論文の概要: SPLIT: Separating Physical-Contact via Latent Arithmetic in Image-Based Tactile Sensors

• arxiv url: http://arxiv.org/abs/2604.24449v1
• Date: Mon, 27 Apr 2026 13:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.016658
• Title: SPLIT: Separating Physical-Contact via Latent Arithmetic in Image-Based Tactile Sensors
• Title（参考訳）: SPLIT:画像ベース触覚センサにおける遅延算術による物理的接触の分離
• Authors: Wadhah Zai El Amri, Nicolás Navarro-Guerrero,
• Abstract要約: 本稿では,画像ベース触覚センサのシミュレーション手法であるSPLITを提案する。 我々のアプローチの中心は、センサー固有の光学特性から接触幾何学を明示的に切り離す潜在空間算術戦略である。 可変解像度の有限要素法(FEM)ソフトボディメッシュシミュレーションを行い,速度と忠実度を調整可能なトレードオフを提供する。
• 参考スコア（独自算出の注目度）: 0.5500249707065662
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Training machine learning models for robotic tactile sensing requires vast amounts of data, yet obtaining realistic interaction data remains a challenge due to physical complexity and variability. Simulating tactile sensors is thus a crucial step in accelerating progress. This paper presents SPLIT, a novel method for simulating image-based tactile sensors, with a primary focus on the DIGIT sensor. Central to our approach is a latent space arithmetic strategy that explicitly disentangles contact geometry from sensor-specific optical properties. Unlike methods that require recalibration for every new unit, this disentanglement allows SPLIT to adapt to diverse DIGIT backgrounds and even transfer data to distinct sensors like the GelSight R1.5 without full model retraining. Beyond this adaptability, our approach achieves faster inference speeds than existing alternatives. Furthermore, we provide a calibrated finite element method (FEM) soft-body mesh simulation with variable resolution, offering a tunable trade-off between speed and fidelity. Additionally, our algorithm supports bidirectional simulation, allowing for both the generation of realistic images from deformation meshes and the reconstruction of meshes from tactile images. This versatility makes SPLIT a valuable tool for accelerating progress in robotic tactile sensing research.
• Abstract（参考訳）: ロボット触覚センシングのための機械学習モデルのトレーニングには膨大な量のデータが必要であるが、物理的な複雑さと変動性のために現実的なインタラクションデータを取得することは依然として課題である。 したがって、触覚センサーのシミュレーションは、進歩を加速するための重要なステップである。 本稿では,画像に基づく触覚センサのシミュレーション手法であるSPLITについて述べる。 我々のアプローチの中心は、センサー固有の光学特性から接触幾何学を明示的に切り離す潜在空間算術戦略である。 あらゆる新しいユニットの校正を必要とする方法とは異なり、SPLITは様々なDIGITの背景に適応し、GelSight R1.5のような異なるセンサーにデータを転送することを可能にする。 この適応性以外にも、我々のアプローチは既存の代替手段よりも高速な推論速度を実現している。 さらに、可変解像度の有限要素法(FEM)ソフトボディメッシュシミュレーションを行い、速度と忠実度を調整可能なトレードオフを提供する。 さらに, このアルゴリズムは双方向シミュレーションをサポートし, 変形メッシュからのリアルな画像生成と触覚画像からのメッシュ再構築を両立させる。 この汎用性により、SPLITはロボット触覚センサー研究の進歩を加速するための貴重なツールとなる。

関連論文リスト

• 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)
• 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)
• TwinTac: A Wide-Range, Highly Sensitive Tactile Sensor with Real-to-Sim Digital Twin Sensor Model [4.668679765548824]
  我々は、物理的な触覚センサーとデジタルツインモデルを組み合わせたシステムであるTwinTacを紹介する。 ハードウェアセンサーは高感度で広い測定範囲に設計されている。 デジタルツインセンサによって生成されたシミュレーションデータにより,実世界のデータを効果的に増強し,精度を向上できることを示す。
  論文  参考訳（メタデータ） (2025-09-12T08:51:28Z)
• Tacchi 2.0: A Low Computational Cost and Comprehensive Dynamic Contact Simulator for Vision-based Tactile Sensors [24.17644617805162]
  視覚ベースの触覚センサの耐久性は、触覚情報取得のコストを大幅に高める。 計算コストの低い視覚ベースの触覚シミュレータTacchiを紹介する。 Tacchi 2.0は、触覚画像、マークされたモーション画像、そして押したり、滑ったり、回転したりといった異なる動作状態下での関節画像をシミュレートすることができる。
  論文  参考訳（メタデータ） (2025-03-12T06:34:12Z)
• 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)
• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• 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)

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。