論文の概要: You're Pushing My Buttons: Instrumented Learning of Gentle Button Presses

• arxiv url: http://arxiv.org/abs/2604.05954v1
• Date: Tue, 07 Apr 2026 14:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.890865
• Title: You're Pushing My Buttons: Instrumented Learning of Gentle Button Presses
• Title（参考訳）: ボタンを押すと「ジェントル・ボタン・プレス」が学習される
• Abstract要約: トレーニング時のインスツルメンテーションが、デプロイメント時の依存性を作らずに、ポリシーのパフォーマンスを向上させることができるかどうかをテストする。 我々は、オーディオエンコーダを接触イベント検出器に微調整するために、計装されたボタン状態信号を使用する。 ボタンのプレス成功率はメソッド間で似ているが、インスツルメンテーション誘導オーディオ表現は、常に接触力を減少させる。
• 参考スコア（独自算出の注目度）: 0.44366329731054943
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning contact-rich manipulation is difficult from cameras and proprioception alone because contact events are only partially observed. We test whether training-time instrumentation, i.e., object sensorisation, can improve policy performance without creating deployment-time dependencies. Specifically, we study button pressing as a testbed and use a microphone fingertip to capture contact-relevant audio. We use an instrumented button-state signal as privileged supervision to fine-tune an audio encoder into a contact event detector. We combine the resulting representation with imitation learning using three strategies, such that the policy only uses vision and audio during inference. Button press success rates are similar across methods, but instrumentation-guided audio representations consistently reduce contact force. These results support instrumentation as a practical training-time auxiliary objective for learning contact-rich manipulation policies.
• Abstract（参考訳）: コンタクトイベントは部分的にのみ観察されるため、カメラとプロプレセプションだけでは、コンタクトリッチな操作の学習は困難である。 トレーニングタイムの計測,すなわちオブジェクトのセンサ化によって,デプロイ時の依存関係を発生させることなく,ポリシのパフォーマンスを向上させることができるかどうかを検証する。 具体的には、テストベッドとしてボタンを押すことを研究し、マイクの指先を使って接触関連音声をキャプチャする。 我々は、オーディオエンコーダを接触イベント検出器に微調整するために、計装されたボタン状態信号を使用する。 得られた表現と模倣学習を3つの戦略で組み合わせて,提案手法は推論時にのみ視覚と音声を使用する。 ボタンのプレス成功率はメソッド間で似ているが、インスツルメンテーション誘導オーディオ表現は、常に接触力を減少させる。 これらの結果は、接触リッチな操作ポリシーを学ぶための実践的な訓練時間補助目的としての計測を支援する。

関連論文リスト

• VibeAct: Vibration to Actions for Contact-Rich Reactive Robot Dexterity [19.20612096722837]
  VibeActは、本物の視覚的触覚とシミュレーションに基づく強化学習を橋渡しするフレームワークである。 実世界では、圧電マイクロホンを器用なロボットハンドに埋め込んで、遠隔操作でバイブロ音響データを収集する。 触覚推定器は、実際のマイクロホン波形から接触や滑りを予測し、操作ポリシーは、シミュレーションされた接触から直接計算された同じ表現のシミュレーションで訓練される。
  論文  参考訳（メタデータ） (2026-06-25T17:50:07Z)
• Hearing Touch: Audio-Visual Pretraining for Contact-Rich Manipulation [13.026061233933435]
  現在のパラダイムは視覚表現のための大規模な事前訓練のみを実行する。 触覚などの他のモダリティを事前訓練するために、インターネットスケールのデータがどのように使われるのかは不明だ。 本稿では,コンタクトマイクを代替触覚センサとして利用することで,このギャップに対処する。
  論文  参考訳（メタデータ） (2024-05-14T13:16:46Z)
• Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
  我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。 本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。 以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
  論文  参考訳（メタデータ） (2023-11-02T14:02:42Z)
• Bootstrapping Adaptive Human-Machine Interfaces with Offline Reinforcement Learning [82.91837418721182]
  適応インターフェイスは、ユーザがシーケンシャルな意思決定タスクを実行するのに役立つ。 近年のヒューマン・イン・ザ・ループ・機械学習の進歩により、ユーザとの対話によってこのようなシステムが改善されている。 本稿では,生のコマンド信号をアクションにマッピングするインタフェースを訓練するための強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-07T16:52:27Z)
• MoRSE: Deep Learning-based Arm Gesture Recognition for Search and Rescue Operations [1.4680035572775534]
  本稿では、Deep Learning(DL)モデルを用いて、予め定義されたアームジェスチャーの集合を認識するスマートウォッチベースのアプリケーションを提案する。 モデル性能は,支配的な腕にスマートウォッチを装着した7人の被験者(クロスバリデーション)が行う4,200のジェスチャーを用いて評価した。 我々のDLモデルは畳み込みプーリングに頼り、既存のDLアプローチと一般的な機械学習分類器の性能を上回り、95%以上のジェスチャー認識精度を得る。
  論文  参考訳（メタデータ） (2022-10-15T14:23:54Z)
• Impact Makes a Sound and Sound Makes an Impact: Sound Guides Representations and Explorations [17.356402088852423]
  我々は物理に基づく音響シミュレーションによる現実的なロボット操作シナリオを構築し、本質的な音キュリオシティモジュール(ISCM)を提案する。 ISCMは、堅牢な表現を学び、より効率的な探索行動に報いるために、強化学習者にフィードバックを提供する。 本研究は, 適応中, 適応中, 適応中に有効となる音による実験を行い, ISCM が学習した表現が, 視力のみのベースラインでより優れており, 訓練済みポリシーが下流タスクに適用した場合の学習プロセスの高速化を図っていることを示す。
  論文  参考訳（メタデータ） (2022-08-04T14:21:06Z)
• Play it by Ear: Learning Skills amidst Occlusion through Audio-Visual Imitation Learning [62.83590925557013]
  我々は視覚と音声の入力から、部分的に観察された操作タスクのセットを学習する。 提案システムは,遠隔操作による実演とオンラインファインタニングを併用することで,これらの課題を学習する。 模擬課題の集合において、我々のシステムは音声を使うことの恩恵を受けており、オンライン介入を用いることで、オフライン模倣学習の成功率を20%向上できることがわかった。
  論文  参考訳（メタデータ） (2022-05-30T04:52:58Z)
• Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
  本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。 我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。 本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
  論文  参考訳（メタデータ） (2022-04-06T20:51:40Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)
• Self-Supervised Learning of Audio-Visual Objects from Video [108.77341357556668]
  本稿では,音源の局所化とグループ化,時間とともに情報収集を行うための光フローに着目したモデルを提案する。 本稿では,4つの下流音声指向タスクにおいて,モデルが学習する音声-視覚オブジェクトの埋め込みの有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-10T16:18:01Z)
• Visually Guided Self Supervised Learning of Speech Representations [62.23736312957182]
  音声視覚音声の文脈における視覚的モダリティによって導かれる音声表現を学習するためのフレームワークを提案する。 音声クリップに対応する静止画像をアニメーション化し、音声セグメントの実際の映像にできるだけ近いよう、生成した映像を最適化する。 我々は,感情認識のための技術成果と,音声認識のための競争結果を達成する。
  論文  参考訳（メタデータ） (2020-01-13T14:53:22Z)

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。