Comparing Pre-Trained Object Detection Models for Autonomous Grasp on Affordable Prosthetic Hands
Notice bibliographique
Résumé
While prosthetic technology has advanced significantly in recent years, discomfort, poor fit, and functional limitations still contribute to high rejection rates among users who feel more efficient without the prosthesis. In the field of prosthetics, improving the stability of grasp and natural control is crucial for reducing rejection rates. By improving these aspects, the user can reduce the likelihood of complications arising, such as discomfort or pain. The integration of vision technology, a novel prosthetic approach, holds immense promise for revolutionizing how we design and use prosthetic devices. Incorporating advanced vision algorithms into prosthetic devices can augment users' sensory capabilities and enhance their interaction with the surrounding environment. Vision-based prostheses offer the potential for more intuitive and natural control, enabling users to manipulate objects with greater precision and dexterity. This paper presents preliminary insights into rejection rates and the utilization of vision-based grasping in robotics, with implications for prosthetic applications. In this study, we investigate the performance of Mobilenet SSD, YOLOv5m, and YOLOv5l in autonomous grasp tasks across two distances, providing valuable data on their adaptability in real-world contexts. Our analysis delves into the effectiveness of vision-based grasping algorithms in grasp experiments with intact subjects, showing successful grasp attempts ranging from 84% to 92% in two different distances and three different grasp types.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».