論文の概要: Bridging Handheld and Teleoperated Supervision for Contact-Rich Manipulation via State-Gated Experts

• arxiv url: http://arxiv.org/abs/2606.26603v1
• Date: Thu, 25 Jun 2026 05:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.16029
• Title: Bridging Handheld and Teleoperated Supervision for Contact-Rich Manipulation via State-Gated Experts
• Title（参考訳）: コンタクトリッチマニピュレーションのためのブリッジハンドヘルドとテレオペレーテッドスーパービジョン
• Abstract要約: コンタクトリッチな操作のためのハンドヘルドと遠隔操作による監視の相互作用について検討する。 我々は、観察と所望の監督のミスマッチに対処するため、Gated Experts (BRIDGE) によるImitation Dataのバイモーダルルーティングを提案する。
• 参考スコア（独自算出の注目度）: 6.058807042621957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Handheld data collection systems, such as the Universal Manipulation Interface (UMI), enable scalable data collection across diverse environments but only capture observed actions rather than the desired actions executed by a robot controller. In contrast, teleoperation captures desired actions directly, but is prohibitively time-consuming to collect. We revisit this trade-off through the lens of action validity across task phases. We observe that handheld trajectories provide valid supervision in tolerant, free-space phases, but lack dynamic feasibility in contact-sensitive phases, where tracking observed trajectories at high stiffness produces large, unsafe contact forces. We study the interaction between these two supervision types for contact-rich manipulation and find that training policies that combine handheld data with a small number of targeted teleoperated demonstrations provide an efficient hybrid strategy. Specifically, rather than teleoperating the entire task, we only collect partial teleoperated demonstrations for task segments where base handheld policies fail. However, naively mixing handheld and teleoperated phase-specific data yields worse performance than training on handheld data alone. To address this mismatch between observed and desired supervision, we propose Bi-modal Routing for Imitation Data via Gated Experts (BRIDGE), a mixture of diffusion policy experts that routes between specialist task phase heads conditioned on the current robot state. Notably, our approach enables task-phase specific use of desired actions during contact sensitive segments and improves success rates over handheld-only baselines by up to 36.7% across three contact-rich manipulation tasks.
• Abstract（参考訳）: ユニバーサルマニピュレーションインタフェース(UMI)のようなハンドヘルドデータ収集システムは、多様な環境にわたってスケーラブルなデータ収集を可能にするが、ロボットコントローラによって実行される望ましいアクションではなく、観察されたアクションのみをキャプチャする。 対照的に、遠隔操作は望ましいアクションを直接キャプチャするが、収集には非常に時間がかかります。 タスクフェーズ間でのアクション妥当性のレンズを通して、このトレードオフを再考する。 ハンドヘルドトラジェクトリは耐久・自由空間の位相において有効に制御できるが,高剛性で観測されたトラジェクトリを追跡することで大きな非安全接触力を生み出す接触感受性の位相において動的実現性は欠如している。 コンタクトリッチな操作のための2つの監視タイプ間のインタラクションについて検討し、ハンドヘルドデータと少数の遠隔操作型デモを組み合わせたトレーニングポリシーが効果的なハイブリッド戦略をもたらすことを発見した。 具体的には、タスク全体を遠隔操作するのではなく、基本的ハンドヘルドポリシーが失敗するタスクセグメントに対して、部分的に遠隔操作されたデモのみを収集する。 しかし、ハンドヘルドデータと遠隔操作したフェーズ固有データとを鼻で混合すると、ハンドヘルドデータ単独でのトレーニングよりもパフォーマンスが低下する。 観察と所望の監視のミスマッチに対処するために,現状のロボット状態に条件付けされた専門的タスクフェーズ間の経路を,拡散政策の専門家の混在したBRIDGE(Bi-modal Routing for Imitation Data via Gated Experts)を提案する。 特に,本手法は,接触感性セグメントにおける所望動作のタスクフェーズ特異的使用を可能にし,接触に富む3つの操作タスクに対して,ハンドヘルドのみのベースラインよりも最大36.7%の成功率を向上させる。

