論文の概要: ETac: A Lightweight and Efficient Tactile Simulation Framework for Learning Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2604.20295v1
• Date: Wed, 22 Apr 2026 07:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.024222
• Title: ETac: A Lightweight and Efficient Tactile Simulation Framework for Learning Dexterous Manipulation
• Title（参考訳）: ETac:Dexterous Manipulationを学習するための軽量で効率的な触覚シミュレーションフレームワーク
• Authors: Zhe Xu, Feiyu Zhao, Xiyan Huang, Chenxi Xiao,
• Abstract要約: 本研究では,エラストマーソフトボディ相互作用を高忠実度と高効率でモデル化する触覚シミュレーションフレームワークETacを提案する。 ETacは、ソフトボディの接触ダイナミクスを捉えるために、軽量なデータ駆動変形伝搬モデルを採用している。 4,096の並列環境における強化学習をサポートし、総スループットは869 FPSである。
• 参考スコア（独自算出の注目度）: 5.35226291342953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensors are increasingly integrated into dexterous robotic manipulators to enhance contact perception. However, learning manipulation policies that rely on tactile sensing remains challenging, primarily due to the trade-off between fidelity and computational cost of soft-body simulations. To address this, we present ETac, a tactile simulation framework that models elastomeric soft-body interactions with both high fidelity and efficiency. ETac employs a lightweight data-driven deformation propagation model to capture soft-body contact dynamics, achieving high simulation quality and boosting efficiency that enables large-scale policy training. When serving as the simulation backend, ETac produces surface deformation estimates comparable to FEM and demonstrates applicability for modeling real tactile sensors. Then, we showcase its capability in training a blind grasping policy that leverages large-area tactile feedback to manipulate diverse objects. Running on a single RTX 4090 GPU, ETac supports reinforcement learning across 4,096 parallel environments, achieving a total throughput of 869 FPS. The resulting policy reaches an average success rate of 84.45% across four object types, underscoring ETac's potential to make tactile-based skill learning both efficient and scalable.
• Abstract（参考訳）: 触覚センサーは、接触知覚を高めるために、あからさまなロボットマニピュレータにますます統合されている。 しかし,触覚に頼っている学習操作政策は,ソフトボディシミュレーションの忠実度と計算コストのトレードオフが主な要因である。 そこで本研究では,エラストマーソフトボディ相互作用を高忠実度と高効率でモデル化する触覚シミュレーションフレームワークETacを提案する。 ETacは、軽量なデータ駆動変形伝搬モデルを用いて、ソフトボディの接触ダイナミクスを捕捉し、高いシミュレーション品質と大規模ポリシートレーニングを実現する。 シミュレーションバックエンドとして機能すると、ETacはFEMに匹敵する表面変形推定値を生成し、実際の触覚センサーをモデル化するための適用性を示す。 次に,多彩な物体を操作するために,大面積の触覚フィードバックを活用するブラインド把握ポリシーを訓練する能力を示す。 単一のRTX 4090 GPUで動作し、ETacは4,096の並列環境にわたる強化学習をサポートし、合計スループットは869 FPSである。 結果として得られたポリシーは、4つのオブジェクトタイプで平均84.45%の成功率に達し、ETacが触覚ベースのスキル学習を効率的かつスケーラブルにする可能性を強調している。

関連論文リスト

• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• HydroShear: Hydroelastic Shear Simulation for Tactile Sim-to-Real Reinforcement Learning [8.60445826546191]
  HydroShearは非ホロノミックな弾力性触覚シミュレータで、モデリングによって最先端の技術を推し進める。 提案手法は任意の水密測地から物理に基づく計算効率の高い力場を生成する。 この忠実さは、4つのタスクにまたがる強化学習ポリシーのゼロショット・シミュレートを可能にする。
  論文  参考訳（メタデータ） (2026-02-28T03:59:33Z)
• Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
  ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。 本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。 スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
  論文  参考訳（メタデータ） (2026-02-14T16:05:08Z)
• Contact-Aware Neural Dynamics [42.83872574010789]
  本研究では,シミュレータのダイナミクスと接触情報との整合性を学習する暗黙のsim-to-realフレームワークを提案する。 本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富む作業に係わる非滑らかな不連続性を効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2026-01-19T07:56:13Z)
• Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning [72.43357471969564]
  Isaac Labは、高忠実度GPU並列物理、レンダリング、および環境の設計とロボットポリシーのトレーニングのためのモジュラーで構成可能なアーキテクチャを組み合わせる。 我々は、全身制御、クロス・エボディメント・モビリティ、接触豊かで器用な操作、スキル獲得のための人間のデモの統合など、さまざまな課題へのその応用を強調した。 アイザック・ラボの高度なシミュレーション能力、リッチセンシング、データセンターのスケール実行の組み合わせは、ロボット研究における次世代のブレークスルーを解き放つのに役立つと信じています。
  論文  参考訳（メタデータ） (2025-11-06T21:43:02Z)
• 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)
• Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [34.47272224723296]
  ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。 並列化が制限されたサブリアルタイム速度で動作する従来のシミュレータとは異なり、Taccelは正確な物理シミュレーションとリアルな触覚信号を提供する。 これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
  論文  参考訳（メタデータ） (2025-04-17T12:57:11Z)
• 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)
• 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。