論文の概要: SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects

• arxiv url: http://arxiv.org/abs/2607.04234v1
• Date: Sun, 05 Jul 2026 11:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.872341
• Title: SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects
• Title（参考訳）: SoftVTBench: 変形可能な物体の物理的拘束型ロボットマニピュレーションのための安全対応型視覚触覚ベンチマーク
• Abstract要約: We present SoftVTBench, a safety-aware visuo-tactile benchmark for deformable object operation。 有限要素シミュレートされた変形可能な物体を持つアイザック・シムで構築されたSoftVTBenchは、多視点RGB観察、マーカーの動きによる触覚センシング、プロプレセプション、言語指示を提供する。
• 参考スコア（独自算出の注目度）: 56.16187327142104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable object manipulation poses challenges beyond task completion: successful execution must also maintain safe physical interaction, holding the object stably without slip or drop while avoiding excessive deformation. However, existing manipulation benchmarks are predominantly success-oriented and rarely evaluate whether a policy remains physically safe throughout execution. We present SoftVTBench, a safety-aware visuo-tactile benchmark for physically constrained deformable object manipulation. Built in Isaac Sim with finite-element-simulated deformable objects, SoftVTBench provides multi-view RGB observations, RGB tactile sensing with marker motion, proprioception, and language instructions, and defines four matched task suites over object type (deformable vs. rigid) and variation axis (object vs. spatial). It separately reports Goal Success and Safety Success; the latter additionally requires no drop and peak deformation below a calibrated object-specific threshold, measured from policy-hidden privileged Finite Element Method (FEM) states. We implement pi0.5-based baselines under this protocol. Experiments show that success-only evaluation substantially overstates policy performance, as a large fraction of goal-completing rollouts still violate physical safety. Furthermore, incorporating tactile sensing improves Safety Success (e.g., from 21.4% to 35.6% on object-centric deformable tasks) and reduces object deformation during execution, while maintaining comparable Goal Success. SoftVTBench provides a reproducible benchmark for studying visuo-tactile deformable manipulation under physical interaction constraints.
• Abstract（参考訳）: デフォルマブルなオブジェクト操作はタスクの完了以上の課題を引き起こす: 成功した実行は安全な物理的相互作用も維持し、過度の変形を避けながら、オブジェクトをスリップやドロップなしで安定的に保持する必要がある。 しかし、既存の操作ベンチマークは、主に成功指向であり、実行中、ポリシーが物理的に安全であるかどうかをほとんど評価しない。 物理的に制約のある変形可能なオブジェクト操作のための安全対応型ビズオ触覚ベンチマークであるSoftVTBenchを提案する。 有限要素シミュレートされた変形可能なオブジェクトを持つIsaac Simで構築されたSoftVTBenchは、多視点RGB観察、マーカー運動によるRGB触覚センシング、プロプレセプション、言語命令を提供し、オブジェクトタイプ(変形可能対剛性)と変動軸(オブジェクト対空間)の4つのマッチしたタスクスイートを定義する。 目標成功と安全性の成功を別々に報告し、さらに後者は、政策を隠した特権的有限要素法(FEM)状態から測定した、校正対象固有しきい値以下での落下とピーク変形を必要としない。 本プロトコルでは,pi0.5ベースのベースラインを実装している。 実験の結果、成功のみの評価が政策パフォーマンスを大幅に上回ることが示された。 さらに、触覚を取り入れることで、安全成功(例えば、オブジェクト中心の変形可能なタスクでは21.4%から35.6%)が向上し、実行中のオブジェクトの変形を低減し、ゴール成功と同等に維持する。 SoftVTBenchは物理相互作用制約下でのビジュオ触覚変形操作を研究するための再現可能なベンチマークを提供する。

