論文の概要: TactiVerse: Generalizing Multi-Point Tactile Sensing in Soft Robotics Using Single-Point Data

• arxiv url: http://arxiv.org/abs/2602.19850v1
• Date: Mon, 23 Feb 2026 13:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.645808
• Title: TactiVerse: Generalizing Multi-Point Tactile Sensing in Soft Robotics Using Single-Point Data
• Title（参考訳）: TactiVerse:シングルポイントデータを用いたソフトロボティクスにおける多点触覚の一般化
• Authors: Junhui Lee, Hyosung Kim, Saekwang Nam,
• Abstract要約: 本稿では,空間熱マップ予測タスクとして接触幾何推定を定式化するフレームワークであるTactiVerseを紹介する。 我々のアーキテクチャは高精度な単一点センシングを実現しており、平均絶対誤差は0.0589mmである。 マルチポイント接触データによるトレーニングデータセットの強化は,センサのマルチポイントセンシング能力を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 0.8921166277011348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time prediction of deformation in highly compliant soft materials remains a significant challenge in soft robotics. While vision-based soft tactile sensors can track internal marker displacements, learning-based models for 3D contact estimation heavily depend on their training datasets, inherently limiting their ability to generalize to complex scenarios such as multi-point sensing. To address this limitation, we introduce TactiVerse, a U-Net-based framework that formulates contact geometry estimation as a spatial heatmap prediction task. Even when trained exclusively on a limited dataset of single-point indentations, our architecture achieves highly accurate single-point sensing, yielding a superior mean absolute error of 0.0589 mm compared to the 0.0612 mm of a conventional regression-based CNN baseline. Furthermore, we demonstrate that augmenting the training dataset with multi-point contact data substantially enhances the sensor's multi-point sensing capabilities, significantly improving the overall mean MAE for two-point discrimination from 1.214 mm to 0.383 mm. By successfully extrapolating complex contact geometries from fundamental interactions, this methodology unlocks advanced multi-point and large-area shape sensing. Ultimately, it significantly streamlines the development of marker-based soft sensors, offering a highly scalable solution for real-world tactile perception.
• Abstract（参考訳）: 高適合性軟質材料の変形のリアルタイム予測は、ソフトロボティクスにおいて重要な課題である。 視覚ベースのソフト触覚センサは内部マーカーの変位を追跡することができるが、学習ベースの3D接触推定モデルはトレーニングデータセットに大きく依存し、本質的にはマルチポイントセンシングのような複雑なシナリオに一般化する能力を制限する。 この制限に対処するために,空間熱マップ予測タスクとして接触幾何推定を定式化するU-NetベースのフレームワークであるTactiVerseを紹介する。 従来の回帰ベースのCNNベースラインの0.0612mmに比べて平均絶対誤差が0.0589mmである。 さらに,マルチポイント接触データを用いたトレーニングデータセットの強化により,センサのマルチポイントセンシング能力が大幅に向上し,2点識別における総合平均MAEが1.214mmから0.383mmに大幅に向上することが実証された。 複雑な接触幾何学を基本的な相互作用から外挿することで、この方法論は高度な多点および大面積形状のセンシングを解き放つ。 究極的には、マーカーベースのソフトセンサーの開発を著しく効率化し、現実世界の触覚知覚に高度にスケーラブルなソリューションを提供する。

関連論文リスト

• A Foundation Model for Virtual Sensors [41.4965371110973]
  既存の仮想センサアプローチでは、各センサに対して手入力のアプリケーション固有のモデルが必要である。 両方の制約に対処する仮想センサの最初の基礎モデルを紹介する。 我々のアーキテクチャは415倍の時間短縮と951倍のメモリ要求の削減を実現している。
  論文  参考訳（メタデータ） (2026-01-28T14:17:46Z)
• Tactile MNIST: Benchmarking Active Tactile Perception [19.93022179513013]
  本稿では,触覚タスクのためのオープンソースのGymnasium互換ベンチマークであるTactile MNIST Benchmark Suiteを紹介する。 私たちのベンチマークスイートは、単純な玩具環境から視覚ベースの触覚センサーを用いた複雑な触覚知覚タスクまで、さまざまなシミュレーションシナリオを提供しています。 また,600個の3Dプリントディジットから収集した合成3D MNIST桁モデル13,500点と実世界の触覚サンプル153,600点からなる包括的データセットも提供する。
  論文  参考訳（メタデータ） (2025-06-03T14:42:16Z)
• FeelAnyForce: Estimating Contact Force Feedback from Tactile Sensation for Vision-Based Tactile Sensors [18.88211706267447]
  視覚に基づく触覚センサを用いて3次元接触力を推定する問題に対処する。 我々のゴールは、様々な視覚ベースの触覚センサーにまたがって、あらゆる物体の接触力(最大15N)を推定することである。
  論文  参考訳（メタデータ） (2024-10-02T21:28:19Z)
• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• 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)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)
• Learning the sense of touch in simulation: a sim-to-real strategy for vision-based tactile sensing [1.9981375888949469]
  本稿では,3次元接触力分布の再構成を目的とした,視覚に基づく触覚センサについて述べる。 シミュレーションデータから完全に調整されたディープニューラルネットワークをトレーニングするための戦略が提案されている。 結果として得られる学習アーキテクチャは、さらなるトレーニングをすることなく、複数の触覚センサ間で直接転送可能であり、実際のデータに対して正確な予測が得られます。
  論文  参考訳（メタデータ） (2020-03-05T14:17:45Z)

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。