Fugu-MT 論文翻訳(概要): Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing

論文の概要: Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing

arxiv url: http://arxiv.org/abs/2609.15921v1
Date: Mon, 14 Sep 2026 17:32:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.534765
Title: Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing
Title（参考訳）: Touch2Trace: Dexterous Cable Tracingのための触覚駆動の模倣学習
Abstract要約: 本稿では,触覚駆動によるデキスタスケーブルトレースの模倣学習システムであるTouch2Traceを紹介する。我々の知る限り、エンコーダの事前訓練、制御率、時間的文脈、および各形状ポリシー性能の空間分解能に関する最初の体系的な実世界の特徴を提供する。その結果, 触覚駆動システムにおけるキーパラメータの影響を定量的に評価した。
参考スコア（独自算出の注目度）: 14.47442816420603
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dexterous manipulation of deformable objects demands continuous fingertip-level regulation of pressure, friction, and incipient slip. We study one of the most challenging cases: dexterous cable tracing, feeding a cable through the hand with repeated pinch-and-curl motions of the thumb and index finger. We introduce Touch2Trace, a tactile-driven imitation-learning system for this task, and provide, to our knowledge, the first systematic real-world characterization of how encoder pretraining, control rate, temporal context, and spatial resolution each shape policy performance. The winning learning recipe combines a tactile encoder pretrained for a custom 32 x 32 piezoresistive sensor (TacV5) via self-supervised learning with a lightweight transformer policy trained on teleoperated demonstrations via behavior cloning, deployed at 60 Hz on a Tesollo DG-5F hand. Tactile feedback without vision or explicit cable-state estimation significantly improves tracing performance versus a proprioception-only baseline: from 0.2 cm to 20.1 cm mean distance and 0% to 93% success rate, with zero-shot transfer to unseen cables and routing conditions. The results quantify the influence of key parameters in tactile-driven systems for reliable dexterous deformable object manipulation.
Abstract（参考訳）: 変形可能な物体の有害な操作は、圧力、摩擦、初期すべりの連続的な指先レベルの規制を必要とする。指先と人差し指の指先の動きを繰り返すことで、手を通してケーブルを通すという、器用なケーブルトレーシングの最も難しいケースについて検討した。本稿では, 触覚による模倣学習システムであるTouch2Traceを紹介し, エンコーダの事前学習, 制御率, 時間的文脈, 空間分解能など, それぞれの形状ポリシーのパフォーマンスについて, 最初の体系的な実世界の特徴について述べる。勝利した学習レシピは、独自の32×32ピエゾ抵抗センサー(TacV5)のために事前訓練された触覚エンコーダと、Tesollo DG-5Fハンドに60Hzで展開された行動クローニングを介して遠隔操作されたデモンストレーションを訓練した軽量なトランスフォーマーポリシーを組み合わせる。視界のない触覚フィードバックや明示的なケーブル状態推定は、視界のないケーブルやルーティング条件へのゼロショット転送により、視界が0.2cmから20.1cmまでの平均距離と0%から93%の成功率の追跡性能を著しく向上させる。その結果, 触覚駆動システムにおけるキーパラメータの影響を定量的に評価した。

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)
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)
T-Rex: Tactile-Reactive Dexterous Manipulation [139.71263755530654]
本稿では,新しい時相触覚VQ-VAEエンコーダを備えた可変レートMixture-of-Transformers (MoT)アーキテクチャを提案する。微妙な力制御と変形可能な物体操作を必要とする12の操作課題に対して,触覚反応が有効であることを示す。
論文参考訳（メタデータ） (2026-06-15T17:59:55Z)
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)
Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning [6.509572742369941]
触覚のみのブラインドグリップのためのフレームワークを提案する。本研究では,実際の触覚信号を再現可能な接触校正型デジタル双極子シミュレータを構築するReal2Sim触覚校正パイプラインを提案する。第2に,センサ・ジオメトリを組み込んだレイアウト認識型触覚エンコーダによる触覚観察の表現性を,自己教師付き事前学習により改善する。第3に、未確認物体への一般化を改善するため、校正されたシミュレーターにおいて、オブジェクト固有の強化学習の専門家を訓練し、得られた把握軌道を触覚条件付き拡散ポリシーに集約する。
論文参考訳（メタデータ） (2026-06-10T07:46:38Z)
UniVTAC: A Unified Simulation Platform for Visuo-Tactile Manipulation Data Generation, Learning, and Benchmarking [47.900334665380115]
シミュレーションベースのビジュオ触覚データプラットフォームUniVTACを提案する。大規模なシミュレーション合成データに基づいて訓練されたビジュオ触覚エンコーダであるUniVTACエンコーダを紹介する。代表的な8つのビジュオ触覚操作タスクからなるUniVTACベンチマークを提案する。
論文参考訳（メタデータ） (2026-02-10T18:57:00Z)
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)
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)
TranTac: Leveraging Transient Tactile Signals for Contact-Rich Robotic Manipulation [11.834021644402148]
鍵をロックに挿入したり、USBデバイスをポートに差し込んだりといったロボット操作は、視覚的な認識が不十分な場合に失敗する可能性がある。本稿では,データ効率と低コストな触覚検知・制御フレームワークであるTranTacを紹介する。マイクロメータスケールで動的翻訳およびねじり変形を検出することができる。
論文参考訳（メタデータ） (2025-09-20T06:25:59Z)
ControlTac: Force- and Position-Controlled Tactile Data Augmentation with a Single Reference Image [24.223013595239916]
ControlTacは、単一の参照触覚画像、接触力、接触位置に条件付けされたリアルな触覚画像を生成する、制御可能なフレームワークである。 ControlTacは、触覚データセットを効果的に拡張し、一貫したゲインにつながることを実証します。
論文参考訳（メタデータ） (2025-05-26T20:01:17Z)
Learning to Detect Slip with Barometric Tactile Sensors and a Temporal Convolutional Neural Network [7.346580429118843]
本研究では,バロメトリック・触覚センサを用いたスリップ検出手法を提案する。我々は、スリップを検出するために時間畳み込みニューラルネットワークを訓練し、高い検出精度を実現する。データ駆動学習と組み合わせたバロメトリック触覚センシング技術は,スリップ補償などの操作作業に適している,と我々は主張する。
論文参考訳（メタデータ） (2022-02-19T08:21:56Z)

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。