模倣学習/農業ロボティクス2026/10/16arXiv:2610.22765

低コスト遠隔操作ロボットアームによる模倣学習を用いたイチゴの花梗狙い収穫

Pedicel-Targeted Strawberry Harvesting via Imitation Learning on a Low-Cost Teleoperated Robotic Arm

人間の遠隔操作デモから視覚運動模倣学習パイプラインを構築し、花梗を狙うイチゴ収穫をエッジ上で15Hz自律実行できるようにした。データセットとモデル重みも公開している。

詳しい要約

1. どんなもの？

- いちご収穫において、果実ではなくpedicel（果柄）を狙う把持のためのvisuomotor imitation learningパイプライン - 人間のteleoperation demonstrationsを収集し、Action Chunking with Transformers (ACT) ポリシーをResNet-50 visual backboneで学習 - Jetson AGX Orin edge platform上で15 Hzで自律実行する低コストteleoperated robotic arm向けシステム - データセット・モデル重み・コードを公開する再現可能なopen-source pipelineを構築

2. 先行研究と比べてどこがすごい？

- pedicelは直径1.3-3 mmと細く、周囲の葉と色が類似し、abscission zoneでの切断には精密な力制御が必要という難しさがある - 従来のclassical approachesはvision models・motion planning・contact manipulationを統合した頑健な枠組みの構築が困難、特にoccluded canopy環境で課題 - 本研究は知覚・運動計画・接触操作を単一のimitation learning pipelineに統合 - 果実把持ではなくbruise-freeなpedicel detachmentを狙う点が市場価値の高い作物であるいちごに適合 - 要旨からは不明：具体的な先行研究との定量的比較

3. 技術・手法の肝は？

- 人間によるteleoperation demonstrationsの収集 - ResNet-50 visual backboneを備えたAction Chunking with Transformers (ACT) ポリシーの学習 - 知覚・motion planning・contact manipulationをvisuomotor imitation learningとして統合 - Jetson AGX Orin edge platform上で15 Hzの自律推論・展開 - データセット・モデル重み・設定・deployment instructionsを公開する再現可能なpipeline

4. どうやって有効だと検証した？

- 130 demonstrationsを用い、100K gradient stepsでlossが2.84から0.091へ一貫して収束 - 学習済みポリシーをJetson AGX Orin上で15 Hzで自律展開 - 要旨からは不明：収穫成功率や把持精度などの実機評価指標の詳細

5. 議論はある？

- pedicel-targeted graspingの難しさ（細径・色類似・精密力制御）をimitation learningで統合的に扱う意義 - occluded canopy環境への頑健性が課題として示唆 - 低コストteleoperated robotic armとedge platformでの実装可能性 - open-source化による農業ロボティクスコミュニティへの再現性貢献 - 要旨からは不明：失敗事例や汎化性能に関する具体的議論

6. 次に読むべき論文は？

- Action Chunking with Transformers (ACT) - ResNet-50 visual backboneを用いたvisuomotor imitation learning - 農業ロボティクスにおけるteleoperation demonstrationsとopen-source pipeline - 要旨からは不明：直接比較・参照されている個別論文

※ 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: Nitin Rai, Won Suk Lee, Hongyoung Leon, Heping Zhu

分類: cs.RO

原文アブストラクト

Precise pedicel-targeted grasping in strawberry harvesting remains a critical bottleneck due to the pedicel's small diameter (1.3-3 mm), color similarity with surrounding foliage, and precise force control required for clean abscission zone detachment. As a market-grade crop, strawberry aesthetic value makes bruise-free pedicel detachment essential over direct fruit grasping. Classical approaches struggle to unify vision models, motion planning, and contact manipulation into a robust framework, particularly in occluded canopy environments. Therefore, this work presents a visuomotor imitation learning pipeline for pedicel-targeted strawberry harvesting that unifies perception, motion planning, and contact manipulation from collecting human teleoperation demonstrations, training an Action Chunking with Transformers (ACT) policy with a ResNet-50 visual backbone, and deploying the learned policy autonomously on a Jetson AGX Orin edge platform at 15 Hz. The trained policy achieved consistent loss convergence from 2.84 to 0.091 over 100K gradient steps on 130 demonstrations. We have also established a reproducible open-source pipeline with publicly released dataset and model weights for the agricultural robotics community. Full dataset is available at, https://huggingface.co/datasets/nitindominicrai/strawberry_pedicel_grasp_teleoperation and trained policy at, https://huggingface.co/nitindominicrai/act_strawberry_pedicel. To replicate this work, all code, configurations, and deployment instructions are publicly available at, https://github.com/nitin-dominic/autonomous_strawberry_pedicel_harvesting.

arXivで原文を読む →arXiv概要ページ

低コスト遠隔操作ロボットアームによる模倣学習を用いたイチゴの花梗狙い収穫

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文