論文の概要: Tactile Sim2Real without Tactile Simulation via Bottlenecked Latent Reconstruction
- arxiv url: http://arxiv.org/abs/2608.15897v2
- Date: Wed, 19 Aug 2026 00:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 15:48:19.52613
- Title: Tactile Sim2Real without Tactile Simulation via Bottlenecked Latent Reconstruction
- Title（参考訳）: Bottlenecked Latent Reconstruction による触覚シミュレーションのない触覚Sim2Real
- Abstract要約: Sim2Realは、シミュレータネイティブなオラクルセンサーのトレーニングポリシによって、センサ固有のシミュレーションを完全に回避する。
SBLRは触覚シミュレーションに直接アクセスしてオラクルの性能と一致または接近することを示す。
- 参考スコア（独自算出の注目度）: 11.374127908457446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot sensor designs, particularly tactile sensors, are highly diverse and evolve rapidly. Modeling each sensor in simulation demands substantial domain expertise and computational approximations can degrade the fidelity of the simulated signals. We propose Sim2Real via Bottlenecked Latent Reconstruction (SBLR), a framework that avoids sensor-specific simulation entirely by (1) training policies on a simulator-native oracle sensor that is easy to construct without modeling any particular sensor (e.g. we use a point-cloud and finger-tip forces as a tactile oracle), and (2) aligning real sensor latent embeddings to those of the oracle sensor at inference time. Policy training proceeds in two-stage: the policy first learns from the oracle sensor latents, then a bottlenecked latent reconstruction adapts it to the information loss expected when using the real sensor instead of the oracle. The alignment between oracle and real sensor is learned from unpaired random-play data collected in both simulation and the real world, using rectified-flow-based transformation networks trained on nearest-neighbor pseudo-pairs. Simulation experiments on three contact-rich tasks show that SBLR matches or approaches the performance of an oracle with direct access to tactile simulation. Hardware experiments on Peg Insertion and Gear Meshing with GelSight Mini and DIGIT sensors demonstrate 85-97.5% zero-shot success without requiring any sensor-specific modeling or calibration, outperforming a physics-based tactile simulation baseline by 7.5-15%.
- Abstract（参考訳）: ロボットセンサーのデザイン、特に触覚センサーは非常に多様で、急速に進化している。
シミュレーションにおける各センサのモデリングには、相当な領域の専門知識が必要であり、計算近似はシミュレーションされた信号の忠実さを低下させることができる。
SBLRは,(1)特定のセンサをモデル化することなく構築が容易なシミュレータ固有オラクルセンサのトレーニングポリシー(例えば,触覚オラクルとしてポイントクラウドと指先力を使用する)と(2)実際のセンサ潜時埋め込みを推論時に整列させることにより,センサ固有シミュレーションを完全に回避するフレームワークである。
政策トレーニングは2段階に進み、まずはオラクルセンサーの潜伏者から学び、次にボトルネックの潜伏した再構築は、オラクルの代わりに実際のセンサーを使用する際に期待される情報損失に適応する。
近隣の擬似ペアで訓練された正流型変換ネットワークを用いて, シミュレーションと実世界の両方で収集されたランダムプレイデータから, オラクルと実センサのアライメントを学習する。
3つの接触に富んだタスクのシミュレーション実験により、SBLRは触覚シミュレーションに直接アクセスしてオラクルのパフォーマンスと一致または接近することを示した。
GelSight MiniとDIGITセンサーによるPeg InsertionとGear Meshingのハードウェア実験は、センサー固有のモデリングやキャリブレーションを必要とせずに85-97.5%のゼロショット成功を示し、物理学ベースの触覚シミュレーションベースラインを7.5-15%上回った。
関連論文リスト
- Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration [50.18488308004802]
Sen-Capは、LiDARとカメラのマルチモーダルデータを統合した3Dモーションキャプチャフレームワークである。
Sen-CapはHuman-M3とFreeMotionの主要なメトリクスで最先端のパフォーマンスを達成する。
この柔軟性と堅牢性の組み合わせは、現実のシナリオにおけるモーションキャプチャの新しい機会を開放する。
論文 参考訳（メタデータ） (2026-08-03T14:16:18Z) - TactSpace: Learning a Physics-enriched Shared Latent Space for Tactile Sim-to-Real Transfer [8.357674069719524]
共用潜在空間内での不均一な触覚を整列する多モード表現学習フレームワークを提案する。
本手法では, 様々な触覚観測を共通埋め込み空間に投影するために, モダリティ特異的エンコーダを用いる。
本結果は, 物理的に異なる表現間のゼロショットsim-to-real転送を実証する。
論文 参考訳（メタデータ） (2026-06-17T11:41:27Z) - DOT-Sim: Differentiable Optical Tactile Simulation with Precise Real-to-Sim Physical Calibration [12.64545897591664]
DOT-Sim: Differentiable Optical Tactile Simulationを提案する。
DOT-Simは、ソフトセンサーの物理的挙動を弾性材料としてモデル化することで正確に捉える。
光学的側面を扱うために,残像を学習して光応答をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2026-04-30T03:27:09Z) - SPLIT: Separating Physical-Contact via Latent Arithmetic in Image-Based Tactile Sensors [0.5500249707065662]
本稿では,画像ベース触覚センサのシミュレーション手法であるSPLITを提案する。
我々のアプローチの中心は、センサー固有の光学特性から接触幾何学を明示的に切り離す潜在空間算術戦略である。
可変解像度の有限要素法(FEM)ソフトボディメッシュシミュレーションを行い,速度と忠実度を調整可能なトレードオフを提供する。
論文 参考訳（メタデータ） (2026-04-27T13:13:58Z) - 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) - 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) - A Foundation Model for Virtual Sensors [41.4965371110973]
既存の仮想センサアプローチでは、各センサに対して手入力のアプリケーション固有のモデルが必要である。
両方の制約に対処する仮想センサの最初の基礎モデルを紹介する。
我々のアーキテクチャは415倍の時間短縮と951倍のメモリ要求の削減を実現している。
論文 参考訳（メタデータ） (2026-01-28T14:17:46Z) - TwinTac: A Wide-Range, Highly Sensitive Tactile Sensor with Real-to-Sim Digital Twin Sensor Model [4.668679765548824]
我々は、物理的な触覚センサーとデジタルツインモデルを組み合わせたシステムであるTwinTacを紹介する。
ハードウェアセンサーは高感度で広い測定範囲に設計されている。
デジタルツインセンサによって生成されたシミュレーションデータにより,実世界のデータを効果的に増強し,精度を向上できることを示す。
論文 参考訳（メタデータ） (2025-09-12T08:51:28Z) - Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [34.47272224723296]
ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。
並列化が制限されたサブリアルタイム速度で動作する従来のシミュレータとは異なり、Taccelは正確な物理シミュレーションとリアルな触覚信号を提供する。
これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
論文 参考訳（メタデータ） (2025-04-17T12:57:11Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳（メタデータ） (2022-02-15T17:38:30Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
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。