論文の概要: Tactile-JEPA: Topology-Aware Self-Supervised Representation Learning for Distributed Tactile Sensors

• arxiv url: http://arxiv.org/abs/2609.24385v1
• Date: Mon, 21 Sep 2026 10:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.981873
• Title: Tactile-JEPA: Topology-Aware Self-Supervised Representation Learning for Distributed Tactile Sensors
• Title（参考訳）: Tactile-JEPA:分散型触覚センサのためのトポロジーを考慮した自己教師付き表現学習
• Abstract要約: 本稿では,触覚エンコーダの自己教師型事前学習手法であるTactile-JEPAを提案する。 Tactile-JEPAは、従来の最先端技術に比べて、力推定誤差を6.3%減らし、手前方向誤差を20.8%減らしている。
• 参考スコア（独自算出の注目度）: 2.4125773245468927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tactile sensing is an essential modality for robots performing contact-rich, dexterous manipulation, particularly under visual occlusion. While pre-trained image encoders are standard in robot learning pipelines, tactile encoders are still commonly trained from scratch from raw, noisy signals, which might limit their expressivity. Existing self-supervised learning (SSL) approaches focus predominantly on vision-based tactile sensors, leaving distributed electronic skins largely unaddressed. These sensors, however, have a distinctive property: their sensing elements are sparse and irregularly arranged over the surface they cover, which makes direct reuse of visual SSL methods suboptimal. We present Tactile-JEPA, an efficient self-supervised pre-training method that uses the spatial arrangement of tactile sensors to learn topology-aware representations. Specifically, it is trained to predict the embeddings of masked sensing elements from the unmasked remainder, using the sensor connectivity graph to guide spatial masking. Our analysis shows that effective tactile representations require capturing both local contact details and the global state of the tactile surface, which we achieve through dual-scale masking. Across three diverse datasets spanning magnetic and piezoresistive sensors, different robot embodiments, and single- and paired-sensor configurations, Tactile-JEPA reduces force estimation error by 6.3% and in-hand orientation error by 20.8% over the prior state-of-the-art, with consistent gains in other downstream applications, including policy learning. Overall, our results demonstrate that the benefit of tactile sensing depends critically on the quality of encoder pre-training, a problem which Tactile-JEPA addresses directly. Code is available at https://github.com/E-Kovtun/tactile.
• Abstract（参考訳）: 触覚は、特に視覚的閉塞下で、接触に富んだ器用な操作を行うロボットにとって必須のモダリティである。 事前訓練された画像エンコーダは、ロボット学習パイプラインでは標準的なものだが、触覚エンコーダは、生のノイズの多い信号からスクラッチから訓練され、その表現力を制限する可能性がある。 既存の自己教師付き学習(SSL)アプローチは、主に視覚ベースの触覚センサーに焦点を合わせ、分散された電子スキンにほとんど適応していない。 しかし、これらのセンサーには特有の特性があり、そのセンサー要素は表面上に粗く不規則に配置されているため、視覚的SSLメソッドを準最適に再利用することができる。 本稿では,触覚センサの空間配置を用いてトポロジ認識表現を学習する,効率的な自己教師型事前学習手法であるTactile-JEPAを提案する。 具体的には,空間マスキングのガイドとしてセンサ接続グラフを用いてマスクされたセンサ要素の埋め込みを非マスキング残余から予測する。 実効的な触覚表現には,局所的な接触情報と触覚表面のグローバルな状態の両方を捉える必要がある。 磁気および圧抵抗センサー、異なるロボットエボディメント、シングルおよびペアセンサー構成を含む3つの多様なデータセットにまたがって、Tactile-JEPAは、ポリシー学習を含む他の下流アプリケーションにおいて、従来の状態よりも6.3%の力推定誤差と20.8%の手動方向誤差を減少させる。 以上の結果から,触覚の利点はエンコーダ事前学習の品質に大きく依存していることが示唆された。 コードはhttps://github.com/E-Kovtun/tactile.comから入手できる。

関連論文リスト

• 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)
• 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)
• How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands [5.994865673189261]
  TacViTは、新しいセンサーデータに基づいて一般化するビジョントランスフォーマーに基づく、新しい触覚知覚モデルである。 この機能は、データ収集と再トレーニングの必要性を大幅に低減し、新しいセンサーのデプロイを加速する。 実際のロボットアプリケーションに触覚センサーをよりスケーラブルで実用的なものにするための、TacViTの可能性を強調した。
  論文  参考訳（メタデータ） (2026-04-01T11:15:27Z)
• Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
  ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。 本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。 スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
  論文  参考訳（メタデータ） (2026-02-14T16:05:08Z)
• 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)
• Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
  人間は触覚と触覚に頼っている。 視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。 本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
  論文  参考訳（メタデータ） (2023-03-10T16:27:37Z)
• 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)

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。