Il Visual Prompting e l'ACT migliorano il prelievo e il posizionamento robotico nel retail
Il prelievo e posizionamento robotico nei minimarket spesso fallisce a causa di disposizioni dense di oggetti, occlusioni e variazioni di colore, forma, dimensione e texture. Un nuovo articolo introduce una pipeline percezione-azione che utilizza il prompting visivo guidato da annotazioni: le annotazioni con bounding box contrassegnano sia gli oggetti prelevabili che le posizioni di posizionamento, fornendo una guida spaziale strutturata. Invece della pianificazione passo-passo, il sistema applica l'Action Chunking con Transformers (ACT), un algoritmo di apprendimento per imitazione che prevede sequenze di azioni raggruppate da dimostrazioni umane, consentendo operazioni fluide e adattive. Valutato in base al tasso di successo e all'analisi visiva della presa, l'approccio mostra una maggiore accuratezza nella presa e adattabilità negli ambienti retail.
Fatti principali
- Il prelievo e posizionamento robotico nei minimarket affronta sfide dovute a disposizioni dense, occlusioni e variazioni degli oggetti.
- L'articolo propone una pipeline percezione-azione che utilizza il prompting visivo guidato da annotazioni.
- Le annotazioni con bounding box identificano gli oggetti prelevabili e le posizioni di posizionamento.
- L'Action Chunking con Transformers (ACT) viene utilizzato come algoritmo di apprendimento per imitazione.
- ACT prevede sequenze di azioni raggruppate da dimostrazioni umane.
- Il sistema consente operazioni di prelievo e posizionamento fluide, adattive e basate sui dati.
- La valutazione si basa sul tasso di successo e sull'analisi visiva del comportamento di presa.
- I risultati dimostrano una migliore accuratezza della presa e adattabilità negli ambienti retail.
Entità
Istituzioni
- arXiv
- arXivLabs
- Semantic Scholar