論文の概要: TacCoRL: Integrating Tactile Feedback into VLA via Simulation

• arxiv url: http://arxiv.org/abs/2606.11743v1
• Date: Wed, 10 Jun 2026 07:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.338955
• Title: TacCoRL: Integrating Tactile Feedback into VLA via Simulation
• Title（参考訳）: TacCoRL:シミュレーションによる触覚フィードバックのVLAへの統合
• Authors: Siyu Ma, Yuqi Liang, Chang Yu, Yunuo Chen, Hao Su, Yixin Zhu, Yin Yang, Chenfanfu Jiang,
• Abstract要約: 視覚言語アクション(VLA)モデルは、ロボット操作のための強力な視覚、言語、行動の優先順位を提供する。 我々は、VLAポリシーに触覚フィードバックを注入するスケーラブルなフレームワークであるTacCoRLを提案する。 我々は,接触操作のためのクローズドループトレーニング環境として,実列シミュレータを用いる。
• 参考スコア（独自算出の注目度）: 38.963250081631834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models provide strong visual, language, and action priors for robot manipulation, but visual observations alone often miss the local contact state required for contact-rich tasks. We present TacCoRL, a scalable framework that injects Tactile feedback into VLA policies and improves them through sim-real Co-training and simulation-based reinforcement learning (RL), without requiring large-scale tactile pretraining or extensive real-world contact exploration. The key idea is not only adding touch as an input, but learning how contact readings should modulate action responses in near-failure states that are rare in demonstrations and risky to collect on hardware. We use a real-aligned simulator as a closed-loop training environment for contact interaction. Mixed simulated and real trajectories first warm-start tactile-conditioned actions in the pretrained policy. Reinforcement learning with verifiable task rewards then optimizes the policy using simulated contact rollouts. It reinforces tactile-conditioned actions that lead to task completion, while a supervised objective on real trajectories keeps the refined policy anchored to deployment visual, tactile, and action distributions. The resulting policy transfers directly to the real robot without privileged simulation state or online real-world RL. Across four bimanual contact-rich tasks, the final visuo-tactile policy achieves an average success rate of 72.5%, compared to baseline of 50.0%. Result videos and more details are available at https://tac-corl.github.io/
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、ロボット操作に強力な視覚的、言語的、行動的優先順位を提供するが、視覚的な観察だけでは、接触に富むタスクに必要な局所的な接触状態を見逃すことがしばしばある。 本稿では, 触覚フィードバックをVLAポリシに注入するスケーラブルなフレームワークであるTacCoRLについて述べる。 キーとなるアイデアは、タッチを入力として追加するだけでなく、ハードウェア上で収集する危険のある、ほとんど欠陥のない状態において、連絡先の読み取りがアクション反応を調節する方法を学ぶことだ。 我々は,接触操作のためのクローズドループトレーニング環境として,実列シミュレータを用いる。 シミュレーションと実際の軌道の混合は、事前訓練された政策において、最初に暖かく開始された触覚条件のアクションである。 検証可能なタスク報酬による強化学習は、シミュレートされたコンタクトロールアウトを使用してポリシーを最適化する。 実際の軌道を監督する目的は、視覚的、触覚的、行動分布に固定された洗練されたポリシーを維持している。 得られたポリシーは、特権的なシミュレーション状態やオンラインリアルワールドRLなしで、実際のロボットに直接転送する。 両面的な接触が豊富な4つのタスクの中で、最終的なビジュオ・タクティル政策は、ベースラインの50.0%に比べて平均72.5%の成功率を達成する。 結果のビデオと詳細はhttps://tac-corl.github.io/で確認できる。

関連論文リスト

• Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning [6.509572742369941]
  触覚のみのブラインドグリップのためのフレームワークを提案する。 本研究では,実際の触覚信号を再現可能な接触校正型デジタル双極子シミュレータを構築するReal2Sim触覚校正パイプラインを提案する。 第2に,センサ・ジオメトリを組み込んだレイアウト認識型触覚エンコーダによる触覚観察の表現性を,自己教師付き事前学習により改善する。 第3に、未確認物体への一般化を改善するため、校正されたシミュレーターにおいて、オブジェクト固有の強化学習の専門家を訓練し、得られた把握軌道を触覚条件付き拡散ポリシーに集約する。
  論文  参考訳（メタデータ） (2026-06-10T07:46:38Z)
• TORL-VLA: Tactile Guided Online Reinforcement Learning for Contact-Rich Manipulation [24.661831588991898]
  TORL-VLAは、触覚フィードバックとポリシーの強化を組み合わせた、コンタクトリッチな操作のためのオンライン強化学習フレームワークである。 本手法では, 触覚由来のレンチ認識型VLAを用いて, 参照動作と将来のレンチシーケンスを予測する。 探索的政策と人為的介入の混成データから学習を安定させるために,介入検閲された評論家を紹介する。
  論文  参考訳（メタデータ） (2026-06-08T11:05:05Z)
• Learning Tactile-Aware Quadrupedal Loco-Manipulation Policies [33.25194785586049]
  階層構造を有する触覚対応ロコ操作ポリシー学習パイプラインを提案する。 まず、実世界の人間のデモを活用して、触覚条件付きビゾタクタクタブルな高レベルポリシーを訓練する。 第2に,触覚を意識した全身制御政策を学習するために,シミュレーションにおいて大規模強化学習を行う。
  論文  参考訳（メタデータ） (2026-04-29T21:46:58Z)
• OmniVTA: Visuo-Tactile World Modeling for Contact-Rich Robotic Manipulation [57.133721026727706]
  textbfOmniViTacは,16ドルのタスクと100ドル以上のオブジェクトからなる21,000ドル以上のトラジェクトリからなる大規模ビズオタクティルアクションデータセットである。 我々は4つの密結合モジュールを統合する世界モデルベースのビジュオ触覚操作フレームワークである textbf OmniVTA を提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:52:42Z)
• 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)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• Accelerating Interactive Human-like Manipulation Learning with GPU-based Simulation and High-quality Demonstrations [25.393382192511716]
  コンタクトリッチなタスクを対話的に操作するための没入型仮想現実遠隔操作インタフェースを提案する。 我々は,大規模並列RLと模倣学習の相補的強みを実証し,頑健で自然な振る舞いを示す。
  論文  参考訳（メタデータ） (2022-12-05T09:37:27Z)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)

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。