論文の概要: PHASE: Compliance-Enabled Tactile Phase Retrieval for Few-Shot Insertion Learning

• arxiv url: http://arxiv.org/abs/2609.30889v1
• Date: Fri, 25 Sep 2026 06:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.262446
• Title: PHASE: Compliance-Enabled Tactile Phase Retrieval for Few-Shot Insertion Learning
• Title（参考訳）: PHASE:Few-Shot Insertion Learningのための適合可能な触覚位相検索
• Abstract要約: ペグ・イン・ホール挿入のようなコンタクト豊富な組立タスクは、限られたデモンストレーションから学ぶのは難しいままである。 本稿では,コンプライアンスを意識した触覚位相検索フレームワークPHASE(PHASE-Aware and Retrieval)を提案する。 我々は,5つのペグ・ジオメトリーにまたがる実世界のペグ・イン・ホール挿入におけるPHASEを評価し,最先端の手法から引き出された検索戦略と比較した。
• 参考スコア（独自算出の注目度）: 23.70657126551991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contact-rich assembly tasks such as peg-in-hole insertion remain difficult to learn from limited demonstrations. While retrieval-augmented imitation learning, which augments target demonstrations with relevant prior data, offers a promising direction, its applicability to contact-rich manipulation remains largely unexplored. Contact-rich insertion unfolds over multiple phases from search to insert, and retrieving phase-specific experience from prior data in principled ways remains an open question. Our key insight is that a compliant wrist enables the robot to sustain contact throughout execution, producing rich tactile and force signals that naturally reveal the phase structure of insertion and inform what should be retrieved. Based on this insight, we present PHASE (PHase-Aware Segmentation and REtrieval), a framework for compliance-enabled tactile phase retrieval that integrates multimodal contact-aware representation learning, variable-length phase segmentation from tactile signals, and phase-consistent retrieval for policy learning. We evaluate PHASE on real-world peg-in-hole insertion across five peg geometries, comparing against retrieval strategies drawn from state-of-the-art methods under a shared policy architecture. PHASE improves the overall success rate by 13 percentage points over the strongest non-phase-aware baseline, and improves performance under unseen initial positions by 30 percentage points. These results demonstrate that aligning retrieval with interaction-defined contact phases substantially improves robustness in few-shot insertion learning.
• Abstract（参考訳）: ペグ・イン・ホール挿入のようなコンタクト豊富な組立タスクは、限られたデモンストレーションから学ぶのは難しいままである。 検索強化された模倣学習は、関連する事前データを用いて対象のデモを拡大するが、その適用性は未解明のままである。 コンタクトリッチな挿入は、検索から挿入までの複数のフェーズに展開し、原則的に事前データからフェーズ固有のエクスペリエンスを取得することは、未解決の問題である。 我々の重要な洞察は、ロボットが実行中も接触を維持でき、豊かな触覚と力の信号を発生させ、挿入の位相構造を自然に明らかにし、何を取り出すべきかを知らせることである。 この知見に基づき、多モード接触認識表現学習、触覚信号からの可変長位相分割、ポリシー学習のための位相一貫性検索を統合したコンプライアンス対応の触覚位相検索フレームワークPHASE(PHase-Aware Segmentation and Retrieval)を提案する。 提案手法は,5つのペグ領域にまたがる実世界のペグ・イン・ホール挿入におけるPHASEを評価し,共有ポリシアーキテクチャの下での最先端手法からの検索戦略と比較した。 PHASEは、最強の非位相認識ベースラインに対して、全体的な成功率を13パーセント改善し、目に見えない初期位置下でのパフォーマンスを30パーセント改善する。 これらの結果から,インタラクション定義された接触位相との整合性は,数発挿入学習におけるロバスト性を大幅に向上させることが示された。

関連論文リスト

• Task aware Dynamic Movement Primitives for failure detection and recovery in contact rich manipulation [0.9799637101641149]
  本稿では,動的移動プリミティブ(DMP)に基づく軌道生成と実時間ステージ分類を統合したタスク対応障害検出・回復フレームワークを提案する。 このフレームワークは、実行をPeg in Hole(PiH)アセンブリ操作のアプローチ、アライメント、挿入ステージにセグメントする。 マハラノビス距離計を用いてオンラインで異常検出を行い、名目軌道実行から接触誘発障害を分離する。
  論文  参考訳（メタデータ） (2026-09-19T17:37:15Z)
• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
  長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。 本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。 我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
  論文  参考訳（メタデータ） (2026-05-11T17:40:38Z)
• Bidirectional Learning of Facial Action Units and Expressions via Structured Semantic Mapping across Heterogeneous Datasets [85.74213192818668]
  本研究では,異なるデータ領域下での双方向AU-FE学習のための構造化セマンティックマッピング(SSM)フレームワークを提案する。 SSMは、(1)動的AUとFEビデオから統一された顔表現を学習する共有視覚バックボーン、(2)テキストセマンティックプロトタイプ(TSP)モジュールによるセマンティックメディエーション、(3)顔行動符号化システムから派生した事前知識を組み込んだ動的優先マッピング(DPM)モジュールの3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2026-04-12T09:08:32Z)
• CurConMix+: A Unified Spatio-Temporal Framework for Hierarchical Surgical Workflow Understanding [1.0692208281858493]
  手術行動三重項認識は、楽器、行動、解剖学的標的間の相互作用をモデル化することによって、詳細な外科的行動を理解することを目的としている。 ワークフロー分析とスキルアセスメントにおいて臨床的に重要であるにもかかわらず、進行は重度のクラス不均衡、微妙な視覚的変化、三重項成分間の相互依存によって妨げられている。 本研究では,これらの課題に対処するための空間表現フレームワークであるCurConMixを構築した。
  論文  参考訳（メタデータ） (2026-01-18T08:42:10Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Few-Shot, No Problem: Descriptive Continual Relation Extraction [27.296604792388646]
  AIシステムが現実世界のドメインにおける進化する関係を識別し、適応できるようにする上で、わずかなショットの連続関係抽出は重要な課題である。 従来のメモリベースのアプローチは、しばしば限られたサンプルに過度に適合し、古い知識の強化に失敗する。 本稿では,関係関係記述を生成するために,大規模言語モデルから始まる新しい検索ベースソリューションを提案する。
  論文  参考訳（メタデータ） (2025-02-27T23:44:30Z)
• CoSD: Collaborative Stance Detection with Contrastive Heterogeneous Topic Graph Learning [18.75039816544345]
  我々はCoSD(CoSD)と呼ばれる新しい協調姿勢検出フレームワークを提案する。 CoSDは、テキスト、トピック、スタンスラベル間のトピック認識のセマンティクスと協調的なシグナルを学ぶ。 2つのベンチマークデータセットの実験では、CoSDの最先端検出性能が示されている。
  論文  参考訳（メタデータ） (2024-04-26T02:04:05Z)
• Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
  教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。 本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
  論文  参考訳（メタデータ） (2020-07-23T17:59:57Z)

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。