Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Aprendizaje por imitación a partir de una única demostración que aprovecha la cuantificación vectorial para la cosecha robótica
La capacidad de los robots para realizar tareas complejas y no repetitivas será clave para alcanzar un nuevo nivel de automatización en aplicaciones agrícolas. La cosecha, requiere una combinación de movimientos que generalmente se desglosan en una fase de servocontrol visual y una de manipulación. Este artículo se centra en la tarea de cosechar hongos frescos, que aún se realiza manualmente por recolectores humanos debido a su alta complejidad. Un desafío clave es permitir la cosecha con hardware y sistemas mecánicos de bajo costo, como pinzas blandas, que presentan desafíos adicionales en comparación con sus contrapartes rígidas. Se diseñó una canalización de modelos de aprendizaje por imitación que utiliza cuantificación vectorial para aprender incrustaciones cuantificadas directamente a partir de entradas visuales. Los autores resaltan que se logró un éxito del 100 % en la selección de hongos entre distractores con menos de 20 minutos de recopilación de datos, que comprende una única demostración experta y trayectorias auxiliares no expertas.
Autores: Porichis, Antonios; Inglezou, Myrto; Kegkeroglou, Nikolaos; Mohan, Vishwanathan; Chatzakos, Panagiotis
Idioma: Inglés
Editor: Dimitrios Loukatos
Año: 2024
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución
Consultas: 14
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Antonios Porichis, Myrto Inglezou, Nikolaos Kegkeroglou, Vishwanathan Mohan y Panagiotis Chatzakos (Universidad de Essex, Centro Nacional de Investigación de la Integridad Estructural, Reino Unido?y TWI-Hellas, Grecia) para la revista Robotics Vol. 13 Núm. 7. Publicación de MDPI. Contacto: robotics@mdpi.com?
La capacidad de los robots para realizar tareas complejas y no repetitivas será clave para alcanzar un nuevo nivel de automatización en aplicaciones agrícolas. La cosecha, requiere una combinación de movimientos que generalmente se desglosan en una fase de servocontrol visual y una de manipulación. Este artículo se centra en la tarea de cosechar hongos frescos, que aún se realiza manualmente por recolectores humanos debido a su alta complejidad. Un desafío clave es permitir la cosecha con hardware y sistemas mecánicos de bajo costo, como pinzas blandas, que presentan desafíos adicionales en comparación con sus contrapartes rígidas. Se diseñó una canalización de modelos de aprendizaje por imitación que utiliza cuantificación vectorial para aprender incrustaciones cuantificadas directamente a partir de entradas visuales. Los autores resaltan que se logró un éxito del 100 % en la selección de hongos entre distractores con menos de 20 minutos de recopilación de datos, que comprende una única demostración experta y trayectorias auxiliares no expertas.
Descripción
La capacidad de los robots para realizar tareas complejas y no repetitivas será clave para alcanzar un nuevo nivel de automatización en aplicaciones agrícolas. La cosecha, requiere una combinación de movimientos que generalmente se desglosan en una fase de servocontrol visual y una de manipulación. Este artículo se centra en la tarea de cosechar hongos frescos, que aún se realiza manualmente por recolectores humanos debido a su alta complejidad. Un desafío clave es permitir la cosecha con hardware y sistemas mecánicos de bajo costo, como pinzas blandas, que presentan desafíos adicionales en comparación con sus contrapartes rígidas. Se diseñó una canalización de modelos de aprendizaje por imitación que utiliza cuantificación vectorial para aprender incrustaciones cuantificadas directamente a partir de entradas visuales. Los autores resaltan que se logró un éxito del 100 % en la selección de hongos entre distractores con menos de 20 minutos de recopilación de datos, que comprende una única demostración experta y trayectorias auxiliares no expertas.