論文の概要: Norm2Tex: Augmenting Visuo-Tactile Simulations with Texture

• arxiv url: http://arxiv.org/abs/2609.25398v1
• Date: Mon, 21 Sep 2026 20:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.101514
• Title: Norm2Tex: Augmenting Visuo-Tactile Simulations with Texture
• Title（参考訳）: Norm2Tex: テクスチャによるVisuo-Tactileシミュレーションの強化
• Abstract要約: Norm2Texは、通常の地図テクスチャから高周波表面の詳細を持つ視覚ベースの触覚センサのシミュレーションを強化するプラグイン手法である。 触覚シミュレータのレンダリングパイプラインの前にターゲットオブジェクトの深さマップを変更することで、Norm2Texは異なる触覚シミュレータにシームレスに統合される。 以上の結果から,Norm2Texはドメイン間の物質依存的な触覚情報を保存し,テクスチャ認識を改善し,実世界で物質依存的な制御行動を生成することが示唆された。
• 参考スコア（独自算出の注目度）: 12.888128269844614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale datasets are essential for training generalist robot control policies. Collecting real-world tactile data is costly and time-consuming, motivating the use of tactile simulations. However, current tactile simulators capture only overall contact geometry and miss fine details like texture. This results in a significant domain shift between simulated and real tactile data. To address this gap, we introduce Norm2Tex, a plug-in method that augments simulations of vision-based tactile sensors with high-frequency surface details from normal map textures. By modifying the target object's depth map before a tactile simulator's rendering pipeline, Norm2Tex seamlessly integrates into different tactile simulators. We also evaluate sim-to-real transfer using material classification and a reinforcement learning task. Our results show that Norm2Tex preserves material-dependent tactile information across domains, improving texture recognition and producing material-dependent control behavior in the real world.
• Abstract（参考訳）: 大規模データセットは、汎用ロボット制御ポリシーのトレーニングに不可欠である。 現実世界の触覚データ収集はコストと時間を要するため、触覚シミュレーションの利用を動機付けている。 しかし、現在の触覚シミュレータは全体の接触形状のみを捉え、テクスチャのような細部を見逃している。 これにより、シミュレートされたデータと実際の触覚データの間に大きなドメインシフトが生じる。 このギャップに対処するために,通常の地図テクスチャから高周波表面の詳細を持つ視覚ベースの触覚センサのシミュレーションを強化するプラグインであるNorm2Texを導入する。 触覚シミュレータのレンダリングパイプラインの前にターゲットオブジェクトの深さマップを変更することで、Norm2Texは異なる触覚シミュレータにシームレスに統合される。 また,材料分類と強化学習タスクを用いて,シム・トゥ・リアル・トランスファーの評価を行った。 以上の結果から,Norm2Texはドメイン間の物質依存的な触覚情報を保存し,テクスチャ認識を改善し,実世界で物質依存的な制御行動を生成することが示唆された。

関連論文リスト

• Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
  指の構造、接触面、センサーレイアウトが異なる。 本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
  論文  参考訳（メタデータ） (2026-09-14T15:22:59Z)
• 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)
• Tacmap: Bridging the Tactile Sim-to-Real Gap via Geometry-Consistent Penetration Depth Map [4.188018133636475]
  視覚に基づく触覚センサは、器用なロボット操作を実現するのに不可欠である。 現在の触覚シミュレーションは永続的なジレンマに悩まされている。 浸透深度に固定された高忠実で計算効率の良い触覚シミュレーションフレームワークであるTacmapを提案する。
  論文  参考訳（メタデータ） (2026-02-25T06:40:59Z)
• 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)
• Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [34.47272224723296]
  ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。 並列化が制限されたサブリアルタイム速度で動作する従来のシミュレータとは異なり、Taccelは正確な物理シミュレーションとリアルな触覚信号を提供する。 これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
  論文  参考訳（メタデータ） (2025-04-17T12:57:11Z)
• Visual-Tactile Sensing for In-Hand Object Reconstruction [38.42487660352112]
  我々は、視覚触覚による手動オブジェクト再構成フレームワーク textbfVTacO を提案し、手動オブジェクト再構成のために textbfVTacOH に拡張する。 シミュレーション環境であるVT-Simは、剛性オブジェクトと変形可能なオブジェクトの両方のハンドオブジェクトインタラクションの生成をサポートする。
  論文  参考訳（メタデータ） (2023-03-25T15:16:31Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• 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。