Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F22%3A39919564" target="_blank" >RIV/00216275:25530/22:39919564 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/CODIT55151.2022.9803900" target="_blank" >http://dx.doi.org/10.1109/CODIT55151.2022.9803900</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CODIT55151.2022.9803900" target="_blank" >10.1109/CODIT55151.2022.9803900</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects
Popis výsledku v původním jazyce
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.
Název v anglickém jazyce
Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects
Popis výsledku anglicky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/EF17_049%2F0008394" target="_blank" >EF17_049/0008394: Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans)</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2022 8th International Conference on Control, Decision and Information Technologies (CoDIT) : proceedings
ISBN
978-1-66549-608-7
ISSN
2576-3547
e-ISSN
2576-3555
Počet stran výsledku
6
Strana od-do
1586-1591
Název nakladatele
IEEE (Institute of Electrical and Electronics Engineers)
Místo vydání
New York
Místo konání akce
Istanbul
Datum konání akce
17. 5. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000846862800272