Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects

Zobrazit minimální záznam

dc.contributor.author Doležel, Petr
dc.contributor.author Štursa, Dominik
dc.contributor.author Kopecký, Dušan
dc.date.accessioned 2023-07-12T13:17:25Z
dc.date.available 2023-07-12T13:17:25Z
dc.date.issued 2022
dc.identifier.isbn 978-1-66549-608-7
dc.identifier.issn 2576-3547
dc.identifier.uri https://hdl.handle.net/10195/81262
dc.description.abstract Robotic manipulation with nontrivial or irregular objects, which provide various types of grasping points, is of both academic and industrial interest. Recently, a powerful data-driven ASP U-Net deep neural network has been proposed to detect feasible grasping points of manipulated objects using RGB data. The ASP U-Net showed the ability to detect feasible grasping points with exceptional accuracy and more than acceptable inference times. So far, the network has been trained using an Adam optimizer only. However, in order to optimally utilize the potential of ASP U-Net, it was necessary to perform a systematic investigation of suitable training algorithms. Therefore, the aim of this contribution was to extend the impact of ASP U-Net by recommending suitable training algorithms and their parameters based on the result of training experiments. eng
dc.format p. 1586-1591 eng
dc.language.iso eng
dc.publisher IEEE (Institute of Electrical and Electronics Engineers) eng
dc.relation.ispartof 2022 8th International Conference on Control, Decision and Information Technologies (CoDIT) : proceedings eng
dc.rights open access (green) eng
dc.subject ASP U-Net eng
dc.subject ASP U-Net cze
dc.title Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects eng
dc.title.alternative Vhodné trénovací algoritmy pro detekci úchopových bodů pomocí ASP U-Net cze
dc.type ConferenceObject eng
dc.description.abstract-translated Robotická manipulace s netriviálními nebo nepravidelnými objekty, které poskytují různé typy úchopových bodů, je předmětem zájmu akademické sféry i průmyslu. Nedávno byla navržena výkonná datově řízená hluboká neuronová síť ASP U-Net pro detekci dostupných úchopových bodů manipulovaných objektů pomocí vizuálních dat. ASP U-Net prokázala schopnost detekovat proveditelné úchopové body s výjimečnou přesností a více než přijatelnou dobou inference. Síť byla dosud trénována pouze pomocí Adam algoritmu. Pro optimální využití potenciálu sítě ASP U-Net však bylo nutné provést systematický průzkum vhodných tréninkových algoritmů. Cílem tohoto příspěvku proto bylo rozšířit vliv ASP U-Net doporučením vhodných tréninkových algoritmů a jejich parametrů na základě výsledků trénovacích experimentů. cze
dc.event 8th International Conference on Control, Decision and Information Technologies (CoDIT) (17.05.2022 - 20.05.2022, Istanbul, TU) eng
dc.peerreviewed yes eng
dc.publicationstatus postprint (accepted version) eng
dc.identifier.doi 10.1109/CODIT55151.2022.9803900
dc.project.ID EF17_049/0008394/Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans) cze
dc.identifier.wos 000846862800272
dc.identifier.scopus 2-s2.0-85134289497
dc.identifier.obd 39888066


Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam

Vyhledávání


Rozšířené hledání

Procházet

Můj účet