セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
5. 9/17/2013 6th #はじパタ #ピンクの薄い本 5
6.1.1 超平面の方程式 [1/7]
となる。従って識別境界は、
識別クラス
、識別規則は を識別境界とすると
:バイアス項
:係数ベクトル
次元入力ベクトル:
の線形識別関数:クラス問題
0
0
0
0
0
,,
d,,
,2
00
0
2
1
0
1
1
021
w
w
d
d
f
ww
wf
fC
fC
f
w
ww
xx
wfCC
xnx
xn
w
x
w
w
w
x
w
w
xwx
x
x
x
w
x
xwx
ww
w
n 0
,
w
w
6. 9/17/2013 6th #はじパタ #ピンクの薄い本 6
6.1.1 超平面の方程式 [2/7]
0
wf xnx超平面:
:法線ベクトルn
位置ベクトル
:超平面上の任意の点P
原点 0
Pn
PnPP
w
wf が成立。に対して、位置ベクトル 0
ルは直線①の法線ベクト
直線②より、直線①
直線②:
直線①:
b
a
y
x
b
a
y
x
b
a
c
y
x
b
a
//
0
0
0xf
0xf
22. 9/17/2013 6th #はじパタ #ピンクの薄い本 22
6.2.1 正規方程式 [1/7]
:教師ベクトル
:データ行列
を以下とする。と教師ベクトルとし、データ行列また、学習数を
のとする。のように与えられるも
により、教師入力が所属するクラスは、さて、入力ベクトル
トル 番目の学習用入力べク:
先変数:入力ベクトルの代入
:バイアス項:係数ベクトル、
線形識別関数
N
N
i
i
i
ii
iidii
d
d
dd
tt
N
C
C
t
t
xixx
xx
wwww
xwxwwf
,,
,,
1
1
1,,,1
,,,1
,,,
1
1
2
1
01
1
010
110
t
xxX
tX
x
x
x
x
x
w
xwx
39. 9/17/2013 6th #はじパタ #ピンクの薄い本 39
6.3.1 フィッシャーの線形判別関数 [6/9]
来ない。で、直接求める事が出が消去されてしまうのの項で
ーの基準では、イアス項。フィッシャが識別境界を与えるバであり、
、さて、線形識別関数は
となる。による最適ながフィッシャーの基準
より、
はスカラ内積
通常の固有値問題
とすると
0
2121
0
0
21
11
21212121
1
w
mm
w
wf
dGL
wBw
B
Bw
w
μμw
xwx
w
μμSwSSw
wμμμμwμμμμwS
wwSS
S
0w
w
40. 9/17/2013 6th #はじパタ #ピンクの薄い本 40
6.3.1 フィッシャーの線形判別関数 [7/9]
違いのみとなる。
動行列は比例乗数の全クラスのクラス内変となり、共分散行列と
より、
関数と仮定。すると、を持つ多次元正規分布
散行例の値に依らず同じ共分
が、率に、クラス条件付き確を算出可能とするため
wpool
i
i
N
j
ijij
i
i
pool
k
NNNN
N
NN
N
i
NN
N
N
CP
N
N
CP
CPCP
k
kCPw
i
S
SS
SSΣ
SμxμxΣ
ΣΣΣ
x
111
2,1
11
,
2,1
21
2
2
2
1
1
1
1
2
2
1
1
2211
0
0w
w