論文の概要: TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2607.09190v1
• Date: Fri, 10 Jul 2026 08:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.427823
• Title: TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation
• Title（参考訳）: TactiDex:人間のようなデクサラスマニピュレーションのための実世界の触覚ガイド付きベンチマーク
• Authors: Suting Ni, Hanbing Zhang, Zhenyu Wei, Guo Chen, Chixuan Zhang, Ye Shi, Jingya Wang,
• Abstract要約: 現在のヒトからロボットへのデキスタラストランスファーパイプラインはキネマティックな軌道に依存している。 実世界の触覚誘導型ベンチマークであるTactiDexを導入する。 本稿では,新しい三成分触覚報酬に基づいて構築されたフレームワークであるTactiSkillを紹介する。
• 参考スコア（独自算出の注目度）: 30.144946280089727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile feedback is fundamental to Hand-Object Interaction (HOI), governing contact formation, force regulation, and stable manipulation, making it essential for achieving true human-like dexterous manipulation. Yet, current human-to-robot dexterous transfer pipelines primarily rely on kinematic trajectories, resulting in motion imitation without physically grounded interaction. To address this, we introduce TactiDex, a real-world tactile-guided benchmark specifically designed to move dexterous manipulation beyond kinematic mimicry toward contact-level human-likeness. TactiDex provides a comprehensive dataset that elegantly aligns whole-hand tactile signals with multi-granularity kinematic and object states, coupled with standardized evaluation metrics. Building upon this data paradigm, we propose a tactile-driven transfer framework that effectively translates human demonstrations into physically plausible robotic execution. We introduce TactiSkill, a framework built upon a novel tri-component tactile reward that innovatively uses tactile signals as structured supervision. This reward unifies guidance, human-like alignment, and contact constraints into a single objective. Through comprehensive experiments on both single and bimanual tasks, we demonstrate that TactiSkill achieves superior performance in manipulation success and physical realism. This work lays a crucial foundation for advancing tactile-aware dexterous manipulation. Our project page at https://tactidex.github.io/.
• Abstract（参考訳）: 触覚フィードバックは、ハンドオブジェクトインタラクション(HOI)の基本であり、接触の形成、力の規制、安定した操作を統括する。 しかし、現在の人間からロボットへのデキスタラストランスファーパイプラインは、主に運動軌道に依存しており、物理的に接地された相互作用を伴わない運動模倣をもたらす。 この問題を解決するために,触覚ガイド付き実世界のベンチマークであるTactiDexを紹介した。 TactiDexは、マルチグラニュラリティキネマティックとオブジェクトステートと、標準化された評価指標とをエレガントに一致させる、包括的なデータセットを提供する。 このデータパラダイムを基盤として,人間の実演を物理的に妥当なロボット実行に効果的に翻訳する触覚駆動の伝達フレームワークを提案する。 本稿では,新しい三成分触覚報酬に基づいて構築されたフレームワークであるTactiSkillを紹介する。 この報酬は、ガイダンス、人間のようなアライメント、接触制約を単一の目的に統一する。 TactiSkillは,シングルタスクとバイマニュアルタスクの総合的な実験を通じて,操作成功と物理リアリズムにおいて優れた性能を発揮することを示す。 この研究は、触覚に敏感な操作を促進するための重要な基礎を築いた。 私たちのプロジェクトページはhttps://tactidex.github.io/です。

関連論文リスト

• DexTeleop-0: Force-Aware Bimanual Dexterous Teleoperation with Ego-Centric Perception towards Shared Autonomy [6.652421441096025]
  ロボット工学における基礎的な課題は、きめ細かな両面的な操作である。 従来の遠隔操作システムは、ボディーメントギャップが正確なキネマティックマッピングを妨げているため、コンタクトリッチなタスクでは失敗する。 遠隔操作パイプライン上での微粒な操作を可能にするために,触覚駆動型適応方式を提案する。
  論文  参考訳（メタデータ） (2026-06-22T14:48:58Z)
• T-Rex: Tactile-Reactive Dexterous Manipulation [139.71263755530654]
  本稿では,新しい時相触覚VQ-VAEエンコーダを備えた可変レートMixture-of-Transformers (MoT)アーキテクチャを提案する。 微妙な力制御と変形可能な物体操作を必要とする12の操作課題に対して,触覚反応が有効であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T17:59:55Z)
• Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning [6.509572742369941]
  触覚のみのブラインドグリップのためのフレームワークを提案する。 本研究では,実際の触覚信号を再現可能な接触校正型デジタル双極子シミュレータを構築するReal2Sim触覚校正パイプラインを提案する。 第2に,センサ・ジオメトリを組み込んだレイアウト認識型触覚エンコーダによる触覚観察の表現性を,自己教師付き事前学習により改善する。 第3に、未確認物体への一般化を改善するため、校正されたシミュレーターにおいて、オブジェクト固有の強化学習の専門家を訓練し、得られた把握軌道を触覚条件付き拡散ポリシーに集約する。
  論文  参考訳（メタデータ） (2026-06-10T07:46:38Z)
• TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment [32.07730277045068]
  既存のH2R(Human-to-robot)アプローチでは、タッチが同一の触覚センサーを前提としており、ペアのデータを必要とし、人間のデモンストレーターとロボットの間の具体的ギャップをほとんど必要としない。 そこで本研究では,異なる実施形態のロボットに人為的な触覚信号を伝達する触覚アライメント手法であるTactAlignを提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:31:32Z)
• 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)
• DexCanvas: Bridging Human Demonstrations and Robot Learning for Dexterous Manipulation [25.208854363099352]
  このデータセットには、実際の人間の実演から70時間シードされた7000時間に及ぶ手-物体の相互作用が含まれている。 各エントリは、同期されたマルチビューRGB-D、MANOハンドパラメータによる高精度モキャップ、物理的に一貫した力プロファイルによるフレーム単位の接触点を組み合わせる。 私たちのリアル・トゥ・シムパイプラインは、物理シミュレーションにおいてアクティベートされたMANOハンドを制御するポリシーをトレーニングするために強化学習を使用します。
  論文  参考訳（メタデータ） (2025-10-17T16:08:14Z)
• 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)
• RealDex: Towards Human-like Grasping for Robotic Dexterous Hand [64.33746404551343]
  本稿では,人間の行動パターンを取り入れた手の動きを正確に把握する先駆的データセットであるRealDexを紹介する。 RealDexは、現実のシナリオにおける認識、認識、操作を自動化するためのヒューマノイドロボットを進化させる上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-21T14:59:46Z)

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。