論文の概要: TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation

• arxiv url: http://arxiv.org/abs/2602.05468v1
• Date: Thu, 05 Feb 2026 09:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.196383
• Title: TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation
• Title（参考訳）: TaSA: 触覚減衰の2相深部予測学習によるイングラスマニピュレーションの改善
• Authors: Pranav Ponnivalavan, Satoshi Funabashi, Alexander Schmitz, Tetsuya Ogata, Shigeki Sugano,
• Abstract要約: 人間は、物体と複数の指の同時接触を伴う、物体のピンチや道具の使用など、さまざまな手動操作を行うことができる。 なぜなら、このような巧妙な操作は、自己接触によって生じる触覚と、外部との接触から生じる感覚を区別する必要があるからだ。 本稿では,2段階の深層予測学習フレームワークであるTaSAを紹介する。第1フェーズでは,ロボット自身の動作が触覚フィードバックをいかに生成するかをモデル化して,自己触覚のダイナミクスを明示的に学習する。 第2フェーズでは、この学習モデルを運動学習フェーズに組み込んで対象を強調する。
• 参考スコア（独自算出の注目度）: 45.60949380395733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans can achieve diverse in-hand manipulations, such as object pinching and tool use, which often involve simultaneous contact between the object and multiple fingers. This is still an open issue for robotic hands because such dexterous manipulation requires distinguishing between tactile sensations generated by their self-contact and those arising from external contact. Otherwise, object/robot breakage happens due to contacts/collisions. Indeed, most approaches ignore self-contact altogether, by constraining motion to avoid/ignore self-tactile information during contact. While this reduces complexity, it also limits generalization to real-world scenarios where self-contact is inevitable. Humans overcome this challenge through self-touch perception, using predictive mechanisms that anticipate the tactile consequences of their own motion, through a principle called sensory attenuation, where the nervous system differentiates predictable self-touch signals, allowing novel object stimuli to stand out as relevant. Deriving from this, we introduce TaSA, a two-phased deep predictive learning framework. In the first phase, TaSA explicitly learns self-touch dynamics, modeling how a robot's own actions generate tactile feedback. In the second phase, this learned model is incorporated into the motion learning phase, to emphasize object contact signals during manipulation. We evaluate TaSA on a set of insertion tasks, which demand fine tactile discrimination: inserting a pencil lead into a mechanical pencil, inserting coins into a slot, and fixing a paper clip onto a sheet of paper, with various orientations, positions, and sizes. Across all tasks, policies trained with TaSA achieve significantly higher success rates than baseline methods, demonstrating that structured tactile perception with self-touch based on sensory attenuation is critical for dexterous robotic manipulation.
• Abstract（参考訳）: 人間は、物体と複数の指の同時接触を伴う、物体のピンチや道具の使用など、さまざまな手動操作を行うことができる。 なぜなら、このような巧妙な操作は、自己接触によって生じる触覚と、外部との接触から生じる感覚を区別する必要があるからだ。 そうでなければ、オブジェクト/ロボットの破損は接触/衝突によって起こる。 実際、ほとんどのアプローチは、接触中の自己接触情報を無視・無視するために動きを制限することによって、完全に自己接触を無視している。 これにより複雑さが軽減されるが、自己接触が避けられない現実のシナリオへの一般化も制限される。 人間はこの課題を、自己触覚によって克服し、自身の動きの触覚的な結果を予測する予測メカニズムを用いて、神経系が予測可能な自己触覚信号を区別し、新しい物体の刺激がそれと同等に際立たせるという感覚減衰と呼ばれる原理を用いて解決する。 このことから,2段階の深層予測学習フレームワークであるTaSAを紹介した。 第1フェーズでは、TaSAは、ロボット自身の動作が触覚フィードバックをいかに生み出すかをモデル化して、自覚ダイナミクスを明示的に学習する。 第2フェーズでは、この学習モデルをモーション学習フェーズに組み込んで、操作中の物体接触信号を強調する。 本研究では, 鉛鉛をメカニカル鉛に挿入し, 硬貨をスロットに挿入し, 紙のクリップを紙のシートに固定し, 様々な方向, 位置, サイズで, 微妙な触覚識別を要求される挿入作業において, TaSAを評価した。 すべてのタスクにおいて、TaSAで訓練されたポリシーは、ベースライン法よりもはるかに高い成功率を達成し、感覚の減衰に基づく触覚の構造化が、繊細なロボット操作において重要であることを示す。

関連論文リスト

• TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment [32.07730277045068]
  既存のH2R(Human-to-robot)アプローチでは、タッチが同一の触覚センサーを前提としており、ペアのデータを必要とし、人間のデモンストレーターとロボットの間の具体的ギャップをほとんど必要としない。 そこで本研究では,異なる実施形態のロボットに人為的な触覚信号を伝達する触覚アライメント手法であるTactAlignを提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:31:32Z)
• TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
  TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。 TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。 高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
  論文  参考訳（メタデータ） (2026-01-28T04:22:47Z)
• OPENTOUCH: Bringing Full-Hand Touch to Real-World Interaction [93.88239833545623]
  OpenTouchは、最初のインザワイルドなエゴセントリックなフルハンド触覚データセットです。 触覚信号は,理解のためのコンパクトで強力なキューを提供する。 我々は,マルチモーダルな自我中心の知覚,具体的学習,接触に富むロボット操作の促進を目指す。
  論文  参考訳（メタデータ） (2025-12-18T18:18:17Z)
• Robot Synesthesia: In-Hand Manipulation with Visuotactile Sensing [15.970078821894758]
  視覚的・触覚的な感覚入力を活用して手動操作を可能にするシステムを提案する。 ロボット・シンセシス(Robot Synesthesia)は、人間の触覚と視覚の合成にインスパイアされた、新しい点の雲に基づく触覚表現である。
  論文  参考訳（メタデータ） (2023-12-04T12:35:43Z)
• MimicTouch: Leveraging Multi-modal Human Tactile Demonstrations for Contact-rich Manipulation [8.738889129462013]
  ミミックタッチ(MimicTouch)は、人手によるデモンストレーションから直接ポリシーを学ぶための新しいフレームワークである。 i)人間の触覚誘導制御戦略を学習するためのマルチモーダルな触覚データセットを収集する人間の触覚データ収集システム,i)そのようなデータを通して人間の触覚誘導制御戦略を学習するための模倣学習ベースのフレームワーク。
  論文  参考訳（メタデータ） (2023-10-25T18:34:06Z)
• Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
  人間は触覚と触覚に頼っている。 視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。 本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
  論文  参考訳（メタデータ） (2023-03-10T16:27:37Z)
• The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
  両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。 実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2017-10-16T05:32:38Z)

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。