論文の概要: PACE: Temporal-Role Tactile Conditioning for Chunk-Based Insertion Policies

• arxiv url: http://arxiv.org/abs/2610.16308v1
• Date: Mon, 12 Oct 2026 07:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:31:53.288063
• Title: PACE: Temporal-Role Tactile Conditioning for Chunk-Based Insertion Policies
• Title（参考訳）: PACE: チャンクベースの挿入政策のためのテンポラルロール触覚コンディショニング
• Abstract要約: PACEは,チャンクベースの挿入ポリシーのためのテンポラルロール触覚調和フレームワークである。 PACEは、共有された触覚ストリームを3つの時間的役割に編成する: 永続的な接触状態状態状態のアクションチャンク生成、突然の接触イベントが生成されたチャンクを補正し、トレーニング中のアクション表現を接触結果予測する。 5つの実ロボット挿入タスクの中で、PACEは平均90.7%の成功率を達成し、視覚のみのベースラインと世代毎の触覚融合ベースラインを44ポイント以上上回っている。
• 参考スコア（独自算出の注目度）: 12.242228967171258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contact-rich insertion requires robots to combine visual alignment with tactile adjustment. However, existing visuotactile chunk-based policies collapse tactile feedback into a single generation-time fusion pathway, leaving persistent contact states, abrupt contact events, and future contact consequences implicitly modeled in a single representation. We present PACE (Phase-Aware Contact-Event Conditioning), a temporal-role tactile conditioning framework for chunk-based insertion policies. PACE organizes a shared tactile stream into three temporal roles: persistent contact states condition action-chunk generation, abrupt contact events correct the generated chunk, and contact-consequence prediction shapes action representations during training. This design preserves chunk-level action continuity while assigning distinct pathways to different temporal roles of contact feedback. Across five real-robot insertion tasks, PACE achieves an average success rate of 90.7%, outperforming vision-only and generation-time tactile-fusion baselines by over 44 percentage points; on the ManipulationNet benchmark, PACE maintains 88.7% success across six geometry-clearance configurations, including an industrial-grade 0.1-mm clearance. Ablations confirm the complementary contributions of the three temporal roles, mechanistic analyses show that PACE separates normal insertion progress from contact events requiring immediate correction, and cross-signal and cross-architecture experiments indicate that this temporal-role principle extends across different physical feedback signals and policy backbones. Videos and materials are available at https://pace-insertion.github.io/.
• Abstract（参考訳）: 接触に富んだ挿入には、視覚アライメントと触覚調整を組み合わせるロボットが必要である。 しかし、既存のVisuotactileチャンクベースのポリシーは、触覚フィードバックを単一の世代間融合経路に分解し、持続的な接触状態、急激な接触イベント、そして1つの表現で暗黙的にモデル化された将来の接触結果を残す。 PACE(Phase-Aware Contact-Event Conditioning, PHase-Aware Contact-Event Conditioning)は,チャンクベースの挿入ポリシーのためのテンポラルロール触覚コンディショニングフレームワークである。 PACEは、共有された触覚ストリームを3つの時間的役割に編成する: 永続的な接触状態状態状態のアクションチャンク生成、突然の接触イベントが生成されたチャンクを補正し、トレーニング中のアクション表現を接触結果予測する。 この設計は、接触フィードバックの異なる時間的役割に異なる経路を割り当てながら、チャンクレベルのアクション連続性を保っている。 5つの実ロボット挿入タスクの中で、PACEは平均90.7%の成功率に達し、視力のみおよび世代毎の触覚融合ベースラインを44ポイント以上上回り、ManipulationNetベンチマークでは、工業レベルの0.1mmクリアランスを含む6つの幾何学的クリアランス構成で88.7%の成功を維持している。 アブレーションは3つの時間的役割の相補的寄与を確認し、機械学的解析は、PACEが正常な挿入進行を即時修正を必要とする接触事象から切り離すことを示し、クロスサインとクロスアーキテクチャの実験は、この時間的ロールの原理が異なる物理的フィードバック信号とポリシーバックボーンにまたがることを示している。 ビデオや教材はhttps://pace-insertion.github.io/.comで入手できる。

関連論文リスト

• Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration [105.07023811083566]
  コンテキスト内ロボット学習により、ロボットはテスト時間パラメータを更新することなく、デモから新しい行動を取得することができる。 本稿では,コンタクトリッチな操作行動のワンショット転送のためのフレームワークであるContact Trajectory Prompting (CTP)を提案する。 CTPは、単一のデモンストレーションから順序付けられた接触軌道プロンプトに動きと接触情報を符号化する。
  論文  参考訳（メタデータ） (2026-10-13T17:58:08Z)
• ForeTac: Predictive Contact Guidance for Generative Robot Policies [15.900467530284109]
  ForeTacは、予測-予測-評価-誘導ループとして組織された予測接触誘導フレームワークである。 現行の触覚状態を符号化し、候補となるアクションシーケンスの触覚結果を予測するとともに、予測された軌跡を評価する。 平均タスク成功率は36.3%から71.3%に、平均コンタクト成功率(CSR)は20.0%から66.3%に上昇する。
  論文  参考訳（メタデータ） (2026-10-13T10:28:49Z)
• TacGooseBumps (TacGB): Retrofitting Normal-Only Tactile Sensors with Shear Encoding for Learning Contact-Rich Manipulation [54.86974994302033]
  接触に富んだ政策はしばしば失敗する。なぜなら、異なる物理的状態は似ているが異なる行動を必要とするからである。 本稿では,既存のセンサの圧力マップのパターン変化として,タンジデンシャルローディングを機械的にエンコードするパッシブドームフィルムであるTacGooseBumpsを紹介する。 4つの模倣学習タスクと2つのデータ収集パイプラインで、TacGBは目標達成、効率、接触品質を改善している。
  論文  参考訳（メタデータ） (2026-09-27T23:04:32Z)
• HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation [88.74642218250409]
  歴史調和型インタラクション・ステート・リゾナ(ISR)とハイレートインタラクション・マニフォールド・エクゼクタ(IME)を組み合わせたクロスレートフレームワークHIREを紹介する。 ISRは命令されたレンチ履歴を時間的レンチエンコーダとフォース・パーシーバーでエンコードする。 IMEは接触臨界運動を本質的な進行と横方向補正に構成し、正確な実行を行う。
  論文  参考訳（メタデータ） (2026-09-25T05:13:23Z)
• From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
  エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。 コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。 HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T12:06:23Z)
• Proprioception-Anchored Cross-Modal Pretraining for Zero-Shot Sim-to-Real Contact-Rich Assembly [9.415285027294221]
  PACE(Proprioception-Anchored Cross-Modalception, PACE)は,主受容状態遷移を予測することによって,時間的視覚およびF/T表現を監督する。 4つの接触に富んだ組立作業の中で、PACEは平均的な実世界の成功率93.3%に達し、2.7ポイントのsim-to-realドロップしか達成していない。
  論文  参考訳（メタデータ） (2026-09-07T14:20:22Z)
• JointHOI: Jointly Generating Contact Maps Enhances Hand Object Interaction Generation [24.655154886327633]
  We present JointHOI, a single stage diffusion framework that jointly generated 3D hand object motion and dynamic, distance based contact map from text。 GRABとARCTICの実験は、先行手法よりもテキストの付着性と物理的妥当性が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-07-02T06:34:37Z)
• ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
  本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。 本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。 コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
  論文  参考訳（メタデータ） (2025-12-11T18:59:46Z)

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。