論文の概要: How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands

• arxiv url: http://arxiv.org/abs/2604.00744v1
• Date: Wed, 01 Apr 2026 11:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.949932
• Title: How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands
• Title（参考訳）: 触覚モデルのトレーニング方法:多指ロボットハンドによる触覚認識
• Authors: Christopher J. Ford, Kaichen Shi, Laura Butcher, Nathan F. Lepora, Efi Psomopoulou,
• Abstract要約: TacViTは、新しいセンサーデータに基づいて一般化するビジョントランスフォーマーに基づく、新しい触覚知覚モデルである。 この機能は、データ収集と再トレーニングの必要性を大幅に低減し、新しいセンサーのデプロイを加速する。 実際のロボットアプリケーションに触覚センサーをよりスケーラブルで実用的なものにするための、TacViTの可能性を強調した。
• 参考スコア（独自算出の注目度）: 5.994865673189261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid deployment of new tactile sensors is essential for scalable robotic manipulation, especially in multi-fingered hands equipped with vision-based tactile sensors. However, current methods for inferring contact properties rely heavily on convolutional neural networks (CNNs), which, while effective on known sensors, require large, sensor-specific datasets. Furthermore, they require retraining for each new sensor due to differences in lens properties, illumination, and sensor wear. Here we introduce TacViT, a novel tactile perception model based on Vision Transformers, designed to generalize on new sensor data. TacViT leverages global self-attention mechanisms to extract robust features from tactile images, enabling accurate contact property inference even on previously unseen sensors. This capability significantly reduces the need for data collection and retraining, accelerating the deployment of new sensors. We evaluate TacViT on sensors for a five-fingered robot hand and demonstrate its superior generalization performance compared to CNNs. Our results highlight TacViTs potential to make tactile sensing more scalable and practical for real-world robotic applications.
• Abstract（参考訳）: 新しい触覚センサの迅速な展開は、スケーラブルなロボット操作、特に視覚ベースの触覚センサを備えた多指ハンドに不可欠である。 しかし、現在の接触特性を推定する方法は畳み込みニューラルネットワーク(CNN)に大きく依存しており、既知のセンサーでは有効であるが、大きなセンサー固有のデータセットが必要である。 さらに、レンズ特性、照明、センサー摩耗の違いにより、新しいセンサーごとに再トレーニングする必要がある。 本稿では,視覚変換器をベースとした触覚知覚モデルであるTacViTを紹介する。 TacViTは、グローバルな自己認識機構を活用して、触覚画像から堅牢な特徴を抽出し、これまで見えないセンサーでも正確な接触特性推論を可能にする。 この機能は、データ収集と再トレーニングの必要性を大幅に低減し、新しいセンサーのデプロイを加速する。 5本指ロボットハンドのセンサ上でのTacViTの評価を行い,CNNと比較して優れた一般化性能を示した。 実際のロボットアプリケーションに触覚センサーをよりスケーラブルで実用的なものにするための、TacViTの可能性を強調した。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile Sensor with Application to In-Hand Manipulation [16.54834671357377]
  汎用的な手動操作は、ロボティクスの未解決課題の1つとして残されている。 DIGITは安価でコンパクトで高解像度な触覚センサで、手作業で操作できる。
  論文  参考訳（メタデータ） (2020-05-29T17:07:54Z)
• OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
  既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。 我々は,多方向高解像度触覚センサOmniTactを紹介する。 我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
  論文  参考訳（メタデータ） (2020-03-16T01:31:29Z)

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。