論文の概要: AetheRock: An Arm-Worn Robot Teaching System for Force-Guided Vision-Tactile Learning
- arxiv url: http://arxiv.org/abs/2606.09777v1
- Date: Mon, 08 Jun 2026 17:38:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:07.598229
- Title: AetheRock: An Arm-Worn Robot Teaching System for Force-Guided Vision-Tactile Learning
- Title（参考訳）: AetheRock:フォース駆動型視覚触覚学習のためのアームウォーンロボット教育システム
- Authors: Hong Li, Yue Xu, Yihan Tang, Yankang Dong, Chenyuan Liu, Chenyang Yu, Xuyang Li, Siyuan Huang, Yujun Shen, Nan Xue, Yong-Lu Li,
- Abstract要約: AetheRockは、モジュール式で簡単に製造できるビジュオ触覚センサー、GelSlim-MiniFabを指先で搭載した腕縫いのデバイスだ。
本稿では,力と視覚を用いた表現学習フレームワークであるForceVTを提案する。
- 参考スコア（独自算出の注目度）: 56.20593626288444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Force and tactile sensing are indispensable in contact-rich manipulation. However, force-aware robot learning faces critical challenges due to the incompatible assembly of tactile and force sensors in handheld or wearable devices. To address these limitations, we first introduce AetheRock for gripper-force, vision, and tactile data collection, which is an arm-worn device featuring a modular and easily manufactured visuo-tactile sensor, GelSlim-MiniFab, at the fingertip, a resistive pressure sensor at the human finger contact region, a customized PCB module, and a wearable kit for comfortable and robust collection. Building on this, we propose ForceVT, a representation learning framework that uses force and vision to guide fidelity-agnostic tactile learning, enabling robust inference in any tactile situation. Real-world experiments show that AetheRock achieves qualified data efficiency and that ForceVT effectively alleviates inefficiencies when visuo-tactile sensors exhibit manufacturing and utilization inconsistencies. Overall, our work mitigates the limitations of gripper-force vision-tactile robot learning through innovative hardware design and algorithms.
- Abstract（参考訳）: 力と触覚の感覚は、接触に富んだ操作には不可欠である。
しかし、力認識型ロボット学習は、ハンドヘルドデバイスやウェアラブルデバイスで触覚と力のセンサーが相容れないため、重要な課題に直面している。
これらの制約に対処するために、まず、グリップフォース、ビジョン、触覚データ収集のためのAetheRockを紹介します。これは、モジュラーで簡単に製造された粘性触覚センサであるGelSlim-MiniFabを指先で、人指接触領域の抵抗圧センサ、カスタマイズされたPCBモジュール、快適で堅牢な収集のためのウェアラブルキットです。
そこで我々は,ForceVTを提案する。このフレームワークは力と視覚を利用して触覚学習をガイドし,触覚の状況に頑健な推論を可能にする。
実世界の実験では、AetheRockは適度なデータ効率を実現し、Viuso触覚センサーが製造と利用の不整合を示すと、ForceVTは効率の悪さを効果的に軽減する。
全体として、我々の研究は、革新的なハードウェア設計とアルゴリズムを通じて、グリップパーフォースの視覚触覚ロボット学習の限界を緩和する。
関連論文リスト
- How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands [5.994865673189261]
TacViTは、新しいセンサーデータに基づいて一般化するビジョントランスフォーマーに基づく、新しい触覚知覚モデルである。
この機能は、データ収集と再トレーニングの必要性を大幅に低減し、新しいセンサーのデプロイを加速する。
実際のロボットアプリケーションに触覚センサーをよりスケーラブルで実用的なものにするための、TacViTの可能性を強調した。
論文 参考訳（メタデータ） (2026-04-01T11:15:27Z) - Feel Robot Feels: Tactile Feedback Array Glove for Dexterous Manipulation [29.061513339025026]
我々は,手の動きを正確に捉え,高精度な触覚フィードバックを組み込んだ低コストグローブシステムTAGを提案する。
モーションキャプチャーのために、TAGはドリフトフリーで電磁力のある21-DoF関節追跡を提供する非接触磁気センシング設計を採用している。
我々は,TAGが接触幾何学と動的力の信頼性の高いリアルタイム認識を可能にし,接触豊富な遠隔操作タスクの成功率を向上させるとともに,学習に基づく操作のための実演データ収集の信頼性を高めることを示す。
論文 参考訳（メタデータ） (2026-03-30T15:04:13Z) - TEGA: A Tactile-Enhanced Grasping Assistant for Assistive Robotics via Sensor Fusion and Closed-Loop Haptic Feedback [1.3861223044153617]
触覚強化把握アシスタント(TEGA)について紹介する。
クローズドループアシスト遠隔操作フレームワークは、リアルタイムなビブロ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
ウェアラブルの触覚ベストは、リアルタイムの触覚フィードバックを提供する。
論文 参考訳（メタデータ） (2026-03-05T04:12:55Z) - UniVTAC: A Unified Simulation Platform for Visuo-Tactile Manipulation Data Generation, Learning, and Benchmarking [47.900334665380115]
シミュレーションベースのビジュオ触覚データプラットフォームUniVTACを提案する。
大規模なシミュレーション合成データに基づいて訓練されたビジュオ触覚エンコーダであるUniVTACエンコーダを紹介する。
代表的な8つのビジュオ触覚操作タスクからなるUniVTACベンチマークを提案する。
論文 参考訳（メタデータ） (2026-02-10T18:57:00Z) - 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) - 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) - DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile
Sensor with Application to In-Hand Manipulation [16.54834671357377]
汎用的な手動操作は、ロボティクスの未解決課題の1つとして残されている。
DIGITは安価でコンパクトで高解像度な触覚センサで、手作業で操作できる。
論文 参考訳（メタデータ） (2020-05-29T17:07:54Z) - OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。
我々は,多方向高解像度触覚センサOmniTactを紹介する。
我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
論文 参考訳（メタデータ） (2020-03-16T01:31:29Z)
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。