論文の概要: Self-Supervised Anchoring of Fingertip Sensing to Proprioception and Proactive Actions for Robot Imitation Learning

• arxiv url: http://arxiv.org/abs/2609.29822v1
• Date: Thu, 24 Sep 2026 13:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.968652
• Title: Self-Supervised Anchoring of Fingertip Sensing to Proprioception and Proactive Actions for Robot Imitation Learning
• Title（参考訳）: ロボット模倣学習におけるプロプリオセプションとプロアクティブアクションに対する Fingertip Sensing の自己監督的アンカリング
• Abstract要約: 物体近接、接触開始、把握状態などの局所的な相互作用は、指先付近で観察することが困難である。 感圧触覚と反射近接センサを用いた模擬学習に補足指触覚を効果的に組み込む方法について検討した。
• 参考スコア（独自算出の注目度）: 2.8053730827723515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic imitation learning often relies on external cameras, yet local interaction cues such as object proximity, contact onset, and grasp state are difficult to observe near the fingertips because of occlusion and limited temporal resolution. We study how to effectively incorporate complementary fingertip sensing into imitation learning using pressure-sensitive tactile and reflective proximity sensors, along with pretrained sensor encoders. The two modalities provide information at different manipulation phases: proximity sensing is informative before contact, whereas tactile sensing becomes informative after contact. However, naively adding these signals to a policy does not consistently improve performance and can even underperform vision-only policies, suggesting that sparse, phase-dependent sensor signals are difficult to exploit from limited demonstrations. We therefore propose a proprioception-anchored pretraining method, PROprioceptive-and-PRoactive Anchoring (PROPRA), which independently aligns each fingertip sensor history with proprioceptive and action segments. This provides a continuously available sensorimotor reference, allowing each sensor to be aligned independently during its informative phases. Experiments on real-world manipulation tasks show that our pretraining method improves average success rates over vision-only policies and image-anchored pretraining baselines. Representation analysis further shows that it preserves richer information about pre-contact states, enabling more effective use of complementary fingertip sensing. Please refer to our project page: https://tomohiromotoda.github.io/nia.propra/
• Abstract（参考訳）: ロボット模倣学習は、しばしば外部カメラに頼っているが、物体近接、接触開始、把握状態などの局所的な相互作用は、閉塞と時間分解能の制限のため、指先付近で観察することが困難である。 本研究では,感圧触覚と反射近接センサと事前学習したセンサエンコーダを用いて,補足指触覚を模倣学習に効果的に組み込む方法について検討した。 近接センシングは接触前に通知されるが、触覚は接触後に通知される。 しかしながら、これらのシグナルをポリシーに追加することは、常に性能を向上するわけではなく、視覚のみのポリシーを過小評価することさえ可能であり、低周波かつ位相依存のセンサー信号は、限られたデモンストレーションから利用することが難しいことを示唆している。 そこで本研究では,各指先センサの履歴をプロピオセプティブおよびアクションセグメントと独立に整合させる,プロプリオセプティブ・アンド・プロポアクティブ・アンコリング法(PROPRA)を提案する。 これにより、連続的に利用可能なセンサモレータ参照が提供され、各センサーは、その情報的フェーズの間、独立してアライメントされる。 実世界の操作タスクの実験により、我々の事前学習手法は、視覚のみのポリシーや画像に適応した事前学習ベースラインよりも平均的な成功率を向上させることが示された。 表現解析により, 先行接触状態に関する情報がより豊富に保存され, 補足指触覚をより効果的に活用できることが示唆された。 プロジェクトページを参照してください。 https://tomohiromotoda.github.io/nia.propra/

関連論文リスト

• Tactile-JEPA: Topology-Aware Self-Supervised Representation Learning for Distributed Tactile Sensors [2.4125773245468927]
  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。
  論文  参考訳（メタデータ） (2026-09-21T10:22:06Z)
• FingerEye: Continuous and Unified Vision-Tactile Sensing for Dexterous Manipulation [8.809778152652724]
  有害なロボット操作は、あらゆる段階の相互作用を包括的に知覚する必要がある。 我々は,対話プロセスを通じて連続的な視覚触覚フィードバックを提供する,コンパクトで費用効率のよいセンサであるFingerEyeを紹介する。 我々は、複数のFingerEyeセンサーからの信号を融合して、限られた実世界のデータから巧妙な操作行動を学習する視覚触覚模倣学習ポリシーを開発した。
  論文  参考訳（メタデータ） (2026-04-22T15:37:34Z)
• 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)
• OPENTOUCH: Bringing Full-Hand Touch to Real-World Interaction [93.88239833545623]
  OpenTouchは、最初のインザワイルドなエゴセントリックなフルハンド触覚データセットです。 触覚信号は,理解のためのコンパクトで強力なキューを提供する。 我々は,マルチモーダルな自我中心の知覚,具体的学習,接触に富むロボット操作の促進を目指す。
  論文  参考訳（メタデータ） (2025-12-18T18:18:17Z)
• Touch in the Wild: Learning Fine-Grained Manipulation with a Portable Visuo-Tactile Gripper [7.618517580705364]
  触覚センサーを内蔵した携帯型軽量グリップについて述べる。 視覚信号と触覚信号を統合するクロスモーダル表現学習フレームワークを提案する。 試験管挿入や管状流体移動などの細粒度タスクに対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-07-20T17:53:59Z)
• Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
  我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。 本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。 以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
  論文  参考訳（メタデータ） (2023-11-02T14:02:42Z)
• 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)
• OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
  既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。 我々は,多方向高解像度触覚センサOmniTactを紹介する。 我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
  論文  参考訳（メタデータ） (2020-03-16T01:31:29Z)
• The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
  両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。 実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2017-10-16T05:32:38Z)

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。