  A Data-Driven Frameworkfor Learning Dexterous Manipulation of Unknown Objects Andrew S. Morgan, Kaiyu Hang, Walter G. Bircher and Aaron M. Dollar - ３指の列駆動ハンドを用いて In-Hand Manipulationを行なう手法の提案．指先のみによる把持をロバスト に維持したまま物体を操作するように準静的な制御を行う． - 指による３点接触による物体の移動を記述した grasp frameを表現し，追跡する物体遷移マップを使って制 御を行う． - エネルギーベースのモデルを使用して， grasp frameの状態を遷移させる制御入力を加える． - grasp frameの遷移と接触の関係を表現する回帰マップを使って，未知物体の In-Handのプランニングを行 なう． - パラメータ推定の不正確さにロバストなモデリングによって，文字の手書きタスクを行なった． まとめた人：makihara
• 5.
  Learning by Demonstrationand Robust Control of Dexterous In-Hand Robotic Manipulation Skills Gokhan Solak and Lorenzo Jamone - 人間のデモを学習して In-Hand Manipulationを行なう手法の提案． - デモから軌道などの動作を学習して異なる状況に対応する Dynamical Movement Primitivesを使って動作 を定式化する． - 指先にかかる接触力をリアルタイムでフィードバックする Virtual Springs Frameworkを使って指先の制御 を行う． - ４指のAllegroハンドを使った実験によって，物体のモデルなしで，異なるサイズの矩形物体の操作を可能 にしている．物体のやわらかさを固定と仮定して制御する場合とゲインを与えて制御する場合にわけて実 験を行った． まとめた人：makihara
• 6.
  Self-supervised Transfer Learningfor Instance Segmentation through Physical Interaction Andreas Eitel, Nico Hauff, Wolfram Burgard - 手動でのデータラベリング作業を省略する為に、自己教師下でインタラクティブに物体のsegmentationを学習する転移学習 アプローチの提案 - ロボットは未学習の物体をテーブル上に広げ、optical flowの情報を用いて物体のマスクから学習ラベルを作成する．実現す るにあたりロボットが取得した自己ラベル付きの学習データ上で、既存のDeepMask instance segmentation networkのfine turningを行っている． - 事前に学習したモデルにおいて自動ラベル付けされたデータを用いて微調整することで、セグメンテーション性能が大幅に向 上することを確認 - 提案したネットワークではCOCOデータセットで学習したDeepMaskネットワークの平均精度を8.6%向上した事を確認 まとめた人：souta hriose
• 7.
  ContactGrasp: Functional Multi-fingerGrasp Synthesis from Contact Samarth Brahmbhatt, Ankur Handa, James Hays, and Dieter Fox - 物体形状と物体表面の接触から機能的な把持合成を行うためのフレームワークの提案 - 接触は手動指定または，デモンストレーションで取得することも可能．接触表現は物体中心の表現であり、デモに使用されて いるものとは異なる手のモデルでも機能的な把持を合成することが可能． - 3つの非常に多様な手モデル、19の家庭用物体、2つの機能的意図のための機能的把持を合成することで、提案手法の有 効性を実証した． まとめた人：souta hriose
• 8.
  Generating Grasp Posesfor a High-DOF Gripper Using Neural Networks Min Liu, Zherong Pan, Kai Xu, Kanishka Ganguly, and Dinesh Manocha - Neural Networkを用いた高自由度の手の把持姿勢を学習ベースで表現する手法の提案 - ある対象物に対して同じように有効な把持姿勢が多数存在する問題を解消する為に、対象物毎の多数のgrasp poseを持つ 拡張データセットを生成し、整合性損失関数を用いてNeural Networkを訓練することで、対象物からgrasp poseへの一対一 のmappingを行っている． - またgrasp poseの精度を向上させる為に、手と対象物の間の貫通を解決する衝突損失関数を導入している．その結果，従来 の教師付き学習では正確なgrasp poseが得られないのに対し, 提案している損失関数を用いて学習したNeural Networkで は，従来の教師付き学習に比べてgrasp poseの精度が飛躍的に向上することが示された． - ただし，各対象物に対して多くの有効なgrasp poseを持つ非常に大規模なデータセットを必要とする為，Networkの学習コス トが大きい． まとめた人：souta hriose
• 9.
  GRIP: Generative RobustInference and Perception for Semantic Robot Manipulation in Adversarial Environments Xiaotong Chen, Rui Chen, Zhiqiang Sui, Zhefan Ye, Yanqi Liu, R. Iris Bahar and Odest Chadwicke Jenkins - 識別的CNNと生成的推論法の相対的な強みを組み合わせてロバストな推定を実現することを目的とした、2段階の物体検 出・ポーズ推定システムの提案 - 検証では2段階目のsample-basedのgenerative inferenceがCNNの誤検出を補償し，敵対的条件下でrobustな推定を行う ことが可能であることを確認した．また、暗闇や乱雑な環境下での学習ベースの姿勢推定やPick-and-Place操作との比較を 通じて、提案手法のrobust性の有効性を実証している - 得られた知見として，物体検出の閾値を厳しくしないことにより，敵対的な環境で真のposeを見つける可能性が向上すること が分かった． - https://www.youtube.com/watch?v=W0KvzMhIJxo まとめた人：souta hriose