関連論文リスト

• Towards Human-level Dexterous Teleoperation [62.77371751776912]
  人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。 我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。 我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
  論文  参考訳（メタデータ） (2026-07-13T12:36:47Z)
• HapTile: A Haptic-Informed Vision-Tactile-Language-Action Dataset for Contact-Rich Imitation Learning [24.64460457808404]
  HapTileは、視覚のみのトラジェクトリデータセットを超えて前進する、接地型ビズオタクティル操作データセットである。 データ収集プラットフォームは、触覚フィードバックを直接遠隔操作コントローラに統合し、オペレータがリアルタイムでコンタクトインタラクションを知覚できるようにする。 データセットは、ピック・アンド・プレイス、折り畳み、押圧、積み重ね、その他のルーチンアクティビティを含む、幅広いコンタクト豊富なスキルにまたがる日々の操作タスクで構成されている。
  論文  参考訳（メタデータ） (2026-06-03T12:48:17Z)
• TAMEn: Tactile-Aware Manipulation Engine for Closed-Loop Data Collection in Contact-Rich Tasks [16.262130849751312]
  TAMEnは、連絡先の多いタスクでクローズドループデータ収集を行う、触覚対応の操作エンジンである。 本システムは異種グリップの高速適応を可能にするクロスモルフォロジー・ウェアラブルインタフェースを備えている。 提案するビジュオ触覚学習フレームワークは,多種多様な操作タスクにおいて,タスク成功率を34%から75%に向上させる。
  論文  参考訳（メタデータ） (2026-04-08T17:49:35Z)
• TRIP-Bag: A Portable Teleoperation System for Plug-and-Play Robotic Arms and Leaders [7.528471207038859]
  TRIP-Bagは携帯型の人形型遠隔操作システムである。 TRIP-Bagは5分未満のセットアップ時間と直接共同作業の遠隔操作により、任意の環境で迅速で信頼性の高いデータ収集を可能にする。
  論文  参考訳（メタデータ） (2026-03-10T05:49:47Z)
• 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)
• TacUMI: A Multi-Modal Universal Manipulation Interface for Contact-Rich Tasks [35.05859151174601]
  我々は、ハンドヘルドデモデバイスUniversal Manipulation Interface(UMI)のアイデアに基づいて構築する。 本稿では,ViTacセンサ,力トルクセンサ,ポーズトラッカーをロボット互換グリップパーに組み込んだマルチモーダルデータ収集システムであるTacUMIを紹介する。 次に、時間モデルを利用して意味的に意味のあるイベント境界を検出するマルチモーダルセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-21T00:14:28Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• The Role of Embodiment in Intuitive Whole-Body Teleoperation for Mobile Manipulation [20.65893345441958]
  最小限の物理的および認知的要求と組み合わさった強い実施感は、長期にわたってデータ品質を維持するのに役立つ。 我々は、没入型バーチャルリアリティと、ロボットの視野を従来のスクリーンベースで可視化する2つの視覚的フィードバックメカニズムを評価する。 以上の結果から,VRをフィードバックモダリティとして利用すると,タスク完了時間,認知作業量,テレオペレータの取り組みが増加することが示唆された。
  論文  参考訳（メタデータ） (2025-09-03T11:25:36Z)
• AnyPos: Automated Task-Agnostic Actions for Bimanual Manipulation [24.199522837278128]
  本稿では,タスク固有の条件からアクション実行を分離するタスク非依存のアクションパラダイムを提案する。 ATARAはスケーラブルなセルフ教師付きフレームワークで、人間の遠隔操作と比較して30倍以上のコレクションを高速化する。 我々はArm-Decoupled EstimationとDirection-Aware Decoderを備えた逆動的モデルであるAnyPosを提案する。
  論文  参考訳（メタデータ） (2025-07-17T03:48:57Z)
• Gaze-guided Hand-Object Interaction Synthesis: Dataset and Method [61.19028558470065]
  本稿では,視線,手,物間相互作用の3次元モデリングを同時に行う最初のデータセットであるGazeHOIを紹介する。 これらの課題に対処するため,GHO-Diffusion という手動物体間相互作用拡散モデルを提案する。 また, GHO拡散のサンプリング段階におけるHOI-Manifold Guidanceを導入し, 生成した動きのきめ細かい制御を可能にする。
  論文  参考訳（メタデータ） (2024-03-24T14:24:13Z)
• Error-Aware Imitation Learning from Teleoperation Data for Mobile Manipulation [54.31414116478024]
  移動操作(MM)では、ロボットは環境内を移動して操作することができる。 本研究では,MMタスクに対する連続的なビジュオモダポリシの学習に模倣学習(IL)を適用する方法について検討する。
  論文  参考訳（メタデータ） (2021-12-09T23:54:59Z)
• Human-in-the-Loop Imitation Learning using Remote Teleoperation [72.2847988686463]
  6-DoF操作設定に合わせたデータ収集システムを構築します。 システムによって収集された新しいデータに基づいて,ポリシーを反復的にトレーニングするアルゴリズムを開発した。 介入型システムで収集したデータに基づいて訓練されたエージェントと、非介入型デモ参加者が収集した同等数のサンプルで訓練されたアルゴリズムを上回るエージェントを実証する。
  論文  参考訳（メタデータ） (2020-12-12T05:30:35Z)

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。