CADベースの関係学習と幾何記号計画によるロボット組立

- CADベースのロボット組立/分解順序計画(ASP)のハイブリッドフレームワーク。 - 不完全なCADデータから、学習ベースの関係抽出と幾何記号推論を組み合わせて実行可能な分解順序を生成。 - ニューラルネットが点群から意味的幾何関係を予測し、human-in-the-loop検証で不確実予測や計画失敗を修正。 - 抽出関係を記号組立グラフに変換し、geometric-symbolic plannerが局所的に有効なロボット操作プリミティブ集合を計算。 - visibility-based ray-castingで分解方向探索を導き、組合せ爆発を回避。

- 従来のASPは組合せ的性質のため網羅的計画が複雑な産業組立に不向き。 - 多くのCADモデルは信頼できる意味的接触情報を欠き、手動前処理を要するため既存手法の適用が限定。 - 提案は不完全CADデータから計画可能で、ASAPテストデータセットで85.83%の計画成功率。 - 中央値計画時間を全組立サイズで1桁以上、30部品超で50倍以上削減(ベースライン比)。 - 学習・人間検証・幾何記号推論の統合でスケーラブルかつ適応的な基盤を提供。

- ニューラルネットワークによる点群からの意味的幾何関係予測。 - human-in-the-loop検証で不確実予測と計画失敗を修正。 - 抽出関係をsymbolic assembly graphへ変換。 - geometric-symbolic plannerが局所的に有効なロボット操作プリミティブ集合を効率的に計算。 - visibility-based ray-casting戦略で実行可能な分解方向を探索し、網羅的組合せ探索を回避。 - 局所解空間により効率的な順序最適化を実現。

- 導入したassembly datasetとASAP test datasetで評価。 - ASAPテストデータセットで提案プランナは85.83%の計画成功率を達成。 - 中央値計画時間を全組立サイズで1桁以上、30部品超で50倍以上ベースライン比で削減。 - 結果は不完全CADデータからの効率的なロボット組立順序計画と計画時間の大幅削減を示す。

- 提案ハイブリッドフレームワークは不完全CADデータから効率的なロボット組立順序計画を可能にし、計画時間を大幅削減。 - 学習ベース特徴セグメンテーション、human-in-the-loop検証、幾何記号推論の組合せがスケーラブルで適応的なロボット組立・分解計画の実用的基盤を提供。 - 限界や今後の課題についての詳細は要旨からは不明。

- ASAP test datasetに関連する研究。 - ベースラインとして比較された既存ASP手法(具体的名称は要旨からは不明)。 - geometric-symbolic planningやvisibility-based ray-castingに関連する研究。 - 同分野の定番としてAssembly Sequence Planning (ASP)の既存研究。