論文の概要: From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances

• arxiv url: http://arxiv.org/abs/2605.04649v1
• Date: Wed, 06 May 2026 08:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.732247
• Title: From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances
• Title（参考訳）: Reach から Insert へ:サブミリメートル耐性下での触覚増強精度アセンブリ
• Abstract要約: 高精度なアセンブリは、しばしば厳密な耐久挿入を伴い、わずかなポーズエラーでさえジャミングや過剰な相互作用の力を引き起こす。 本稿では,Imitation Learning (IL) とReinforcement Learning (RL) を組み合わせた触覚増強2段階の手法を提案する。
• 参考スコア（独自算出の注目度）: 5.3977645077404794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-precision assembly frequently involves tight-tolerance insertions, where even slight pose errors can cause jamming or excessive interaction forces, making robust and safe insertion policies difficult to obtain. This paper proposes a tactile-augmented two-stage method that combines Imitation Learning (IL) and Reinforcement Learning (RL) for precision insertion tasks. In the first stage, IL learns a reaching policy with position generalization that grasps the peg and brings it to the vicinity of the target region. In the second stage, RL executes the insertion and enables recovery from failures during contact-rich interactions. To better exploit tactile feedback, we introduce tactile group sampling to increase coverage of critical contact segments during training, and design a tactile critic to more accurately evaluate policy values, improving insertion performance while maintaining low contact forces. We conduct systematic experiments across five hole geometries and three clearance settings. Results show that our method substantially improves insertion performance across all settings; under the most challenging 0.05\,mm clearance, it achieves a 67\% success rate while keeping contact forces low, reducing the maximum interaction force by 60\% and torque by 44\%, thereby validating both effectiveness and safety for precision assembly.
• Abstract（参考訳）: 高精度な組立は、しばしば厳密な耐久挿入を伴い、わずかなポーズミスでもジャミングや過剰な相互作用の力を引き起こす可能性があるため、堅牢で安全な挿入ポリシーを得るのが困難である。 本稿では,Imitation Learning (IL) とReinforcement Learning (RL) を組み合わせた触覚増強2段階の手法を提案する。 第1段階では、ILは、ペグを把握し、ターゲット領域の近傍に持ってくる位置一般化によるリーチポリシーを学習する。 第2段階では、RLは挿入を実行し、コンタクトリッチ相互作用中の障害からの回復を可能にする。 触覚フィードバックをより効果的に活用するために,触覚グループサンプリングを導入し,トレーニング中のクリティカルコンタクトセグメントのカバレッジを向上させるとともに,触覚評論家を設計して,より正確なポリシー評価を行い,低接触力を維持しながら挿入性能を向上させる。 我々は、5つの穴のジオメトリーと3つのクリアランス設定を体系的に実験する。 その結果,最も難易度の高い0.05,mmクリアランスでは,接触力を低く保ちながら67 %の成功率を実現し,最大相互作用力を60 %,トルクを44 %削減し,精度アセンブリの有効性と安全性を検証した。

関連論文リスト

• Demystifying When and Why VLAs Fail in Contact-Rich Tasks and How to Fix Them [10.061430683284907]
  視覚・言語・アクションモデルがコンタクトリッチな操作タスクにいつ、なぜ苦労するのかを理解することの課題に対処する。 精度の失敗は、フローマッチングポリシートレーニングミスマッチに根ざし、力信号の特異な構造から力障害が発生する。
  論文  参考訳（メタデータ） (2026-08-02T17:34:19Z)
• Spacetime Optimal-Transport Attention for Visuo-Haptic Imitation Learning of Contact-Rich Manipulation [8.276456155150138]
  軟質マックス正規化パッチアテンションに代わる3モーダル核融合バックボーンであるSpacetime Optimal-Transport Attention (SO-TA)を提案する。 明示的な限界制約は、接触に富むタスクに対する構造的帰納バイアスとして機能し、条件付き空間選択を奨励する。 我々は,3つの実ロボット上でのSO-TAの評価を行い,穴内密組立,BCM配線コネクタ挿入,曲面マーク消去を行った。
  論文  参考訳（メタデータ） (2026-05-19T19:29:21Z)
• ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
  エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。 学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。 実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-03-16T12:03:58Z)
• Force-Aware Residual DAgger via Trajectory Editing for Precision Insertion with Impedance Control [7.670131142516991]
  TER-DAggerは、コンタクトリッチな操作のための力覚的模倣学習フレームワークである。 実験により、TER-DAggerは行動クローニング、ヒト誘導補正、リトレーニング、微調整ベースラインと比較して平均成功率を37%以上改善することが示された。
  論文  参考訳（メタデータ） (2026-03-04T13:18:05Z)
• Touch2Insert: Zero-Shot Peg Insertion by Touching Intersections of Peg and Hole [15.791523980428538]
  任意のペグ挿入のための触覚ベースのフレームワークであるemphTouch2Insertを提案する。 本手法は,高解像度触覚画像から断面形状を再構成し,孔の相対的なポーズを0ショットで推定する。 結果,Touch2Insertはシミュレーションにおいてすべてのコネクタのサブミリポーズ推定精度を達成し,実ロボットの平均成功率は86.7%に達した。
  論文  参考訳（メタデータ） (2026-03-04T01:35:33Z)
• Symmetry-Aware Fusion of Vision and Tactile Sensing via Bilateral Force Priors for Robotic Manipulation [7.104060092661104]
  本稿では,バイスオ触覚融合のためのクロスモーダルトランス (CMT) を提案する。 CMTは、構造化された自己および横断的注意を通して触覚信号と手首カメラ観測を統合する。 TacSLベンチマークの実験では、対称性の正則化を持つCMTが96.59%の挿入成功率を達成した。
  論文  参考訳（メタデータ） (2026-02-14T09:19:48Z)
• TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
  TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。 TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。 高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
  論文  参考訳（メタデータ） (2026-01-28T04:22:47Z)
• Gated Sparse Attention: Combining Computational Efficiency with Training Stability for Long-Context Language Models [0.0]
  Gated Sparse Attention (GSA)はスパースとゲートの双方の利点を実現するアーキテクチャである。 GSAは、有界で解釈可能な選択スコアを生成するシグモイドアクティベーションを備えたゲート雷インデクサを組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-12T20:33:39Z)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• 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)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)
• A Contextual Hierarchical Attention Network with Adaptive Objective for Dialogue State Tracking [63.94927237189888]
  本稿では,コンテキスト階層型アテンションネットワークを用いて対話状態追跡(DST)を強化することを提案する。 また,訓練中に異なるスロットの重みを動的に調整することでスロット不均衡問題を緩和する適応的目標を提案する。 実験の結果,MultiWOZ 2.0とMultiWOZ 2.1データセットでは52.68%,58.55%のジョイント精度が得られた。
  論文  参考訳（メタデータ） (2020-06-02T12:25:44Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。