論文の概要: PTLD: Sim-to-real Privileged Tactile Latent Distillation for Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2603.04531v1
• Date: Wed, 04 Mar 2026 19:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.909436
• Title: PTLD: Sim-to-real Privileged Tactile Latent Distillation for Dexterous Manipulation
• Title（参考訳）: PTLD(Sim-to-real Privileged Tactile Latent Distillation for Dexterous Manipulation)
• Authors: Rosy Chen, Mustafa Mukadam, Michael Kaess, Tingfan Wu, Francois R Hogan, Jitendra Malik, Akash Sharma,
• Abstract要約: PTLD: sim-to-real Privileged Tactile Latent Distillationを紹介した。 PTLDは触覚感覚を取り入れることで,シミュレーションで訓練されたプロテアーゼの制御ポリシーを著しく改善することができることを示す。
• 参考スコア（独自算出の注目度）: 43.81692375130905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile dexterous manipulation is essential to automating complex household tasks, yet learning effective control policies remains a challenge. While recent work has relied on imitation learning, obtaining high quality demonstrations for multi-fingered hands via robot teleoperation or kinesthetic teaching is prohibitive. Alternatively, with reinforcement we can learn skills in simulation, but fast and realistic simulation of tactile observations is challenging. To bridge this gap, we introduce PTLD: sim-to-real Privileged Tactile Latent Distillation, a novel approach to learning tactile manipulation skills without requiring tactile simulation. Instead of simulating tactile sensors or relying purely on proprioceptive policies to transfer zero-shot sim-to-real, our key idea is to leverage privileged sensors in the real world to collect real-world tactile policy data. This data is then used to distill a robust state estimator that operates on tactile input. We demonstrate from our experiments that PTLD can be used to improve proprioceptive manipulation policies trained in simulation significantly by incorporating tactile sensing. On the benchmark in-hand rotation task, PTLD achieves a 182% improvement over a proprioception only policy. We also show that PTLD enables learning the challenging task of tactile in-hand reorientation where we see a 57% improvement in the number of goals reached over using proprioception alone. Website: https://akashsharma02.github.io/ptld-website/.
• Abstract（参考訳）: 複雑な家庭作業を自動化するには触覚の巧妙な操作が不可欠だが、効果的な制御ポリシーの学習は依然として課題である。 近年の研究は模倣学習に頼っているが,ロボット遠隔操作や審美教育による多指ハンドの高品質な実演は禁止されている。 あるいは、強化によってシミュレーションのスキルを学ぶことができるが、触覚観察の高速で現実的なシミュレーションは難しい。 このギャップを埋めるために, PTLD: sim-to-real Privileged Tactile Latent Distillationを導入する。 触覚センサーをシミュレートしたり、ゼロショットのシミュレートをリアルに転送するためのプロプリオプティブポリシーに純粋に依存するのではなく、私たちのキーとなるアイデアは、現実世界の特権センサーを活用して実際の触覚ポリシーデータを収集することだ。 このデータは、触覚入力で動作する頑健な状態推定器を蒸留するために使用される。 本実験から,PTLDは触覚感覚を取り入れることで,シミュレーションでトレーニングしたプロテアーゼ制御ポリシーを著しく改善するために有効であることを示す。 PTLDは、手動回転タスクのベンチマークにおいて、プロセプションのみのポリシーよりも182%改善されている。 また, PTLDは, プロペロセプション単独で達成した目標数に対して, 57%の改善を達成し, 触覚内向き調整の難易度を学習できることを示した。 Webサイト: https://akashsharma02.github.io/ptld-website/

関連論文リスト

• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• Enhancing Tactile-based Reinforcement Learning for Robotic Control [32.565866574593635]
  我々は,触覚観察をより効果的に活用するために,自己教師付き学習法(SSL)を開発した。 疎二元触覚信号がデキスタリティに重要であることを実証的に実証した。 我々は,ロボット触覚オリンピアド(RoTO)ベンチマークを公開し,触覚に基づく操作に関する今後の研究を標準化し,促進する。
  論文  参考訳（メタデータ） (2025-10-24T16:15:05Z)
• VT-Refine: Learning Bimanual Assembly with Visuo-Tactile Feedback via Simulation Fine-Tuning [39.49846628626501]
  人間は、リッチな触覚フィードバックに適応することで、バイマニュアルアセンブリータスクで卓越する。 VT-Refineは、実世界の実演、高忠実度触覚シミュレーション、強化学習を組み合わせた、ビジュオ触覚政策学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-16T17:41:36Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• Learning In-Hand Translation Using Tactile Skin With Shear and Normal Force Sensing [43.269672740168396]
  3次せん断力と2次正規力のゼロショット・シミュレートを可能にする触覚皮膚センサモデルを提案する。 触覚センシングが様々な未確認オブジェクト特性へのポリシー適応をどのように促進するかを評価するために、広範囲な実世界の実験を行う。
  論文  参考訳（メタデータ） (2024-07-10T17:52:30Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
  シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。 本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-05-29T05:58:54Z)

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。