論文の概要: BIFTA: Brain-Inspired Few-Shot Tactile Adaptation for Unknown Sensors
- arxiv url: http://arxiv.org/abs/2609.08673v1
- Date: Tue, 08 Sep 2026 12:39:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.649658
- Title: BIFTA: Brain-Inspired Few-Shot Tactile Adaptation for Unknown Sensors
- Title（参考訳）: BIFTA:未知のセンサーのためのブレインインスパイアされたFew-Shot触覚適応
- Abstract要約: 凍結エンコーダを未知の触覚センサに適応させるために,Brain-Inspired Few-Shot Tactile Adaptation (BIFTA) フレームワークを提案する。
BIFTAは、二視点統計メモリを通して事前訓練された表現を保存する。
これは、凍結エンコーダを未知の触覚センサーに適応させるために、脳の迅速な感覚適応機構の上に構築されている。
- 参考スコア（独自算出の注目度）: 9.215504075946754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in tactile sensing have made contact-rich perception possible, accelerating progress in robotic manipulation, material understanding, and embodied interaction. However, because optical design, elastomer mechanics, and imaging geometry differ substantially across tactile sensors, models trained on known sensor types can suffer an abrupt performance collapse on unknown sensors. To address this problem, we propose the Brain-Inspired Few-Shot Tactile Adaptation (BIFTA) framework; it draws on the brain's rapid sensory adaptation mechanism to adapt a frozen encoder to an unknown tactile sensor from a small labeled support set. BIFTA preserves pretrained representations through dual-view statistical memory, constructs support-conditioned spectral graphs to repair sensor-dependent feature neighborhoods, and applies uncertainty-gated recurrent propagation to strengthen reliable cross-query evidence. Extensive benchmarks across three tactile datasets show that BIFTA substantially improves adaptation to unknown sensors: with only 10\% labeled target data on SITR, it raises mean Sparsh accuracy from 6.86\% for the frozen source classifier to 87.09\%, exceeding the strongest implemented prior comparison by 47.22 percentage points, and these gains generalize across datasets, pretrained backbones, and tactile tasks. These results validate BIFTA for data-efficient adaptation to unknown tactile sensors and offer a promising route toward tactile models that transfer across heterogeneous hardware.
- Abstract（参考訳）: 触覚センサーの進歩により、接触に富んだ知覚が可能となり、ロボット操作の進歩、物質理解、そして身体的相互作用が加速した。
しかし、光学設計、エラストマー力学、画像幾何学は触覚センサーによって大きく異なるため、既知のセンサータイプで訓練されたモデルは未知のセンサーで突然の性能が低下する可能性がある。
この問題に対処するため,我々は,凍結エンコーダを未知の触覚センサに適応させるために,脳の迅速な感覚適応機構をベースとしたBIFTA(Brain-Inspired Few-Shot Tactile Adaptation)フレームワークを提案する。
BIFTAは、デュアルビュー統計メモリを通じて事前訓練された表現を保存し、センサ依存の特徴地区を修復するためにサポート条件付きスペクトルグラフを構築し、信頼性の高いクロスクエリ証拠を強化するために不確実性付き再帰伝播を適用している。
3つの触覚データセットの大規模なベンチマークでは、BIFTAが未知のセンサーへの適応を著しく改善していることが示されており、SITR上のラベル付きターゲットデータでは、平均スパーシュ精度を6.86 %から87.09 %に引き上げる。
これらの結果は、未知の触覚センサへのデータ効率適応のためのBIFTAを検証し、異種ハードウェア間で伝達される触覚モデルへの有望な経路を提供する。
関連論文リスト
- Robust Slip Detection and Material Classification via Spatiotemporal Transformers on a Uniformly-Illuminated Visuo-Tactile Sensor [52.33204893988409]
本稿では,一様照明をカスタマイズした視覚触覚センサと統合認識フレームワークを提案する。
提案するハードウェア・ソフトウェア・フレームワークは、複雑なロボット操作のための高忠実度フィードバックと強力なマルチモーダル認識ベースラインを提供する。
論文 参考訳（メタデータ） (2026-08-25T07:25:27Z) - VQ-Touch: A Data-Efficient Tactile Generation Framework Across Sensors and Scenarios [7.9567869558684094]
VQ-Touchは、クロスセンサーとマルチシナリオアプリケーションの両方をサポートする触覚生成フレームワークである。
データから複雑な変形やテクスチャの特徴を効率的に抽出するために,DM-VQGANを提案する。
本稿では,画像やラベルなどのマルチモーダル生成タスクをサポートする統一された条件付けインタフェースを備えた離散拡散デコーダを提案する。
論文 参考訳（メタデータ） (2026-07-16T08:53:41Z) - TactX: Learning Shared Tactile Representations Across Diverse Sensors [18.127088232068456]
本稿では,センサ間の触覚表現を伝達可能なフレームワークであるTactXを提案する。
TactXは、対の接触データに基づいて訓練されたモダリティ固有のエンコーダを通して、異質な触覚観測を共有潜在空間にマッピングする。
実験によると、TactXはオブジェクトレベルの接触情報を保存しながら、センサー間で触覚表現を調整している。
論文 参考訳（メタデータ） (2026-06-30T07:09:40Z) - Heterogeneous Tactile Transformer [12.676986440348543]
Heterogeneous Tactile Transformer (HTT)は、異種センサ間の共用触覚表現を学習するフレームワークである。
Pretrainingは、新しいHeterogeneous Paired Tactileデータセットを使用し、4つの視覚およびアレイベースの触覚センサーに1.6Mの同期フレームを含む。
HTTは、新しいタスクや以前は目に見えないセンサーに適応する転送可能な表現を学習することが示されている。
論文 参考訳（メタデータ） (2026-06-29T08:24:38Z) - TacVerse: A Multi-Sensor Dataset and Benchmark for Cross-Sensor Vision-Based Tactile Perception [7.968185063285978]
マルチセンサー・データセットと、クロスセンサー・ビジョンに基づく触覚知覚のためのベンチマークであるTacVerseを提案する。
データセットには、7つの視覚ベースの触覚センサーから106,800枚の触覚イメージが含まれている。
全てのタスクに対して強いセンサー内性能は、収集された触覚観察が対象の目的に対して有益であることを示している。
論文 参考訳（メタデータ） (2026-06-24T14:22:48Z) - 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) - 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) - Sensor-Invariant Tactile Representation [11.153753622913843]
高解像度触覚センサーは、知覚の具体化やロボット操作に欠かせないものとなっている。
この分野における重要な課題は、設計と製造のバリエーションによるセンサー間の伝達性の欠如である。
本稿では,光触覚センサ間のゼロショット転送を可能にする,SITR(Sensor-Invariant Tactile Representations)の抽出手法を提案する。
論文 参考訳（メタデータ） (2025-02-27T00:12:50Z) - MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。
EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。
さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-11T03:49:59Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z)
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。