論文の概要: TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport

• arxiv url: http://arxiv.org/abs/2610.04363v1
• Date: Sat, 03 Oct 2026 08:00:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:52:36.367128
• Title: TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport
• Title（参考訳）: Tactile-Guided Optimal Transport による人体からの接触リッチデキステラスマニピュレーションの学習
• Abstract要約: 触覚力学は、類似の動作を持つが接触状態が異なる操作過程を区別するために、相互作用を意識する手がかりを提供する。 触覚誘導型最適輸送(TacOT)を導入する。
• 参考スコア（独自算出の注目度）: 4.73957714505574
• License:
• Abstract: Learning contact-rich dexterous manipulation from human demonstrations provides a scalable source of interaction data, yet transferring such skills to robots remains challenging due to unreliable human--robot correspondence. Existing human-to-robot transfer methods typically rely on visual appearance or motion similarity, which may associate similar motions with different contact states and force patterns. Tactile dynamics provide interaction-aware cues to distinguish manipulation processes with similar motions but different contact states. We introduce tactile-guided optimal transport (TacOT), a framework for human-to-robot contact-rich manipulation. TacOT leverages action--tactile dynamic time warping to identify human--robot demonstration correspondences with consistent interaction dynamics and uses these correspondences to guide soft optimal transport alignment in a shared policy representation space. This enables human demonstrations to provide contact-rich supervision for robot policy learning without requiring predefined frame-level human--robot pairing. Across four real-world dexterous manipulation tasks, TacOT improves closed-loop success rates over action-guided OT by up to 17 points on in-distribution tasks and 20 points under targeted human-to-robot out-of-distribution transfer. Further analyses show that tactile-guided correspondence selects demonstration pairs with more consistent contact dynamics and produces latent representations that better reflect interaction-state evolution. These results demonstrate that tactile dynamics provide an effective semantic signal for establishing reliable human-to-robot correspondence in contact-rich dexterous manipulation.
• Abstract（参考訳）: 人間のデモから接触に富んだ巧妙な操作を学習することは、対話データのスケーラブルなソースを提供するが、信頼性の低い人間-ロボットの対応のため、ロボットにそのようなスキルを移すことは難しいままである。 既存の人間とロボットの移動法は、通常視覚的な外観や運動の類似性に依存しており、同様の動きを異なる接触状態や力パターンに関連付けることがある。 触覚力学は、類似の動作を持つが接触状態が異なる操作過程を区別するために、相互作用を意識する手がかりを提供する。 触覚誘導型最適輸送(TacOT)を導入する。 TacOTは、アクション-触覚動的時間ワープを利用して、一貫した相互作用ダイナミクスを持つ人間-ロボットのデモ対応を識別し、これらの対応を用いて、共有ポリシー表現空間におけるソフトな最適なトランスポートアライメントを誘導する。 これにより、事前に定義されたフレームレベルの人間-ロボットペアリングを必要とせずに、ロボットポリシー学習のためのコンタクトリッチな監視が可能になる。 実際の4つの操作タスクの中で、TacOTはアクション誘導OTのクローズドループ成功率を最大17ポイント改善し、ターゲットとなる人間からロボットへのアウト・オブ・ディストリビューション・トランスファーでは20ポイント向上する。 さらに解析したところ、触覚誘導対応はより一貫した接触ダイナミクスを持つデモペアを選択し、相互作用状態の進化をよりよく反映する潜在表現を生成する。 これらの結果から, 触覚力学は, 接触に富むデキスタラス操作において, 信頼性の高い人間とロボットの対応を確立するための効果的な意味信号を提供することが示された。

関連論文リスト

• Unified Visual-Tactile-Action Modeling from Human Demonstrations for Dexterous Manipulation [19.452443308926487]
  有害な操作には触覚フィードバックが必要である。 人間のデモは、多様な触覚インタラクションのよりスケーラブルなソースを提供する。 我々は、人間の触覚データを活用して、巧妙な操作ポリシーを改善します。
  論文  参考訳（メタデータ） (2026-09-28T02:59:16Z)
• DexTouch-WM: Learning Action-Conditioned Tactile World Models from Human Touch for Dexterous Robot Manipulation [41.81471936916666]
  DexTouch-WMは、スケーラブルな人間の触覚から学習し、将来のRGB観測と両眼触覚のダイナミクスを共同で予測するアクション条件付き世界モデルである。 人間の手と器用なロボット手の両方に、センサレイアウトを共有化して、柔軟なピエゾ抵抗配列を配置する。 人間とロボットのタスクセットが不一致であるにもかかわらず、保持されたロボット領域の視覚的、幾何学的、接触予測の大幅な改善が観察された。
  論文  参考訳（メタデータ） (2026-09-17T16:28:34Z)
• TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment [32.07730277045068]
  既存のH2R(Human-to-robot)アプローチでは、タッチが同一の触覚センサーを前提としており、ペアのデータを必要とし、人間のデモンストレーターとロボットの間の具体的ギャップをほとんど必要としない。 そこで本研究では,異なる実施形態のロボットに人為的な触覚信号を伝達する触覚アライメント手法であるTactAlignを提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:31:32Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Built Different: Tactile Perception to Overcome Cross-Embodiment Capability Differences in Collaborative Manipulation [2.0318411357438086]
  触覚が協調操作の文脈において,ロボットの実施形態の違いを橋渡しするのにどう役立つかを検討する。 本稿では,触覚センサと行動クローンを用いて,ロボットから非機能ロボットへポリシーを伝達するアプローチを提案する。 我々は,この正の移動を,力制御ロボットデータで訓練されたのと同じ方針を用いて,4種類の触覚対応エボディメントに示す。
  論文  参考訳（メタデータ） (2024-09-23T10:45:41Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Synthesis and Execution of Communicative Robotic Movements with Generative Adversarial Networks [59.098560311521034]
  我々は、繊細な物体を操作する際に人間が採用するのと同じキネマティクス変調を2つの異なるロボットプラットフォームに転送する方法に焦点を当てる。 我々は、ロボットのエンドエフェクターが採用する速度プロファイルを、異なる特徴を持つ物体を輸送する際に人間が何をするかに触発されて調整する。 我々は、人体キネマティクスの例を用いて訓練され、それらを一般化し、新しい有意義な速度プロファイルを生成する、新しいジェネレーティブ・アドバイサル・ネットワークアーキテクチャを利用する。
  論文  参考訳（メタデータ） (2022-03-29T15:03:05Z)

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。