論文の概要: RATE: Risk-Aware Tactile Encoding for Contact-rich Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.03538v1
• Date: Fri, 02 Oct 2026 16:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.476774
• Title: RATE: Risk-Aware Tactile Encoding for Contact-rich Robotic Manipulation
• Title（参考訳）: RATE:コンタクトリッチロボットマニピュレーションのためのリスク対応触覚符号化
• Abstract要約: Risk-Aware Tactile RATEはタスク条件のインタラクションリスクをエンコードする表現を学習する。 シミュレーションと実世界の両方の実験は、タスク成功の大幅な改善を示す。
• 参考スコア（独自算出の注目度）: 17.888439232360934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensing is particularly valuable for contact-rich robotic manipulation. Recent work has made substantial progress in tactile representation learning for robotic manipulation. However, similar tactile observations can arise from interaction conditions with very different task-risk implications, such as sensor noise, task-necessary variations, and emerging undesirable contact. Without context-grounded risk information, these cases can be ambiguous to downstream policies, leading to unnecessary corrections to benign variations or delayed responses to genuinely risky contact. To address this limitation, we propose Risk-Aware Tactile Encoding (RATE), which learns tactile representations that encode task-conditioned interaction risk. Specifically, history-conditioned prediction captures interaction context, while alert supervision associates this context with task-conditioned risk. The learned risk-aware representation complements conventional tactile features through a lightweight residual adapter. Experiments in both simulation and the real world demonstrate substantial improvements in task success, with controlled ablations confirming the complementary benefits of alert-guided learning and predictive temporal modeling.
• Abstract（参考訳）: 触覚は、接触に富むロボット操作に特に有用である。 最近の研究は、ロボット操作のための触覚表現学習に大きな進歩をもたらした。 しかし、同様の触覚観察は、センサーノイズ、タスク必要変動、望ましくない接触の出現など、非常に異なるタスクリスクを持つ相互作用条件から生じうる。 文脈的なリスク情報がないと、これらのケースは下流のポリシーに不明瞭になり、不必要な修正によって変化を無視したり、本当に危険な接触に遅れたりする。 この制限に対処するため,タスク条件のインタラクションリスクを符号化する触覚表現を学習するリスク対応触覚符号化(RATE)を提案する。 具体的には、履歴条件付き予測はインタラクションコンテキストをキャプチャし、警告監視はタスク条件付きリスクとこのコンテキストを関連付ける。 学習されたリスク認識表現は、軽量な残留アダプターを通じて従来の触覚特徴を補完する。 シミュレーションと実世界の両方の実験は、タスク成功の大幅な改善を示し、制御された改善は、警告誘導学習と予測時間モデリングの相補的な利点を裏付ける。

関連論文リスト

• Tactile Curiosity Drives Robot Interaction [111.87914899158069]
  我々は触覚フィードバックが探究に自然なシグナルをもたらすと論じている。 私たちは、不確実性駆動探索にタッチを組み込んだフレームワークであるTacExを紹介します。
  論文  参考訳（メタデータ） (2026-09-30T16:49:40Z)
• ReTouch: Empowering Contact-Rich Dexterous Manipulation with Online-Refined Tactile Prediction [42.34171808182058]
  本稿では,コンタクトリッチなデクスタラス操作をサポートする視覚言語-アクションモデル(VLA)ReTouchを紹介する。 ReTouchは、触覚表現とクローズドループアクション生成の2つの主要なイノベーションの上に構築されている。
  論文  参考訳（メタデータ） (2026-08-03T07:31:10Z)
• UniTacVLA: Unified Tactile Understanding and Prediction in Vision Language Action Models [32.87879913150572]
  コンタクトリッチな操作のための統合された触覚学習フレームワークを提案する。 提案手法は,既存手法よりも成功率,操作精度,接触堅牢性を向上することを示す。
  論文  参考訳（メタデータ） (2026-06-30T14:24:00Z)
• Tactile Memory with Soft Robot: Robust Object Insertion via Masked Encoding and Soft Wrist [10.982180941605256]
  我々は,ソフトハンドと検索制御を統合し,安全で堅牢な操作を可能にするシステムであるTactile Memory with Soft Robot (TaSo-bot)を紹介した。 このシステムの中核はMasked Tactile Trajectory Transformer (MATtext3$) で、ロボットの動作、触覚フィードバック、力トルク測定、および受容性信号の相互作用を共同でモデル化する。 MATtext3$は、すべての条件に対するベースラインよりも高い成功率を実現し、目に見えないペグや条件に適応する顕著な能力を示している。
  論文  参考訳（メタデータ） (2026-01-27T07:04:01Z)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。