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

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>

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.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

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)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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