関連論文リスト

• SoftVTBench: A Deformation-Aware Visuo-Tactile Dataset and Benchmark for Deformable-Object Manipulation [56.16187327142104]
  物理的相互作用を意識した変形オブジェクト操作のためのビジュオ触覚データセットであるSoftVTBenchを紹介する。 4000以上の専門家によるデモンストレーションと50以上の資産が含まれており、その中には体積変形可能な物体や視覚的に整合した双生児が含まれる。 20Hzでは、各エピソードはマルチビューRGB、デュアルフィンガー触覚RGB、マーカー運動、プロプレセプション、言語、バイナリおよび連続グリップパーアクションを同期させる。
  論文  参考訳（メタデータ） (2026-08-19T08:58:47Z)
• PhysV2A: Reachability-Gated and Semantic-Mask-Constrained Feasibility Completion for Video-to-Robot Manipulation [17.70834422785338]
  ビデオベースの操作は、人間のデモ、生成されたビデオ、RGB-D観察からオブジェクト中心の動作を先取りする。 PhysV2Aは、ビデオ由来の6Dオブジェクトの動きをロボット実行可能な操作軌道に変換するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-07-10T12:43:00Z)
• Monocular Vision Based Control Framework for Grasping [8.44254908378373]
  本稿では,単一制御パイプライン内の軟質物体と剛質物体の両方を対象とする,視覚に基づく把握フレームワークを提案する。 提案システムは,開語彙オブジェクト検出,画像分割,境界認識点割当,リアルタイム点追跡,単眼深度推定を組み合わせたシステムである。 その結果, 視覚フィードバックのみを用いて, ソフトオブジェクトと剛体オブジェクトの両方を安定的に把握できることが実証された。
  論文  参考訳（メタデータ） (2026-07-08T20:13:17Z)
• PACT: Self-Evolving Physical Safety Alignment for Diffusion Policies in Embodied Manipulation [38.43792325467372]
  既存のアプローチでは、トレーニング中に早期に安全を課すか、テスト時に外部ガードレールを介して反応する。 本研究では,制約可能な領域に事前の拡散政策を立案する自己進化型ポストトレーニングフレームワークである,制約付き軌道の物理安全アライメント(PACT)を提案する。 シミュレーションおよび実世界の実施された操作ベンチマークでは、PACTは安全性違反を平均で31.0%削減し、タスク成功を30.7%改善した。
  論文  参考訳（メタデータ） (2026-06-07T02:27:53Z)
• VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring [60.53395558502203]
  Vision-Language Embodied Safety Agent (VLESA)は、自我中心のビデオから人間の活動を監視する。 VLESAは、コンテキストに応じて同一のアクションが安全または危険である意図に依存した安全性に対処する。 目標を共同で推測し,映像から将来の行動を予測するための意図-行動予測エージェントを提案する。
  論文  参考訳（メタデータ） (2026-06-02T17:42:17Z)
• SafeVLA-Bench: A Benchmark for the Success-Safety Gap in Vision-Language-Action Models [5.9288463407781995]
  ビジョン言語アクション(VLA)ベンチマークは、ポリシーが要求された操作タスクを完了するかどうかを測定する。 本稿では,既存のシミュレータベースのVLAベンチマークの安全性評価フレームワークであるSafeVLA-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-30T15:31:57Z)
• SafeManip: A Property-Driven Benchmark for Temporal Safety Evaluation in Robotic Manipulation [30.582295885898997]
  本稿では,ロボット操作における時間的安全特性を明示的に評価するためのプロパティ駆動型ベンチマークであるSafeManipを紹介する。 SafeManipは、有限トレース上の線形時間論理(LTLf)を用いて、有限実行上の再利用可能な安全テンプレートを定義する。 我々は,50のRoboCasa365家計タスクに対して,$_0.5$,GR00T,およびそれらのトレーニングバリエーションを含む6つの視覚言語アクションポリシーについてSafeManipを評価した。
  論文  参考訳（メタデータ） (2026-05-12T16:49:28Z)
• GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter [27.71481975135778]
  乱雑な環境では、シングルステップの把握が不十分であることが多い。 従来の作業は、把握可能な空間を作るための補助的なアクションとしてプッシュを導入してきた。 我々は,グリップとプッシュ評価を統合するために,幾何対応のプッシュグラス・シナジー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-22T12:30:44Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Tracking Partially-Occluded Deformable Objects while Enforcing Geometric Constraints [11.247580943940916]
  我々は、変形可能な物体の追跡を支援するために、高忠実度物理シミュレーションを構築した。 我々はRGBD画像と幾何運動推定に基づいてオブジェクトに焦点を当てる。 コントリビューションにより、従来の手法よりも精度の面で大きなマージンを達成できます。
  論文  参考訳（メタデータ） (2020-11-01T21:13:18Z)

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。