NEW APPROACH FOR ROBOTIC GRASPING OF UNKNOWN THREE DIMENSIONAL OBJECTS
Notice bibliographique
Résumé
Automated grasping of objects of unknown geometry a priori has applications in many industries such as clearing a mine shaft after blasting, agricultural applications such as fruit and vegetable handling, and many roles in the service industry such as fetching items for a handicapped individual. In these roles the system environment is highly unstructured, and the robot must be able to react to different types of objects needing to be grasped. In this thesis a vision guided robotic grasp planner for unstructured environments is presented. An evaluation method for robotic grasping involving two distinct sets of objects is also presented. Both the grasp planner and evaluation metric are evaluated by experimentation using an articulated robotic arm with an eye-in-hand video camera, line laser, and pneumatic gripper. Multiple grasping experiments were performed with the objects in random poses on a modified tabletop deemed the playfield that did not allow objects to rest flat. The grasp planner focused on using a created model of the object from camera observations using silhouetting and line laser data. The object model and its computed convex hull were used to evaluate and select a single facet and point creating a grasping pair for the pneumatic gripper jaws. The grasp was attempted and then evaluated using a secondary camera and the developed evaluation method. iv Grasp success rates ranged from 80.30% (Rectangular Block on playfield 137 attempts) to 97.69% (Hexagonal Nut 173 attempts), with a mean grasp computation time for the hexagonal nut of 0.57s.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».