Evaluating Data Representations for Object Recognition During Pick-and-Place Manipulation Tasks
Notice bibliographique
Résumé
When manipulating objects, robots need to build a local and global description of the environment simultaneously. Recognizing objects and estimating their pose are examples of tasks expected from robots when operating in unstructured environments. An efficient solution to these tasks has the potential to increase robotic usage in such settings. This paper presents a study on the representation of tactile and joint-position data to recognize everyday objects. We performed 12 different experiments extracting features in different ways from a publicly available dataset. More specifically, this work uses three data representations, namely 3 Points, 10 Points, Average and Descriptive Statistics (DS) over 2 different sensor types (i.e., positional and tactile sensors separately) and the combination of both. Using these data representations, we trained and evaluated machine learning models in the object recognition task. Our findings support that tactile data and its combination with finger joint position information can be successfully used for object identification during manipulation tasks. The feature engineering approach used to represent the dataset used in this paper showed promising results regarding recognizing objects using a combination of tactile and joint-position information. Our exploratory analysis testing different data representations was crucial for improving objects’ recognition starting from a low of accuracy 30.31% (using data from the positional sensor only with sampled averages) to a high performance of 93.53% accuracy (using an Extra Tree classifier trained on data from all sensors with a DS representation).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».