論文の概要: SimpleTouch: Can Vision-Language-Action Models Master Contact-Rich Manipulation Without Tactile Policy Pretraining?

• arxiv url: http://arxiv.org/abs/2610.02784v1
• Date: Fri, 02 Oct 2026 04:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.205365
• Title: SimpleTouch: Can Vision-Language-Action Models Master Contact-Rich Manipulation Without Tactile Policy Pretraining?
• Title（参考訳）: SimpleTouch:視覚・言語・アクションモデルでは、触覚ポリシーを事前訓練することなく、コンタクトリッチ操作をマスターできるか?
• Abstract要約: 触覚はロボット操作に不可欠な接触情報を提供する。 既存の方法は、しばしば大規模な触覚ポリシーの事前訓練または別個のビゾタクティルアライメントに依存している。 SimpleTouchは、触覚の専門家で$_0.5$を増額するシンプルなVLA拡張です。
• 参考スコア（独自算出の注目度）: 11.148242544041915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensing provides essential contact information for robotic manipulation, yet incorporating it into pretrained vision-language-action (VLA) models remains challenging. A common concern is that simply introducing touch during task-specific fine-tuning may fail to bridge the cross-modal gap, yielding limited gains or even reduced success. Consequently, existing methods often rely on large-scale tactile policy pretraining or separate visuotactile alignment, adding data requirements and training stages. We introduce SimpleTouch, a simple VLA extension that augments $π_{0.5}$ with a tactile expert, to test whether these additional stages are necessary. Leveraging all tokens from a frozen pretrained tactile encoder, the expert learns from action supervision and multi-horizon prediction of future tactile latents. This single-stage training uses only task demonstrations, without additional tactile policy pretraining or separate alignment. With 50 demonstrations per task, SimpleTouch achieves the highest success rate among evaluated methods on all six UniVTAC tasks. Its average success rate reaches 77.5%, compared with 45.2% for FTP-$π_{0.5}$ and 66.7% for FTP-1, corresponding to gains of 32.3 and 10.8 percentage points, respectively. Across four real-world tasks, it averages 71.3%, exceeding FTP-1 by 8.8 percentage points. These results demonstrate that, given pretrained VLA and tactile representations, additional tactile policy pretraining is not a prerequisite for strong performance on these tasks, offering a simpler route to contact-rich manipulation. Project page: https://simpletouch-robot.github.io/
• Abstract（参考訳）: 触覚はロボット操作に不可欠な接触情報を提供するが、事前訓練された視覚言語アクション(VLA)モデルに組み込むことは依然として困難である。 共通する懸念は、タスク固有の微調整の間、単にタッチを導入するだけでは、クロスモーダルなギャップを埋めることができず、利得が限られたり、成功が減ったりすることである。 その結果、既存の手法では、大規模な触覚ポリシーの事前訓練や、ビゾタクタクタブルアライメントの分離に頼り、データ要件とトレーニング段階を追加することが多い。 触覚の専門家と共に$π_{0.5}$を加算するシンプルなVLA拡張であるSimpleTouchを導入し、これらの追加段階が必要かどうかをテストする。 凍結した事前訓練された触覚エンコーダからすべてのトークンを利用すれば、アクションの監督と将来の触覚潜伏剤のマルチホライゾン予測から学ぶことができる。 このシングルステージトレーニングは、追加の触覚ポリシー事前訓練や別個のアライメントなしで、タスクデモのみを使用する。 1タスクあたり50のデモで、SimpleTouchは6つのUniVTACタスクで評価されたメソッドの中で最高の成功率を達成する。 平均成功率は77.5%に達し、FTP-$π_{0.5}$は45.2%、FTP-1は66.7%であり、それぞれ32.3ポイントと10.8ポイントである。 4つの現実世界のタスクで平均71.3%、FTP-1を8.8ポイント上回る。 これらの結果は、事前訓練されたVLAと触覚表現を考慮に入れれば、追加の触覚事前訓練は、これらのタスクにおいて強力なパフォーマンスを実現するための必須条件ではなく、コンタクトリッチな操作のためのより簡単な経路を提供することを示している。 プロジェクトページ: https://simpletouch-robot.github.io/

関連論文リスト

• DexTacWAM: A Visuo-Tactile World-Action Model for Dexterous Manipulation [62.08802141030416]
  本稿では,指先を個別に符号化するビジュオ触覚WAMであるDexTacWAMを紹介する。 触覚潜伏剤をビデオ拡散世界モデルに注入し, 共同ビジュオ触覚世界モデリングを行う。
  論文  参考訳（メタデータ） (2026-09-21T17:55:24Z)
• 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)
• STAR: Sparse Tactile Representation Learning in Vision-Tactile-Language-Action Models for Dexterous Manipulation [24.489844571043808]
  悪質な操作には、協調した多指制御と効果的な触覚フィードバックが必要である。 ロボットプラットフォームと遠隔操作システムを構築し,200時間の両面的な操作データセットを収集する。 視覚触覚-言語-アクションモデルのための統合学習法STARを提案する。
  論文  参考訳（メタデータ） (2026-09-11T07:57:24Z)
• SoftVTBench: A Deformation-Aware Visuo-Tactile Dataset and Benchmark for Deformable-Object Manipulation [56.16187327142104]
  物理的相互作用を意識した変形オブジェクト操作のためのビジュオ触覚データセットであるSoftVTBenchを紹介する。 4000以上の専門家によるデモンストレーションと50以上の資産が含まれており、その中には体積変形可能な物体や視覚的に整合した双生児が含まれる。 20Hzでは、各エピソードはマルチビューRGB、デュアルフィンガー触覚RGB、マーカー運動、プロプレセプション、言語、バイナリおよび連続グリップパーアクションを同期させる。
  論文  参考訳（メタデータ） (2026-08-19T08:58:47Z)
• $N_0$-VTLA: Scaling Vision-Tactile-Language-Action Model with Latent Tactile Tokens [0.0]
  本稿では,触覚知覚と触覚フィードバック制御を併用した接触リッチな微粒化操作が可能な視覚触覚言語反応(VTLA)基盤モデルを提案する。 本研究では, 触覚前訓練, 段階的触覚-パスウェイ統合, 利点条件付きオフラインポリシー改善からなる触覚統合のトレーニングレシピを提案する。
  論文  参考訳（メタデータ） (2026-07-26T17:58:47Z)
• T-Rex: Tactile-Reactive Dexterous Manipulation [139.71263755530654]
  本稿では,新しい時相触覚VQ-VAEエンコーダを備えた可変レートMixture-of-Transformers (MoT)アーキテクチャを提案する。 微妙な力制御と変形可能な物体操作を必要とする12の操作課題に対して,触覚反応が有効であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T17:59:55Z)
• FTP-1: A Generalist Foundation Tactile Policy Across Tactile Sensors for Contact-Rich Manipulation [66.22092641373067]
  FTP-1は、トランスファー可能な触覚操作能力を取得するために事前訓練された最初の一般基盤触覚ポリシーである。 画像、配列、状態ベースの信号を含む様々な触覚入力をサポートする。 プレトレーニング中に見られるセンサーを超える触覚スキルを学習する。
  論文  参考訳（メタデータ） (2026-06-11T09:30:09Z)
• 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)

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。