論文の概要: PredTac: Learning Contact-Rich Manipulation with Predicted Touch
- arxiv url: http://arxiv.org/abs/2609.15198v1
- Date: Mon, 14 Sep 2026 08:19:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.184851
- Title: PredTac: Learning Contact-Rich Manipulation with Predicted Touch
- Title（参考訳）: PredTac: 予測タッチによるコンタクトリッチ操作の学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.552480439325792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich manipulation benefits from tactile feedback, yet physical tactile sensors introduce hardware, calibration, synchronization, and maintenance costs that complicate policy learning and deployment. We formulate predicted touch as an alternative to measured tactile input and present PredTac, a framework that learns to infer tactile states from causal visual observations and robot states and uses the predicted touch as an explicit interface for policy learning and execution. A tactile predictor is first trained with tactile supervision and then used to provide contact information without requiring measured tactile input during downstream policy training or execution. We evaluate PredTac across three contact-rich manipulation tasks in simulation and on a real robot, and further examine how policy performance depends on the predicted contact content. In simulation goal-offset evaluations, predicted-touch policies achieve 27.0%, 52.0%, and 44.7% success on USB, Barbed-spike, and Valve, respectively, improving over the visual baseline by 8.0-13.7 percentage points. On the real robot, predicted-touch ACT achieves 70.0%, 50.0%, and 90.0% success on USB insertion, Barbed extraction, and Valve rotation, respectively, with a three-task mean of 70.0%, approaching measured-touch ACT at 72.2% and substantially outperforming visual ACT at 21.1%. Fixed-policy interventions further show that performance is sensitive to the spatial structure of predicted contact, with spatial rearrangement at fixed value distributions reducing Valve success by 10.7 percentage points. These results demonstrate that predicted touch can provide useful contact information for contact-rich manipulation without requiring tactile sensing as a policy input.
- Abstract（参考訳）: 触覚フィードバックによるコンタクトリッチな操作の利点は、物理的な触覚センサは、ポリシー学習とデプロイメントを複雑にするハードウェア、キャリブレーション、同期、メンテナンスコストを導入することである。
本研究では,触覚入力の代替として予測タッチを定式化し,触覚状態を因果的な視覚観測やロボットの状態から推定するフレームワークであるPredTacを,ポリシー学習と実行のための明示的なインターフェースとして使用する。
触覚予測器は、まず触覚監視で訓練され、その後、下流政策訓練や実行中に測定された触覚入力を必要とせずに接触情報を提供するために使用される。
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,予測された接触内容に依存する政策性能について検討した。
シミュレーションのゴールオフセット評価では、予測タッチポリシーは、それぞれUSB、Barbed-spike、Valveで27.0%、52.0%、44.7%成功し、視覚ベースラインを8.0-13.7%改善した。
実際のロボットでは、予測タッチACTは、それぞれUSB挿入、バーベッド抽出、バルブ回転で70.0%、50.0%、90.0%成功し、3タスク平均は70.0%となり、72.2%、視覚ACTは21.1%にほぼ上回っている。
固定政治介入は、予測された接触の空間構造に性能が敏感であることを示し、固定値分布における空間再構成により、Valveの成功率を10.7ポイント減少させる。
これらの結果から, 触覚をポリシー入力として必要とせず, 接触操作に有用な接触情報を提供できることが示された。
関連論文リスト
- 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) - CAAT: Contact-Aware Attention Scaling and Tactile Masking for Data-Efficient Contact-Rich Manipulation [10.252675409218057]
接触に富んだ操作では、視覚的な観察は自由空間における動きを導くが、触覚的な観察は接触中に特に有益になる。
標準トランスフォーマーベースのvisuo-tactileポリシーは一般的にトークンの連結か学習可能なゲーティングに依存する。
本稿では,注意スケーリングと動的触覚マスキングにより,接触先行情報を明示的に組み込んだ軽量な接触認識フレームワークであるCAATを提案する。
論文 参考訳（メタデータ） (2026-08-02T09:04:00Z) - TacPrint: A Wearable Fingertip Tactile Sensor for Human-to-Robot Contact Reproduction [11.035385646633602]
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。
論文 参考訳（メタデータ） (2026-07-31T10:04:10Z) - TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation [14.063238637690597]
日常環境における有害な操作には、予測と反応の両方が必要である。
我々は,デクスタラス操作のための予測・反応型触覚基礎モデルであるTouchWorldを紹介する。
論文 参考訳（メタデータ） (2026-07-08T11:28:13Z) - UniTacVLA: Unified Tactile Understanding and Prediction in Vision Language Action Models [32.87879913150572]
コンタクトリッチな操作のための統合された触覚学習フレームワークを提案する。
提案手法は,既存手法よりも成功率,操作精度,接触堅牢性を向上することを示す。
論文 参考訳（メタデータ） (2026-06-30T14:24:00Z) - Tactile-WAM: Touch-Aware World Action Model with Tactile Asymmetric Attention [53.84395207661823]
触覚非対称注意機構(TAAM)を備えたタッチ対応WAMであるTactile-WAMを提案する。
ManiFeelでは、Tactile-WAMは平均成功率を38.9%改善し、コンタクトリッチタスクでは86%改善した。
論文 参考訳（メタデータ） (2026-06-25T06:54:56Z) - 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) - 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) - TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。
TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。
高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
論文 参考訳（メタデータ） (2026-01-28T04:22:47Z) - Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。
本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。
以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
論文 参考訳（メタデータ） (2023-11-02T14:02:42Z) - The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。
実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2017-10-16T05:32:38Z)
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。