論文の概要: TwinTac: A Wide-Range, Highly Sensitive Tactile Sensor with Real-to-Sim Digital Twin Sensor Model

• arxiv url: http://arxiv.org/abs/2509.10063v1
• Date: Fri, 12 Sep 2025 08:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.022016
• Title: TwinTac: A Wide-Range, Highly Sensitive Tactile Sensor with Real-to-Sim Digital Twin Sensor Model
• Title（参考訳）: TwinTac: リアルタイムデジタル双極子センサーモデルを備えた広帯域高感度触覚センサ
• Authors: Xiyan Huang, Zhe Xu, Chenxi Xiao,
• Abstract要約: 我々は、物理的な触覚センサーとデジタルツインモデルを組み合わせたシステムであるTwinTacを紹介する。 ハードウェアセンサーは高感度で広い測定範囲に設計されている。 デジタルツインセンサによって生成されたシミュレーションデータにより,実世界のデータを効果的に増強し,精度を向上できることを示す。
• 参考スコア（独自算出の注目度）: 4.668679765548824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot skill acquisition processes driven by reinforcement learning often rely on simulations to efficiently generate large-scale interaction data. However, the absence of simulation models for tactile sensors has hindered the use of tactile sensing in such skill learning processes, limiting the development of effective policies driven by tactile perception. To bridge this gap, we present TwinTac, a system that combines the design of a physical tactile sensor with its digital twin model. Our hardware sensor is designed for high sensitivity and a wide measurement range, enabling high quality sensing data essential for object interaction tasks. Building upon the hardware sensor, we develop the digital twin model using a real-to-sim approach. This involves collecting synchronized cross-domain data, including finite element method results and the physical sensor's outputs, and then training neural networks to map simulated data to real sensor responses. Through experimental evaluation, we characterized the sensitivity of the physical sensor and demonstrated the consistency of the digital twin in replicating the physical sensor's output. Furthermore, by conducting an object classification task, we showed that simulation data generated by our digital twin sensor can effectively augment real-world data, leading to improved accuracy. These results highlight TwinTac's potential to bridge the gap in cross-domain learning tasks.
• Abstract（参考訳）: 強化学習によって駆動されるロボットスキル獲得プロセスは、大規模なインタラクションデータを効率的に生成するシミュレーションに依存することが多い。 しかし、触覚センサのシミュレーションモデルが存在しないことで、このようなスキル学習プロセスにおける触覚センサの使用が妨げられ、触覚知覚によって引き起こされる効果的なポリシーの開発が制限された。 このギャップを埋めるために、物理的な触覚センサーとデジタルツインモデルを組み合わせたシステムであるTwinTacを紹介します。 ハードウェアセンサは、高感度で広い測定範囲に設計されており、オブジェクトのインタラクションに不可欠な高品質なセンシングデータを可能にする。 ハードウェアセンサをベースとして,リアル・ツー・シミュレート・アプローチを用いたディジタルツインモデルを開発した。 これには、有限要素法結果や物理センサーの出力を含む同期されたクロスドメインデータを収集し、シミュレーションされたデータを実際のセンサー応答にマッピングするためにニューラルネットワークをトレーニングすることが含まれる。 実験により,物理センサの感度を特徴付けるとともに,物理センサの出力を再現するデジタルツインの整合性を実証した。 さらに、オブジェクト分類タスクを行うことで、デジタルツインセンサーによって生成されたシミュレーションデータが実世界のデータを効果的に増強し、精度が向上することを示した。 これらの結果は、ドメイン間学習タスクのギャップを埋めるTwinTacの可能性を強調している。

関連論文リスト

• Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [50.34179054785646]
  ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。 Taccelは正確な物理シミュレーションとリアルな触覚信号を提供し、ユーザフレンドリーなAPIを通じて柔軟なロボットセンサー構成をサポートする。 これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
  論文  参考訳（メタデータ） (2025-04-17T12:57:11Z)
• Sensor-Invariant Tactile Representation [11.153753622913843]
  高解像度触覚センサーは、知覚の具体化やロボット操作に欠かせないものとなっている。 この分野における重要な課題は、設計と製造のバリエーションによるセンサー間の伝達性の欠如である。 本稿では,光触覚センサ間のゼロショット転送を可能にする,SITR(Sensor-Invariant Tactile Representations)の抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-27T00:12:50Z)
• AnyTouch: Learning Unified Static-Dynamic Representation across Multiple Visuo-tactile Sensors [11.506370451126378]
  Visuo-Tactileセンサーは、人間の触覚をエミュレートし、ロボットが物体を理解して操作できるようにする。 そこで本研究では,4種類のビジュオ触覚センサを用いたマルチモーダル触覚マルチセンサデータセットであるTacQuadを紹介する。 マルチレベル構造を持つ静的動的マルチセンサ表現学習フレームワークであるAnyTouchを提案する。
  論文  参考訳（メタデータ） (2025-02-15T08:33:25Z)
• Data Sensor Fusion In Digital Twin Technology For Enhanced Capabilities In A Home Environment [0.0]
  本稿では,デジタルツイン技術におけるデータセンサの融合によるホーム環境機能の強化について検討する。 この研究は、サイバー物理システム、IoT、AI、ロボティクスを統合して、デジタル双生児の能力を強化している。
  論文  参考訳（メタデータ） (2025-02-13T01:14:30Z)
• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
  RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。 畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。 提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
  論文  参考訳（メタデータ） (2022-02-15T17:38:30Z)
• Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
  触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。 EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。 さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:49:59Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。