論文の概要: SlipSense: Multimodal Tactile Learning for Low-Latency and Generalized Slip Detection

• arxiv url: http://arxiv.org/abs/2609.15910v1
• Date: Mon, 14 Sep 2026 17:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.532962
• Title: SlipSense: Multimodal Tactile Learning for Low-Latency and Generalized Slip Detection
• Title（参考訳）: SlipSense:低レイテンシおよび一般化スリップ検出のためのマルチモーダル触覚学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.908150948122573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Slip detection is fundamental to dexterous manipulation, yet existing systems often lack precise characterization of detection latency and cross-platform generalization. We present SlipSense, a multimodal tactile slip-detection framework built on TacV5, a compact sensor integrating a $32 \times 32$ piezoresistive array operating at 240 Hz and a 3-axis MEMS accelerometer operating at 8 kHz. The piezoresistive array captures spatial pressure distributions, while the accelerometer captures friction-induced vibrations, providing complementary slip cues. The framework performs modality-specific encoding, intra-sensor fusion, and cross-modal attention with causal temporal prediction at 240 Hz. Experiments on a dataset of 1.4 million frames spanning 37 objects demonstrate the complementarity of the two modalities. SlipSense achieves 96.7% Macro F1 with a false-positive rate below 1.6%, detecting 76% of slip events within 23.1 ms. When trained solely on UMI data, SlipSense generalizes zero-shot to a Tesollo dexterous hand, transferring across unseen objects, distinct sensor units, and robotic platforms without retraining.
• Abstract（参考訳）: スリップ検出は巧妙な操作の基本であるが、既存のシステムは検出遅延とクロスプラットフォームの一般化の正確な特徴を欠いていることが多い。 本稿では,TacV5上に構築された多モード触覚スリップ検出フレームワークであるSlipSenseと,240Hzで動作する32$ピエゾ抵抗アレイと8kHzで動作する3軸MEMS加速度計を組み合わせた小型センサについて紹介する。 圧抵抗アレイは空間的な圧力分布を捉え、加速度計は摩擦誘起振動を捉え、相補的なスリップキューを提供する。 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。 37個のオブジェクトにまたがる1.4万フレームのデータセットの実験は、2つのモードの相補性を実証している。 SlipSenseは96.7%のマクロF1を1.6%以下の偽陽性率で達成し、23.1ms以内のスリップイベントの76%を検知する。UMIデータのみにトレーニングされた場合、SlipSenseは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、目に見えない物体、別個のセンサーユニット、ロボットプラットフォームを再トレーニングせずに転送する。

関連論文リスト

• 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)
• 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)
• SlipSense: Multimodal Sensing for Online Slip Detection in Legged Robots [0.8411385346896411]
  SlipSenseは、四足歩行でスリップを検出するためのカスタムの軽量センサー付きフットを使用して、オンライン力に基づくスリップ検出のための新しいフレームワークである。 このフレームワークは、マルチモーダルセンサ設計とLSTMモデルを統合し、地上反応力を推定し、移動中のすべりの異常を検出する。 本手法は, 初期すべりを平均変位24.1 +/-6.4mm, 総合精度85.9%まで検出する。
  論文  参考訳（メタデータ） (2026-06-23T09:40:36Z)
• EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
  イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。 多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。 本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:13:58Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• 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)
• A-SLIP: Acoustic Sensing for Continuous In-hand Slip Estimation [17.104227710496257]
  パラレルジャウグリップに統合されたマルチチャンネル音響センサシステムであるA-SLIPを提案する。 A-SLIPモデルは、軽量畳み込みネットワークを用いて、ログメルスペクトログラムとして同期マルチチャンネルオーディオを処理する。 シングルマイクロフォン構成と比較して、マルチチャネル設計は方向誤差を64パーセント、等級誤差を68%削減する。
  論文  参考訳（メタデータ） (2026-04-09T17:58:27Z)
• Edge-Efficient Two-Stream Multimodal Architecture for Non-Intrusive Bathroom Fall Detection [2.669350701173451]
  濡れた浴室環境の滝は、高齢者が一人で生活する大きな安全リスクである。 近年の研究では、mWaveのみ、振動のみ、および既存のマルチモーダルスキームがプライバシー保護、非侵襲的な転倒検出をサポートすることが示されている。 本研究では,長距離移動パターンと床振動の処理を行うMotion-Mambaブランチを用いて,レーダ信号を符号化する2ストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:54:21Z)
• Activity Recognition from Smart Insole Sensor Data Using a Circular Dilated CNN [0.0]
  圧力センサー、加速度計、ジャイロスコープを備えたスマートインソールは、人間の歩行と姿勢を監視する非侵襲的な手段を提供する。 本稿では,このようなインソールからマルチモーダル時系列データを処理する,円形拡張畳み込みニューラルネットワーク(CDCNN)に基づく活動分類システムを提案する。
  論文  参考訳（メタデータ） (2026-03-04T15:27:14Z)
• Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery [0.0]
  本研究は, スペクトル相関密度(SCD)画像による振動データのサイクロ定常特性を活用し, 故障検出の高度化を図る。 3つの畳み込みニューラルネットワーク(CNN)モデル、Custom CNN、ResNet152V2、EfficientNetB0は、7つのベアリング条件を分類するために開発された。 異なる住宅にまたがる高い精度のモデルでは、センシングプラットフォーム近傍に展開可能なコスト効率の高い状態監視に適した堅牢なソリューションが示される。
  論文  参考訳（メタデータ） (2025-09-20T08:58:08Z)
• eFlesh: Highly customizable Magnetic Touch Sensing using Cut-Cell Microstructures [35.94440287795584]
  eFleshセンサーの構築には,3Dプリンタ,既製の磁石,希望形状のCADモデル,磁力計回路基板の4つのコンポーネントしか必要としない。 本研究では,コンベックスOBJ/STLファイルを3Dプリント可能なSTLに変換するオープンソース設計ツールを提案する。 センサキャラクタリゼーション実験により,eFleshは0.5mmの接触局在RMSE,通常の力は0.27N,せん断力は0.12Nの力予測RMSEの能力を示した。
  論文  参考訳（メタデータ） (2025-06-11T17:59:46Z)
• Remote Detection of Applications for Improved Beam Tracking in mmWave/sub-THz 5G/6G Systems [37.35086075012511]
  ビームトラッキングはミリ波(mmWave, 30-100 GHz)とサブテラヘルツ(サブTHz, 100-300 GHz)の5G/6Gシステムに不可欠な機能である。 基地局(BS)とユーザ機器(UE)の両方でアンテナ掃除を行う。 本稿では,エアインターフェースにおける適用形態の明示的なシグナリングがない場合,受信信号強度パターンに基づいて,BS側でリモートで検出する方法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T10:55:21Z)

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。