論文の概要: Learning to Feel Materials from Multisensory Tactile Data via Interpretable Models

• arxiv url: http://arxiv.org/abs/2605.29572v1
• Date: Thu, 28 May 2026 08:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.061051
• Title: Learning to Feel Materials from Multisensory Tactile Data via Interpretable Models
• Title（参考訳）: 解釈可能なモデルによる多感覚触覚データから材料を選別する学習
• Authors: Li Zou, Yasemin Vardar,
• Abstract要約: 多感タッチデータを用いた人体知覚と認識をモデル化するための解釈可能な計算フレームワークを提案する。 その結果, プレス, 静的接触, すべり相互作用からの情報を組み合わせることで, 予測精度が向上することがわかった。 これらの知見は、現在のロボットの指や触覚ディスプレイでは表現されていない熱とコンプライアンスの重要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 4.189643331553923
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human tactile perception of materials relies on complex multisensory touch cues, yet the relationship between low-level tactile signals and perceptual representations remains poorly understood. This knowledge gap hinders the integration of touch in digital environments and the development of robots capable of human-like tactile perception. Here, we present an interpretable computational framework for modeling human material perception and recognition using multisensory touch data. Our framework comprises three interconnected models: Model 1 maps finger-surface interaction features to psychophysical sensory attributes, Model 2 classifies materials based on these perceptual representations, and Model 3 directly classifies materials from tactile features. The results showed that combining information from pressing, static contact, and sliding interactions improves prediction accuracy, and that thermal cues are particularly informative for both perceptual modeling and material classification. These findings highlight the importance of thermal and compliance cues, which remain underrepresented in current robotic fingers and haptic displays. Incorporating such cues may enhance artificial systems' ability to approximate human material perception and guide the design of more perceptually grounded haptic interfaces.
• Abstract（参考訳）: ヒトの触覚知覚は複雑な多感覚触覚に依存するが、低レベル触覚信号と知覚表現の関係はいまだに理解されていない。 この知識ギャップは、デジタル環境におけるタッチの統合や、人間のような触覚を認識できるロボットの開発を妨げる。 本稿では,多感タッチデータを用いた人体知覚と認識をモデル化するための解釈可能な計算フレームワークを提案する。 本フレームワークは3つの相互接続モデルからなる: Model 1 は指表面の相互作用特徴を心理物理学的感覚属性にマッピングし、 Model 2 はこれらの知覚的表現に基づいて材料を分類し、 Model 3 は触覚的特徴から材料を直接分類する。 その結果, プレス, 静的接触, すべり相互作用から得られる情報を組み合わせることで, 予測精度が向上し, サーマルキューは知覚モデルと材料分類の両方において特に有益であることが示唆された。 これらの知見は、現在のロボットの指や触覚ディスプレイでは表現されていない熱とコンプライアンスの重要性を浮き彫りにしている。 このような手段を組み込むことで、人間の物質知覚を近似する人工システムの能力を高め、より知覚的に接地された触覚インタフェースの設計を導くことができる。

関連論文リスト

• AnyTouch: Learning Unified Static-Dynamic Representation across Multiple Visuo-tactile Sensors [11.506370451126378]
  Visuo-Tactileセンサーは、人間の触覚をエミュレートし、ロボットが物体を理解して操作できるようにする。 そこで本研究では,4種類のビジュオ触覚センサを用いたマルチモーダル触覚マルチセンサデータセットであるTacQuadを紹介する。 マルチレベル構造を持つ静的動的マルチセンサ表現学習フレームワークであるAnyTouchを提案する。
  論文  参考訳（メタデータ） (2025-02-15T08:33:25Z)
• Digitizing Touch with an Artificial Multimodal Fingertip [51.7029315337739]
  人間とロボットはどちらも、周囲の環境を知覚し、相互作用するためにタッチを使うことの恩恵を受ける。 ここでは、タッチのデジタル化を改善するための概念的および技術革新について述べる。 これらの進歩は、高度なセンシング機能を備えた人工指型センサーに具現化されている。
  論文  参考訳（メタデータ） (2024-11-04T18:38:50Z)
• Self-supervised Spatio-Temporal Graph Mask-Passing Attention Network for Perceptual Importance Prediction of Multi-point Tactility [8.077951761948556]
  我々は,自己教師付き学習と時空間グラフニューラルネットワークに基づいて,触覚の重要度を複数の点で予測するモデルを開発した。 その結果,多点触覚認知のシナリオにおいて,様々な点の知覚的重要性を効果的に予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-04T13:45:50Z)
• Controllable Visual-Tactile Synthesis [28.03469909285511]
  一つのスケッチから視覚と触覚の両方の出力を合成する条件生成モデルを開発した。 次に,電気接着型触覚デバイスに高品質な視覚・触覚出力を描画するパイプラインを導入する。
  論文  参考訳（メタデータ） (2023-05-04T17:59:51Z)
• 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)
• Dynamic Modeling of Hand-Object Interactions via Tactile Sensing [133.52375730875696]
  本研究では,高分解能な触覚グローブを用いて,多種多様な物体に対して4種類のインタラクティブな動作を行う。 我々は,クロスモーダル学習フレームワーク上にモデルを構築し,視覚処理パイプラインを用いてラベルを生成し,触覚モデルを監督する。 この研究は、高密度触覚センシングによる手動物体相互作用における動的モデリングの一歩を踏み出す。
  論文  参考訳（メタデータ） (2021-09-09T16:04:14Z)
• 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)
• A Framework for Learning Invariant Physical Relations in Multimodal Sensory Processing [0.0]
  我々は、教師なしの方法で、知覚的手がかり間の関係を学習できる新しいニューラルネットワークアーキテクチャを設計する。 低次元知覚データにおける任意の非線形関係を学習する際のコアシステム機能について述べる。 我々は、標準的なRGBカメラフレームから物理量間の関係を学習する現実世界の学習問題を通してこれを実証する。
  論文  参考訳（メタデータ） (2020-06-30T08:42:48Z)

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。