Publikace detail

One Step Deep Learning Approach to Grasp Detection in Robotics

Autoři: Doležel Petr | Štursa Dominik | Honc Daniel

Rok: 2021

Druh publikace: článek ve sborníku

Název zdroje: Data Science and Intelligent Systems : proceedings of 5th Computational Methods in Systems and Software 2021, Vol. 2

Název nakladatele: Springer Science and Business Media

Místo vydání: neuvedeno

Strana od-do: 8-17

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Jednokroková metoda k detekci úchopových bodů v robotice	Detekce úchopového bodu je pro průmyslové roboty nezbytnou schopností. V posledních letech byly představeny různé techniky založené na hlubokém učení pro robotické uchopování. V návaznosti na tento trend představujeme přístup založený na konvoluční neuronové síti pro bezmodelovou jednokrokovou metodu detekce úchopových bodů. Tato metoda poskytuje všechny proveditelné úchopové body vhodné pro paralelní uchopovače na základě jediného RGB obrazu scény. Na konci příspěvku je uvedena případová studie, která ukazuje vynikající přesnost představeného přístupu i jeho přijatelnou dobu odezvy.	Počítačové vidění; hluboké učení; uchopovací bod; U-Net
eng	One Step Deep Learning Approach to Grasp Detection in Robotics	Grasp point detection is a necessary ability to handle for industrial robots. In recent years, various deep learning-based techniques for robotic grasping have been introduced. To follow this trend, we introduce a convolutional neural network-based approach for model-free one step method for grasp point detection. This method provides all feasible grasp points suitable for parallel grippers, based on a single RGB image of the scene. A case study, which shows the outstanding accuracy of the presented approach as well as its acceptable response time, is presented at the end of this contribution.	Computer vision; Deep learning; Grasp point; U-Net

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte