論文の概要: TacPrint: A Wearable Fingertip Tactile Sensor for Human-to-Robot Contact Reproduction

• arxiv url: http://arxiv.org/abs/2607.29231v1
• Date: Fri, 31 Jul 2026 10:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.680905
• Title: TacPrint: A Wearable Fingertip Tactile Sensor for Human-to-Robot Contact Reproduction
• Title（参考訳）: TacPrint:人間とロボットの接触再現のためのウェアラブル指触覚センサ
• Abstract要約: そこで本研究では,シリコーン皮膚の内面の突起を1対1で24個の容量を持つ触覚センサであるTacPrintについて紹介する。 リアル・ツー・シミュレート・トゥ・リアルパイプラインは、24チャンネルの容量信号から35ドル(約3,300円)の接触深度マップを推定する。 人間とロボットのリプレイでは、触覚誘導による報酬は、把握率を0%から91.67%、ワイピング成功率を90%に引き上げた。
• 参考スコア（独自算出の注目度）: 11.035385646633602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-centric data collection is emerging as a significant paradigm for robot skill acquisition, but seamlessly integrating low-cost, scalable tactile sensing systems that capture fine-grained fingertip interactions without compromising natural operation remains a key challenge. This reduces the reliability of human-to-robot transfer in contact-rich tasks. In this work, we present TacPrint, a wearable fingertip tactile sensor, where protrusions on the inner surface of the silicone skin are aligned one-to-one with 24 capacitive taxels to enable localized capacitive responses. A real-to-sim-to-real pipeline estimates a 35 $\times$ 26 contact-depth map from 24-channel capacitive signals. Against simulation-generated labels, the model achieved a contact-region RMSE of 0.223 $\pm$ 0.161 mm, a weighted-centroid error of 1.213 $\pm$ 2.379 pixels, and an IoU of 0.829 $\pm$ 0.169. With measured capacitive inputs, the network-predicted depth evaluated at the guide-calibrated contact center showed a mean absolute error of 0.085 $\pm$ 0.057 mm across all 40 controlled trials, while the mean contact-position error was 0.250 $\pm$ 0.208 mm across the 37 trials whose reference contact regions were not truncated by the sensing boundary. In human-to-robot replay, tactile-guided compensation increased grasping and wiping success rates from 0% to 91.67% and 90%, respectively. In closed-loop grasping, dense-depth feedback achieved success rates of 87.5% over all tested positions and 85% under edge-contact conditions, compared with 67.5% and 45% for raw-taxel feedback.
• Abstract（参考訳）: 人間の中心的なデータ収集は、ロボットのスキル獲得の重要なパラダイムとして浮上している。しかし、自然操作を損なうことなく、きめ細かい指先の動きを捉える、低コストでスケーラブルな触覚センシングシステムを統合することは、依然として重要な課題だ。 これにより、コンタクトリッチタスクにおける人間とロボットの移動の信頼性が低下する。 そこで本研究では,シリコーン皮膚の内面の突起を1対1で24個の容量性タッセルで整列させて,局所的な容量応答を可能にする,ウェアラブル指先触覚センサであるTacPrintを提案する。 リアル・ツー・シミュレート・トゥ・リアルパイプラインは、24チャンネルの容量信号から35ドル(約3,300円)の接触深度マップを推定する。 シミュレーションによって生成されたラベルに対して、このモデルは、0.223$\pm$0.161 mmの接触領域RMSE、1.213$\pm$2.379ピクセルの重み付きセントロイド誤差、0.829$\pm$0.169のIoUを達成した。 測定された静電容量入力では、ガイド校正された接触中心で評価されたネットワーク予測深度は、制御された40回の全ての試験で0.085$\pm$0.057 mmの平均絶対誤差を示し、平均接触位置誤差は37回の試験で0.250$\pm$0.208 mmであり、基準接触領域は検知境界で妨げられていない。 人間とロボットのリプレイでは、触覚誘導による報酬は、把握率を0%から91.67%、ワイピング成功率を90%に引き上げた。 クローズドループの把握において、密集深度フィードバックはテストされた全ての位置に対して87.5%、エッジ接触条件下では85%の成功率を達成した。

