Fugu-MT 論文翻訳(概要): OmniTacTune: Policy-Agnostic Real-World RL for Tactile Residual Adaptation of Visual Policies

論文の概要: OmniTacTune: Policy-Agnostic Real-World RL for Tactile Residual Adaptation of Visual Policies

arxiv url: http://arxiv.org/abs/2607.03723v1
Date: Sat, 04 Jul 2026 06:11:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.687751
Title: OmniTacTune: Policy-Agnostic Real-World RL for Tactile Residual Adaptation of Visual Policies
Title（参考訳）: OmniTacTune: 視覚ポリシーの触覚残差適応のためのポリシーに依存しない実世界RL
Abstract要約: 我々はポリシーに依存しない実世界のRLパイプラインであるOmniTacTuneを紹介する。触覚フィードバックを、残留補正によって事前訓練された視覚ポリシーに適応させる。多様なコンタクト豊富なタスク、視覚的ベースポリシー、触覚表現を一般化する。
参考スコア（独自算出の注目度）: 12.067164216746542
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Visual policies learned from human videos, teleoperation, and robot demonstrations offer scalable motion priors, but often fail in contact-rich manipulation, where success significantly depends on local force and contact geometry. Tactile sensing provides these complementary signals, yet tactile data remain costly to collect and hard to generalize across sensors, robots, and tasks. We introduce OmniTacTune, a policy-agnostic real-world RL pipeline that adapts tactile feedback to pretrained visual policies through residual correction. OmniTacTune uses a two-stage design: it first bootstraps tactile-aware learning from autonomous base-policy rollouts, then learns a lightweight tactile residual policy through online interaction. Extensive experiments show that OmniTacTune generalizes across diverse contact-rich tasks, visual base policies, and tactile representations. Across four real-world contact-rich tasks, it improves visual base policies from 5-40% success to 85-100% within 40-80 minutes, demonstrating an efficient path for adapting tactile feedback to scalable visual robot policies. Project page: https://colinyu1.github.io/omnitactune-site/
Abstract（参考訳）: 人間のビデオ、遠隔操作、ロボットのデモから学んだ視覚的ポリシーは、スケーラブルな動きの先行を提供するが、しばしば接触に富んだ操作では失敗する。触覚はこれらの補完的な信号を提供するが、触覚データはセンサー、ロボット、タスクにまたがって収集し、一般化するのに費用がかかる。 OmniTacTuneはポリシーに依存しない実世界のRLパイプラインであり、残差補正によって事前学習された視覚ポリシーに触覚フィードバックを適用する。 OmniTacTuneは、2段階のデザインを使っている。まずは、自律的な基地警察のロールアウトから触覚学習をブートストラップし、その後、オンラインインタラクションを通じて、軽量な触覚残留ポリシーを学習する。大規模な実験により、OmniTacTuneは様々なコンタクト豊富なタスク、視覚的ベースポリシー、触覚表現を一般化している。 4つの現実世界のコンタクト豊富なタスクの中で、5-40%の成功から、40-80分以内の85-100%に視覚ベースポリシーを改善し、触覚フィードバックをスケーラブルな視覚ロボットポリシーに適応するための効率的な経路を示す。プロジェクトページ: https://colinyu1.github.io/omnitactune-site/

関連論文リスト

ViTacWorld: Scaling Visuo-Tactile World Models for Contact-Rich Robot Manipulation [30.004466515831634]
ViTacWorldは、スケーラブルなコンタクトリッチロボット操作のためのアクションコンディション付きビズオ触覚世界モデルである。これは触覚信号が物理的接触に直接接しており、純粋に視覚的な観察よりもシミュレーションと現実のギャップが小さいという事実を利用する。ロボットの視覚触覚行動軌跡生成と政策評価に世界モデルを用いた最初のフレームワークである。
論文参考訳（メタデータ） (2026-07-24T17:59:33Z)
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)
TacCoRL: Integrating Tactile Feedback into VLA via Simulation [38.963250081631834]
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。
論文参考訳（メタデータ） (2026-06-10T07:20:36Z)
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)
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)
Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。 We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文参考訳（メタデータ） (2025-06-02T17:57:52Z)
PolyTouch: A Robust Multi-Modal Tactile Sensor for Contact-rich Manipulation Using Tactile-Diffusion Policies [4.6090500060386805]
PolyTouchは、カメラベースの触覚センサー、音響センサー、周辺視覚センサーを単一のデザインに統合する、新しいロボットフィンガーだ。実験では、市販の触覚センサーよりも寿命が20倍に増えており、製造が容易でスケーラブルな設計になっている。
論文参考訳（メタデータ） (2025-04-27T19:50:31Z)
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)
Learning Precise, Contact-Rich Manipulation through Uncalibrated Tactile Skins [17.412763585521688]
我々は、トランスフォーマーベースのポリシーを使用して、皮膚センサーデータを視覚情報とともに追加トークンとして扱うシンプルなアプローチであるVisuo-Skin(ViSk)フレームワークを提案する。 ViSkは、視力のみと光触覚に基づくポリシーの両方で著しく優れています。さらに、触覚と視覚のモダリティを組み合わせることで、政策性能と空間的一般化が向上し、タスク全体で平均27.5%の改善が達成される。
論文参考訳（メタデータ） (2024-10-22T17:59:49Z)

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。