論文の概要: TactX: Learning Shared Tactile Representations Across Diverse Sensors
- arxiv url: http://arxiv.org/abs/2606.31236v1
- Date: Tue, 30 Jun 2026 07:09:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.111441
- Title: TactX: Learning Shared Tactile Representations Across Diverse Sensors
- Title（参考訳）: TactX: 多様なセンサ間で共有された触覚表現を学習する
- Abstract要約: 本稿では,センサ間の触覚表現を伝達可能なフレームワークであるTactXを提案する。
TactXは、対の接触データに基づいて訓練されたモダリティ固有のエンコーダを通して、異質な触覚観測を共有潜在空間にマッピングする。
実験によると、TactXはオブジェクトレベルの接触情報を保存しながら、センサー間で触覚表現を調整している。
- 参考スコア（独自算出の注目度）: 18.127088232068456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tactile sensors provide critical information for contact-rich manipulation, yet tactile representations and policies remain tightly coupled to each specific sensor, limiting transferability across robots and hardware platforms. We propose TactX, a framework for learning a transferable tactile representation across sensors spanning three fundamentally different transduction modalities: resistive, magnetic, and vision-based. TactX maps heterogeneous tactile observations into a shared latent space through modality-specific encoders trained on paired contact data. Such paired interactions provide a natural alignment signal across modalities, and the encoders are jointly trained across all sensor pairs, inducing a consistent latent space for all sensor types. Our experiments show that TactX aligns tactile representations across sensors while preserving object-level contact information, as evidenced by sensor-identity prediction and object classification in the learned latent space. We evaluate TactX on four contact-rich manipulation tasks: pick-and-place, plug insertion, board wiping, and object reorientation, and show that policies trained with one sensor transfer zero-shot to physically distinct sensors through the shared latent. This improves the average success rate from 27.5% for vision-only policy to 45.9%, providing a step toward sensor-agnostic tactile manipulation.
- Abstract（参考訳）: 触覚センサーは、接触に富む操作に重要な情報を提供するが、触覚表現とポリシーはそれぞれのセンサーに強く結びついており、ロボットやハードウェアプラットフォーム間での移動性が制限されている。
TactXは,3つの異なるトランスダクションモード(抵抗性,磁気性,視覚性)にまたがる,センサ間の伝達可能な触覚表現を学習するためのフレームワークである。
TactXは、対の接触データに基づいて訓練されたモダリティ固有のエンコーダを通して、異質な触覚観測を共有潜在空間にマッピングする。
このような対の相互作用は、モジュール間の自然なアライメント信号を提供し、エンコーダはすべてのセンサペア間で共同で訓練され、すべてのセンサタイプに対して一貫した潜在空間を誘導する。
実験により,TactXはセンサ間の触覚表現を整列し,物体レベルの接触情報を保存し,学習空間におけるセンサの同一性予測や物体の分類によって実証された。
我々は,TactXの4つの操作課題であるピック・アンド・プレース,プラグ・インサート,ボード・ワイピング,およびオブジェクト・リオリエンテーションについて評価し,共有潜水器を介して物理的に異なるセンサにゼロショットで訓練されたポリシーを示す。
これにより、視覚のみの政策における平均成功率は27.5%から45.9%に向上し、センサーに依存しない触覚操作への一歩となる。
関連論文リスト
- Heterogeneous Tactile Transformer [12.676986440348543]
Heterogeneous Tactile Transformer (HTT)は、異種センサ間の共用触覚表現を学習するフレームワークである。
Pretrainingは、新しいHeterogeneous Paired Tactileデータセットを使用し、4つの視覚およびアレイベースの触覚センサーに1.6Mの同期フレームを含む。
HTTは、新しいタスクや以前は目に見えないセンサーに適応する転送可能な表現を学習することが示されている。
論文 参考訳（メタデータ） (2026-06-29T08:24:38Z) - TacVerse: A Multi-Sensor Dataset and Benchmark for Cross-Sensor Vision-Based Tactile Perception [7.968185063285978]
マルチセンサー・データセットと、クロスセンサー・ビジョンに基づく触覚知覚のためのベンチマークであるTacVerseを提案する。
データセットには、7つの視覚ベースの触覚センサーから106,800枚の触覚イメージが含まれている。
全てのタスクに対して強いセンサー内性能は、収集された触覚観察が対象の目的に対して有益であることを示している。
論文 参考訳（メタデータ） (2026-06-24T14:22:48Z) - FTP-1: A Generalist Foundation Tactile Policy Across Tactile Sensors for Contact-Rich Manipulation [66.22092641373067]
FTP-1は、トランスファー可能な触覚操作能力を取得するために事前訓練された最初の一般基盤触覚ポリシーである。
画像、配列、状態ベースの信号を含む様々な触覚入力をサポートする。
プレトレーニング中に見られるセンサーを超える触覚スキルを学習する。
論文 参考訳（メタデータ） (2026-06-11T09:30:09Z) - Multi-Resolution Tactile Imitation Learning for Contact-Rich Robotic Manipulation [22.015203192700586]
異なる時間分解能で動作する複数の触覚センサを利用する表現フレームワークMiTaSを提案する。
MiTaSの平均成功率は80%であり、視覚のみ(31と視覚触覚(54のベースラインではタスクを確実に解決できない)である。
詳細なセンサ読み取りと注意分析により、タスクの実行を通して異なるセンサーの重要性が明らかになる。
論文 参考訳（メタデータ） (2026-06-04T15:23:03Z) - TacO: Benchmarking Tactile Sensors for Object Manipulation [19.422699530305966]
ロボット操作のための触覚センサのシステム的,タスク駆動型評価を行う。
操作ポリシー性能に基づくセンサの選択と評価のためのフレームワークを提案する。
触覚センサー、コード、データ、ハードウェアのセットアップはすべて、プロジェクトのWebサイトで公開される。
論文 参考訳（メタデータ） (2026-05-21T04:11:03Z) - 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) - OPENTOUCH: Bringing Full-Hand Touch to Real-World Interaction [93.88239833545623]
OpenTouchは、最初のインザワイルドなエゴセントリックなフルハンド触覚データセットです。
触覚信号は,理解のためのコンパクトで強力なキューを提供する。
我々は,マルチモーダルな自我中心の知覚,具体的学習,接触に富むロボット操作の促進を目指す。
論文 参考訳（メタデータ） (2025-12-18T18:18:17Z) - 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) - 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) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - 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。