論文の概要: TACTFUL: Tactile-Driven Exploration For Object Localization and Identification in Confined Environments

• arxiv url: http://arxiv.org/abs/2606.24712v1
• Date: Tue, 23 Jun 2026 15:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.038923
• Title: TACTFUL: Tactile-Driven Exploration For Object Localization and Identification in Confined Environments
• Title（参考訳）: TACTFUL: コンフィニッシュ環境におけるオブジェクトの局所化と同定のための触覚駆動探索
• Authors: Shivani Kamtikar, Chung Hee Kim, Camilla Tabasso, Tye Brady, Joshua Migdal, Taskin Padir,
• Abstract要約: 人間は、視覚なしでも、タッチ単独で物体を見つけ、特定する。 我々は、多指ロボットが自律的に閉じ込められた作業空間を探索することを可能にする、視覚のない触覚探索フレームワークであるTACTFULを提案する。 以上の結果から,触覚と構造化学習を組み合わせれば,触覚が物体レベルの推論に有効な一次モダリティとなる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 5.135403876681329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans effortlessly locate and identify objects by touch alone, even without vision. In contrast, robotic systems rely heavily on vision and struggle with autonomous tactile exploration and object identification. We present TACTFUL, a vision-free tactile exploration framework that enables a multi-fingered robot to autonomously explore confined workspaces, discover objects through contact, and identify them via tactile reconstruction. Trained entirely on real hardware without simulation, our system learns a single policy that balances global workspace exploration with local surface refinement through a dynamic reward schedule. Our results demonstrate that tactile sensing, when paired with structured learning, can serve as an effective primary modality for object-level reasoning, achieving 77% success with 0.015 m average reconstruction error and outperforming baseline approaches on real-world objects.
• Abstract（参考訳）: 人間は、視覚なしでも、タッチ単独で物体を見つけ、特定する。 対照的に、ロボットシステムは視覚に大きく依存しており、自律的な触覚探索や物体の識別に苦労している。 我々は,多指ロボットによる視覚のない触覚探索フレームワークであるTACTFULを紹介し,拘束された作業空間を自律的に探索し,接触を通して物体を発見し,触覚再構築を通じて識別する。 シミュレーションなしで実ハードウェアで完全にトレーニングされた本システムでは,グローバルなワークスペース探索と局所的な表面改質のバランスを,ダイナミックな報酬スケジュールを通じて学習する。 以上の結果から, 触覚と構造化学習を組み合わせれば, オブジェクトレベルの推論を効果的に行うことができ, 平均再現誤差0.015m, 実世界のオブジェクトに対するベースラインアプローチよりも優れた77%の精度で達成できることが示唆された。

関連論文リスト

• Sight Over Site: Perception-Aware Reinforcement Learning for Efficient Robotic Inspection [57.37596278863949]
  本研究では,認識・認識の観点からの検査を再考する。 本稿では,目標視認性を主目的とするエンドツーエンド強化学習フレームワークを提案する。 提案手法は,既存の古典的および学習的ナビゲーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T15:14:02Z)
• CuriousBot: Interactive Mobile Exploration via Actionable 3D Relational Object Graph [12.54884302440877]
  モバイル探索は、ロボット工学における長年の課題である。 アクティブな相互作用による既存のロボット探査アプローチは、しばしばテーブルトップシーンに制限される。 本稿では,多種多様なオブジェクト関係を符号化し,活発な相互作用による探索を可能にする3Dリレーショナルオブジェクトグラフを提案する。
  論文  参考訳（メタデータ） (2025-01-23T02:39:04Z)
• AcTExplore: Active Tactile Exploration of Unknown Objects [17.755567328263847]
  本稿では, 大規模オブジェクト再構成のための強化学習による能動的触覚探索手法であるAcTExploreを提案する。 本アルゴリズムは, 触覚データを段階的に収集し, 物体の3次元形状を再構築する。 本手法は, 未確認のYCBオブジェクトに対して平均95.97%のIoUカバレッジを達成し, 原始形状でのみ訓練する。
  論文  参考訳（メタデータ） (2023-10-12T22:15:06Z)
• The ObjectFolder Benchmark: Multisensory Learning with Neural and Real Objects [51.22194706674366]
  マルチセンサーなオブジェクト中心学習のための10のタスクからなるベンチマークスイートであるObject Benchmarkを紹介した。 また,100個の実世界の家庭用オブジェクトに対するマルチセンサー計測を含む,オブジェクトリアルデータセットについても紹介する。
  論文  参考訳（メタデータ） (2023-06-01T17:51:22Z)
• TANDEM: Learning Joint Exploration and Decision Making with Tactile Sensors [15.418884994244996]
  我々は,触覚探索の指導プロセスとタスク関連意思決定との相互作用に焦点を当てた。 意思決定と協調して効率的な探索戦略を学習するアーキテクチャであるTANDEMを提案する。 本手法は,触覚フィードバックのみに基づいて,触覚センサを備えたロボットが既知の集合から物体を探索・識別する必要がある触覚物体認識タスクにおいて実証する。
  論文  参考訳（メタデータ） (2022-03-01T23:55:09Z)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
  視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。 提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。 我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
  論文  参考訳（メタデータ） (2020-12-17T18:22:32Z)
• SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
  SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。 部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
  論文  参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。