論文の概要: Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning

• arxiv url: http://arxiv.org/abs/2608.07558v1
• Date: Sun, 02 Aug 2026 14:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.434117
• Title: Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning
• Title（参考訳）: 身体的相互作用の学習: 触覚・力覚ロボット学習に関する調査
• Abstract要約: 物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。 近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。 これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
• 参考スコア（独自算出の注目度）: 128.76135832773102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physically grounded robot intelligence requires robots to perceive, reason about, and regulate their interactions with the physical world. This capability is particularly critical in contact-sensitive manipulation, where successful task execution depends not only on visual perception and motion generation, but also on force regulation and adaptive control. In this context, recent robot learning methods have made substantial progress by integrating force, tactile, vision, language, and proprioceptive sensing into learned manipulation policies. In parallel, many systems adopt multi-phase architectures that combine high-level policies, action-refinement modules, and low-level controllers to bridge semantic task understanding with reactive physical execution. Despite these advances, existing surveys have not explicitly reviewed force- and tactile-aware robot learning from a unified perspective that jointly captures multimodal sensing and multi-phase system design. This survey addresses this gap by proposing TF-ART, a Tactile/Force-Aware Robot learning Taxonomy for multimodal and multi-phase frameworks, which maps individual methods into a unified hierarchical structure. The framework characterizes how recent works organize observation modalities, encode and fuse heterogeneous sensory inputs, generate and refine actions across multiple phases, and connect learned policies to reactive robot-end control. Building on this methodological view, we further examine the task settings and infrastructure requirements of physical interaction, thereby integrating both algorithmic and practical perspectives on force- and tactile-aware robot learning.
• Abstract（参考訳）: 物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。 この能力は特に接触に敏感な操作において重要であり、タスクの実行は視覚知覚やモーション生成だけでなく、力の調節や適応制御にも依存する。 この文脈において、最近のロボット学習法は、学習された操作ポリシーに力、触覚、視覚、言語、および受容的感覚を統合することで、かなりの進歩を遂げている。 並行して、多くのシステムは高レベルポリシー、アクションリファインメントモジュール、低レベルコントローラを組み合わせたマルチフェーズアーキテクチャを採用して、セマンティックタスク理解をリアクティブな物理実行でブリッジする。 これらの進歩にもかかわらず、既存の調査では、マルチモーダルセンシングとマルチフェーズシステム設計を共同で捉える統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。 このギャップを解消するために、TF-ARTという多段階・多段階のフレームワークのための触覚/フォース対応ロボット学習分類法を提案し、個々のメソッドを階層構造にマッピングした。 このフレームワークは、最近の研究が観察モダリティを整理し、異種感覚入力をエンコードし、融合し、複数のフェーズにわたってアクションを生成し、洗練し、学習したポリシーをリアクティブなロボット・エンド・コントロールに接続する方法を特徴付けている。 この方法論的視点に基づいて,物理的相互作用のタスク設定とインフラ要件をさらに検討し,力覚と触覚を意識したロボット学習におけるアルゴリズム的および実践的視点を統合する。

関連論文リスト

• Cable-driven Continuum Robotics: Proprioception via Proximal-integrated Force Sensing [8.830224010897025]
  微小連続ロボットは3次元接触力知覚の達成において重要な限界に直面している。 本稿では,ケーブル駆動型連続体ロボットの近位積分力センシングに基づく新しいプロプリセプション手法を提案する。
  論文  参考訳（メタデータ） (2026-03-08T02:46:13Z)
• Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives [101.22313265304979]
  近年のビジョン,言語,マルチモーダル学習の進歩は,ロボット基礎モデルの進歩を加速させている。 本研究は,ロボットの操作をアルゴリズムの観点から検討する。 我々は、近年の学習に基づくアプローチを、高レベルの計画と低レベルの制御の統一的な抽象化の中に整理する。
  論文  参考訳（メタデータ） (2025-12-28T16:05:38Z)
• Self-Supervised Multisensory Pretraining for Contact-Rich Robot Reinforcement Learning [10.782934021703783]
  MultiSensory Dynamic Pretraining (MSDP)は、タスク指向のポリシー学習に適した表現型多感覚表現を学習するためのフレームワークである。 MSDPはマスク付きオートエンコーディングに基づいており、センサ埋め込みのサブセットのみからの多感覚観測を再構成することでトランスフォーマーベースのエンコーダを訓練する。 下流の政策学習では,凍結した埋め込みから動的にタスク固有の特徴を抽出するクロスアテンション機構が導入された。
  論文  参考訳（メタデータ） (2025-11-18T12:32:23Z)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• Interactive Multi-Robot Flocking with Gesture Responsiveness and Musical Accompaniment [0.7659052547635159]
  この研究は魅力的なマルチロボットタスクを示し、その主な目的は熱意と関心を喚起することである。 このタスクでは、人間と一緒に動き、ダイナミックで表現力のあるロボット群に参加することが目標である。 この目的に向けて、研究チームはロボットの動きとジェスチャーや音といった対話モードを関連づけるアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-03-30T18:16:28Z)
• RoboCodeX: Multimodal Code Generation for Robotic Behavior Synthesis [102.1876259853457]
  汎用ロボット行動合成のための木構造多モードコード生成フレームワークRoboCodeXを提案する。 RoboCodeXは、高レベルの人間の命令を複数のオブジェクト中心の操作ユニットに分解する。 概念的および知覚的理解を制御コマンドにマッピングする能力をさらに強化するため、事前学習のための特別なマルチモーダル推論データセットを収集し、教師付き微調整のための反復的自己更新手法を導入する。
  論文  参考訳（メタデータ） (2024-02-25T15:31:43Z)
• MimicTouch: Leveraging Multi-modal Human Tactile Demonstrations for Contact-rich Manipulation [8.738889129462013]
  ミミックタッチ(MimicTouch)は、人手によるデモンストレーションから直接ポリシーを学ぶための新しいフレームワークである。 i)人間の触覚誘導制御戦略を学習するためのマルチモーダルな触覚データセットを収集する人間の触覚データ収集システム,i)そのようなデータを通して人間の触覚誘導制御戦略を学習するための模倣学習ベースのフレームワーク。
  論文  参考訳（メタデータ） (2023-10-25T18:34:06Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• Physics-Guided Hierarchical Reward Mechanism for Learning-Based Robotic Grasping [10.424363966870775]
  我々は,学習効率と学習に基づく自律的把握の一般化性を向上させるために,階層的リワード機構を備えた物理誘導型深層強化学習を開発した。 本手法は3本指MICOロボットアームを用いたロボット把握作業において有効である。
  論文  参考訳（メタデータ） (2022-05-26T18:01:56Z)
• SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
  SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。 部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
  論文  参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。