日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2609.18738

ロボット収穫のための能動的知覚：地中海温室におけるトマトのクラスタ内隠蔽果実の3D再構成と位置推定

Active perception for robotic harvesting: 3D reconstruction and localisation of tomatoes hidden within clusters in a Mediterranean greenhouse

シェア:XThreadsFacebookLINEはてブBluesky

トマトの房内に隠れた果実を、次善視点計画による点群取得とクラスタリングで3D再構成し、90%以上の精度で位置・姿勢を推定する手法を提案。

詳しい要約

1. どんなもの？

- 地中海温室でのトマト収穫自動化のための研究。 - クラスタ内の隠れたトマトを含む3D再構成と位置推定のパイプラインを提案。 - 5段階の手法：AgriSEE NBV能動計画による点群取得、SORノイズ除去、RGによる表面分類・セグメンテーション、DBSCANによる隠れた果実の分離・回復、3D姿勢推定。 - シミュレーションで評価し、精度90%以上、再現率82.8%、mIoU 80.7%、重心推定RMSE 4.2mmを達成。

2. 先行研究と比べてどこがすごい？

- 既存研究はリンゴ、パプリカ、モモなど孤立して成長する作物を対象。 - クラスタ成長する野菜では、ロボット搭載の固定センサーが可視表面の背後にある果実を検出できない課題があった。 - 本研究は能動知覚（NBV）と点群処理を組み合わせ、隠れた果実も含めた完全なクラスタ形状を抽出可能にした点が新しい。

3. 技術・手法の肝は？

- 5段階のパイプライン： - i) AgriSEE Next Best View (NBV) 能動計画による点群取得。 - ii) Statistical Outlier Removal (SOR) による確率的ノイズ除去。 - iii) Region Growing (RG) による表面分類とセグメンテーション。 - iv) Density-Based Spatial Clustering of Applications with Noise (DBSCAN) による隠れた果実の分離・回復。 - v) 3D姿勢推定（位置と向き）。 - これによりクラスタの完全な幾何学を抽出し、部分的に隠れたトマトを信頼性高く同定。

4. どうやって有効だと検証した？

- シミュレーションフレームワークを実世界条件に対して厳密に検証。 - 異なる遮蔽レベルを持つ複数シナリオで評価。 - 精度90%超、平均再現率82.8%、mIoU 80.7%を達成。 - 重心推定の再現性が高く、RMSEはわずか4.2mm。 - 自律収穫作業への技術的実現可能性と高精度を確認。

5. 議論はある？

- 要旨からは不明。 - シミュレーション評価のみで実環境での検証については言及なし。 - 計算コストやリアルタイム性、他の作物への汎用性に関する議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：リンゴ、パプリカ、モモを対象とした既存研究。 - 関連手法：AgriSEE Next Best View (NBV)、Statistical Outlier Removal (SOR)、Region Growing (RG)、DBSCAN。 - 同分野の定番：能動知覚、3D点群処理、収穫ロボティクスに関する論文。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Fernando Cañadas-Aránega, Rowan Border, José C. Moreno, José L. Blanco-Claraco

分類: cs.RO

原文アブストラクト

Automating robotic harvesting in intensive agriculture within Mediterranean greenhouses requires overcoming significant challenges related to the geometric complexity of plants and occluded fruits. Although existing literature offers solutions targeting crops that grow in isolation (e.g., apples, sweet peppers, or peaches), the fundamental challenge lies in cluster-growing vegetables, where fixed sensors mounted on robotic systems fail to detect fruits hidden behind the visible surface. To address this limitation, this study presents a comprehensive pipeline for the 3D reconstruction and precise localization of each fruit within a cluster, including heavily occluded instances. The proposed methodology is structured into five sequential stages: i) point cloud acquisition using the AgriSEE Next Best View (NBV) active planner; ii) stochastic noise filtering via Statistical Outlier Removal (SOR); iii) surface classification and segmentation using Region Growing (RG); iv) isolation and recovery of occluded fruits through Density-Based Spatial Clustering of Applications with Noise (DBSCAN); and v) 3D pose estimation (position and orientation). This approach extracts the complete cluster geometry, ensuring the reliable identification of partially hidden tomatoes. Evaluated across multiple scenarios with varying occlusion levels within a simulation framework rigorously validated against real-world conditions, the system achieves a precision exceeding 90\%, an average recall of 82.8\%, and a mean Intersection over Union (mIoU) of 80.7\%. Furthermore, it demonstrates high repeatability in centroid estimation with a Root Mean Square Error (RMSE) of merely 4.2~mm, verifying its technical feasibility and high accuracy for autonomous harvesting operations.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI