論文の概要: TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment

• arxiv url: http://arxiv.org/abs/2602.13579v1
• Date: Sat, 14 Feb 2026 03:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.454185
• Title: TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment
• Title（参考訳）: TactAlign: 触覚アライメントによる人間とロボットのポリシー伝達
• Authors: Youngsun Wi, Jessica Yin, Elvis Xiang, Akash Sharma, Jitendra Malik, Mustafa Mukadam, Nima Fazeli, Tess Hellebrekers,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.07730277045068
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human demonstrations collected by wearable devices (e.g., tactile gloves) provide fast and dexterous supervision for policy learning, and are guided by rich, natural tactile feedback. However, a key challenge is how to transfer human-collected tactile signals to robots despite the differences in sensing modalities and embodiment. Existing human-to-robot (H2R) approaches that incorporate touch often assume identical tactile sensors, require paired data, and involve little to no embodiment gap between human demonstrator and the robots, limiting scalability and generality. We propose TactAlign, a cross-embodiment tactile alignment method that transfers human-collected tactile signals to a robot with different embodiment. TactAlign transforms human and robot tactile observations into a shared latent representation using a rectified flow, without paired datasets, manual labels, or privileged information. Our method enables low-cost latent transport guided by hand-object interaction-derived pseudo-pairs. We demonstrate that TactAlign improves H2R policy transfer across multiple contact-rich tasks (pivoting, insertion, lid closing), generalizes to unseen objects and tasks with human data (less than 5 minutes), and enables zero-shot H2R transfer on a highly dexterous tasks (light bulb screwing).
• Abstract（参考訳）: ウェアラブルデバイス(例えば、触覚手袋)によって収集された人間のデモは、ポリシー学習の迅速かつ厳密な監視を提供し、リッチで自然な触覚フィードバックによってガイドされる。 しかし、重要な課題は、感覚のモダリティや体感の違いにもかかわらず、人間が選択した触覚信号をロボットに転送する方法である。 タッチを組み込んだ既存のH2R(Human-to-robot)アプローチは、しばしば同一の触覚センサーを仮定し、ペアデータを必要とし、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せず、スケーラビリティと汎用性を制限している。 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。 TactAlignは、人間とロボットの触覚観察を、ペア化されたデータセット、手動ラベル、特権情報なしで、修正されたフローを使用して共有潜在表現に変換する。 本手法は,手動による対話型擬似ペアによって導かれる低コストの潜伏輸送を実現する。 我々は、TactAlignが複数のコンタクトリッチタスク(ピボット、挿入、蓋閉じ)間でH2Rポリシーの転送を改善し、人間のデータで見えないオブジェクトやタスク(5分以内)に一般化し、高精細なタスク(電球ネジ)でゼロショットH2R転送を可能にすることを実証した。

関連論文リスト

• EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
  EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。 スケーラブルな人的データ収集のためのポータブルシステムを開発した。
  論文  参考訳（メタデータ） (2026-02-10T18:59:03Z)
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
  DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。 DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。 ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:02Z)
• UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
  そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。 UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する 高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
  論文  参考訳（メタデータ） (2026-02-01T11:03:01Z)
• 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)
• OSMO: Open-Source Tactile Glove for Human-to-Robot Skill Transfer [34.13467792368733]
  我々は、人間とロボットのスキル伝達用に設計されたウェアラブルな触覚手袋であるOSMOを紹介する。 人間の実演のみに特化して訓練されたロボットポリシーは、困難なコンタクトリッチな操作タスクを実行することができることを実証する。
  論文  参考訳（メタデータ） (2025-12-09T18:56:30Z)
• Built Different: Tactile Perception to Overcome Cross-Embodiment Capability Differences in Collaborative Manipulation [2.0318411357438086]
  触覚が協調操作の文脈において,ロボットの実施形態の違いを橋渡しするのにどう役立つかを検討する。 本稿では,触覚センサと行動クローンを用いて,ロボットから非機能ロボットへポリシーを伝達するアプローチを提案する。 我々は,この正の移動を,力制御ロボットデータで訓練されたのと同じ方針を用いて,4種類の触覚対応エボディメントに示す。
  論文  参考訳（メタデータ） (2024-09-23T10:45:41Z)
• Learning Visuotactile Skills with Two Multifingered Hands [80.99370364907278]
  マルチフィンガーハンドとバイソタクティブルデータを用いたバイマニアルシステムを用いて,人間の実演からの学習を探索する。 以上の結果から,バイスオタクティブルデータからの両指多指操作における有望な進歩が示唆された。
  論文  参考訳（メタデータ） (2024-04-25T17:59:41Z)
• 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)
• Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
  本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。 対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。 本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T19:58:03Z)

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。