論文の概要: TacSushi: Tactile-Grounded World-Action Modeling for Dexterous Sushi Manipulation
- arxiv url: http://arxiv.org/abs/2609.19613v2
- Date: Thu, 24 Sep 2026 13:29:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.26307
- Title: TacSushi: Tactile-Grounded World-Action Modeling for Dexterous Sushi Manipulation
- Title（参考訳）: TacSushi: 脱酸性寿司マニピュレーションのための触覚周囲の世界反応モデリング
- Abstract要約: TacSushiは、現在の観測に基づいて行動しながら、記録された将来の結果から学習する世界行動政策である。
340回の成功と50回の実ロボット試験の失敗でTacSushiをトレーニングし、6つのメソッドを600回別々のロールアウトで比較した。
フル・タツシは68.3%の流通成功、37.5%のアウト・オブ・ディストリビューション成功を達成し、将来的な監督なしに36.7%/10.0%を達成している。
- 参考スコア（独自算出の注目度）: 13.498210082765892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dexterous food manipulation requires control under deformation, occlusion, and uncertain contact. We present TacSushi, a tactile-grounded, Cosmos3-based world-action policy that learns from recorded future consequences while acting on current observations. The backbone encodes current RGB, language, and hand state, and feature-wise gated fusion incorporates fingertip tactile features into the action representation. During training, a decoder conditioned on demonstrated action chunks predicts logged future visual observations, task progress, relative contact risk, and tactile summaries; this decoder is removed at deployment. Failed trials provide consequence supervision, but their actions are excluded from imitation. We train TacSushi on 340 successful and 50 failed real-robot trials and compare six methods in 600 separate rollouts across three in-distribution tasks and two out-of-distribution ingredient variants. To assess food quality beyond a single geometric threshold, we score terminal outcomes using an anchored visual-quality protocol that equally weights five human ratings and three vision-language-model ratings per rollout. Full TacSushi achieves 68.3% average in-distribution success and 37.5% out-of-distribution success, compared with 36.7%/10.0% without future-consequence supervision and 25.0%/17.5% with direct tactile concatenation in place of gated fusion. These comparisons support complementary benefits of feature-wise gated tactile fusion and training-only predictive supervision.
- Abstract（参考訳）: 有害食品の操作には、変形、閉塞、不確実な接触による制御が必要である。
触覚による宇宙3を基盤とした世界行動政策であるTacSushiについて述べる。
バックボーンは現在のRGB、言語、手の状態をエンコードし、機能的にゲートされた融合は指先触覚の特徴をアクション表現に組み込む。
トレーニング中、デモされたアクションチャンクに条件付けされたデコーダは、将来の視覚的な観察、タスクの進捗、相対的な接触リスク、および触覚的な要約を予測する。
失敗した裁判は結果の監督を提供するが、それらの行動は模倣から除外される。
340回の成功と50回失敗に終わった実ロボット試験でTacSushiをトレーニングし、600回別々のロールアウトを3つの分配タスクと2つのアウト・オブ・ディストリビューション成分の変種で比較した。
食品の質を1つの幾何学的しきい値を超えて評価するために,5つの人間のレーティングと3つの視覚言語モデルレーティングを等しく重み付けるアンカー付き視覚品質プロトコルを用いて,最終結果を評価する。
フルタツシは68.3%の流通成功と37.5%のアウト・オブ・ディストリビューション成功を達成し、36.7%/10.0%は将来の監視なしに、25.0%/17.5%はゲート融合の代わりに直接触覚結合を行う。
これらの比較は、機能的に制限された触覚融合とトレーニングのみの予測監督の相補的な利点をサポートする。
関連論文リスト
- Learning Foresight without Explicit Trajectories for 3D Diffusion Policies [54.692734738738885]
3次元拡散ポリシは、現在の観測から幾何学的に基底化されたアクションを生成するのに強い。
我々は,この予測を明示的な計画を導入することなく,シンプルかつ効果的な手段である運動傾向ガイダンスを導入する。
正確にどこに移動すべきかを告げることなく、相互作用がどこに向かっているかを知ることで、大きなメリットを享受できることを、私たちは示しています。
論文 参考訳（メタデータ） (2026-09-17T16:44:13Z) - PredTac: Learning Contact-Rich Manipulation with Predicted Touch [0.552480439325792]
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。
論文 参考訳（メタデータ） (2026-09-14T08:19:55Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation [7.26562340208125]
ロボット基礎モデルであるFacet-0を提案する。
ManuFacet-1Kは3つの実施形態と複数の製造細胞にまたがる1000時間力同期コーパスである。
このシステムは5ミリ以下のコンピュータ組立タスクで平均82%成功し、最強のベースラインでは15%となる。
論文 参考訳（メタデータ） (2026-09-01T17:58:07Z) - HiTac-WAM: A Hierarchical Tactile World Action Model for Contact-Rich Robot Manipulation [16.161933557281447]
HiTac-WAMは階層的な触覚世界行動モデルであり、実行前に各アクションチャンクの将来の触覚状態を予測します。
計画では、HiTac-WAMは触覚予測とタスクプログレス推定を用いて、候補アクションチャンクをランク付けする。
実行には、選択された触覚予測を基準として保持する。
論文 参考訳（メタデータ） (2026-08-20T02:28:25Z) - RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。
ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。
RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
論文 参考訳（メタデータ） (2026-08-10T17:09:37Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - Belief Dynamics for Detecting Behavioral Shifts in Safe Collaborative Manipulation [3.198214897627444]
ManiSkill共有ワークスペース操作タスクにおいて、制御された非定常性の下でのシステマティックスウィッチ検出について検討する。
10つの検出方法と5つのランダムなシードによって、検出が可能になったことにより、スウィッチ後の衝突が52%減少する。
UA-TOMは、凍結した視覚-言語-行動制御バックボーンを増強する軽量な信念追跡モジュールである。
論文 参考訳（メタデータ） (2026-04-04T02:41:09Z) - Probabilistic Human Intent Prediction for Mobile Manipulation: An Evaluation with Human-Inspired Constraints [2.2893865000399938]
人間の意図の正確な推論は、人間とロボットの衝突を引き起こすことなく、人間とロボットの協調を可能にする。
ロボットが人間の操作者の意図を推定できる確率的フレームワークであるGUIDERを提案する。
アイザック・シムの25の試験(5人の被験者x5のタスク変種)においてGUIDERを評価し,ナビゲーション用と操作用の2つのベースラインと比較した。
論文 参考訳（メタデータ） (2025-07-14T10:21:27Z) - DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。
DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。
当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
論文 参考訳（メタデータ） (2024-11-27T18:03:26Z)
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。