関連論文リスト

• SlipSense: Multimodal Tactile Learning for Low-Latency and Generalized Slip Detection [15.908150948122573]
  SlipSenseは、TacV5上に構築されたマルチモーダルスリップ検出フレームワークである。 このフレームワークは、240Hzの因果時間予測で、モダリティ特異的符号化、センサー内融合、およびクロスモーダルアテンションを実行する。 SlipSenseは、UMIデータのみを訓練すると、ゼロショットをテゾロのデキスタラスハンドに一般化し、見えない物体、異なるセンサーユニット、ロボットプラットフォームを再訓練せずに移動させる。
  論文  参考訳（メタデータ） (2026-09-14T17:23:59Z)
• PredTac: Learning Contact-Rich Manipulation with Predicted Touch [0.552480439325792]
  触覚測定の代替として,予測タッチを定式化した。 触覚状態を因果的な視覚的観察から推定するフレームワークであるPredTacを提案する。 シミュレーションおよび実ロボット上での3つのコンタクトリッチな操作タスク間でPredTacを評価した。
  論文  参考訳（メタデータ） (2026-09-14T08:19:55Z)
• Sensing Which Modality Matters: Evidence-Gated Regularization for Robust VLA Policies [36.174462532201964]
  EGR(Evidence-Gated Regularization)は、推論時間オーバーヘッドをゼロにするモダリティに依存しないトレーニング目標である。 EGRは2つの状態条件の整合性をゲートするフレーム単位とセンサ単位のタスク関連シグナルを導出する。 EGRをBEHAVIOR-1Kに基づくベンチマークで検証し,高速な推論専用診断スイートとロールアウトに基づく47のスキルを備える。
  論文  参考訳（メタデータ） (2026-09-02T20:25:21Z)
• ReTouch: Empowering Contact-Rich Dexterous Manipulation with Online-Refined Tactile Prediction [42.34171808182058]
  本稿では,コンタクトリッチなデクスタラス操作をサポートする視覚言語-アクションモデル(VLA)ReTouchを紹介する。 ReTouchは、触覚表現とクローズドループアクション生成の2つの主要なイノベーションの上に構築されている。
  論文  参考訳（メタデータ） (2026-08-03T07:31:10Z)
• A Model-Based Decoupling Strategy for Proprioception and Contact Sensing in an Architected Soft Manipulator [49.225033144914214]
  軟構造セグメントに埋め込まれた流体圧センサから, 受容・接触信号を分離するモデルベース戦略を提案する。 単一ITHセグメントでは, 相対曲げ誤差0.11+/-0.02, 接触検出率97%で, 主観的形状推定が可能である。
  論文  参考訳（メタデータ） (2026-07-17T03:03:19Z)
• 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)
• Real-Time Non-Contact Force Compensation for Wrist-Mounted Force/Torque Sensors in Haptic-Enabled Robotic Surgery Training [1.6206092886889898]
  これまでに開発したローコストロボット手術訓練装置であるRoboScopeを、触覚フィードバックトレーニング用に手首に装着した力/トルクセンサー(F/T)を組み込むことで拡張した。
  論文  参考訳（メタデータ） (2026-04-26T13:21:45Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• 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)
• Contact Status Recognition and Slip Detection with a Bio-inspired Tactile Hand [0.7850663096185592]
  非構造的かつ普遍的な環境下でのロボットにはスリップ検出とタイムリーな予防が必要である。 本研究では,5本指のバイオインスパイアされた手からの触覚フィードバックを利用してこの問題に対処する。
  論文  参考訳（メタデータ） (2026-03-19T00:12:27Z)
• LineMaster Pro: A Low-Cost Intelligent Line Following Robot with PID Control and Ultrasonic Obstacle Avoidance for Educational Robotics [2.2903728931592395]
  LineMaster ProはArduino Nanoプラットフォーム上で実装された、インテリジェントで低コストなラインフォローロボットである。 PIDの実装は従来のオンオフ制御よりも43%改善されている。 LineMaster Proは商用版に比べて94%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2026-03-14T11:42:48Z)
• TranTac: Leveraging Transient Tactile Signals for Contact-Rich Robotic Manipulation [11.834021644402148]
  鍵をロックに挿入したり、USBデバイスをポートに差し込んだりといったロボット操作は、視覚的な認識が不十分な場合に失敗する可能性がある。 本稿では,データ効率と低コストな触覚検知・制御フレームワークであるTranTacを紹介する。 マイクロメータスケールで動的翻訳およびねじり変形を検出することができる。
  論文  参考訳（メタデータ） (2025-09-20T06:25:59Z)
• TouchInsight: Uncertainty-aware Rapid Touch and Text Input for Mixed Reality from Egocentric Vision [25.271209425555906]
  任意の物理的表面上の10本の指すべてからタッチ入力を検出するリアルタイムパイプラインを提案する。 筆者らのTouchInsightは,タッチイベントの瞬間,指の接触,タッチ位置を予測するニューラルネットワークを備える。
  論文  参考訳（メタデータ） (2024-10-08T11:42:44Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)
• 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。