論文の概要: ForeTac: Predictive Contact Guidance for Generative Robot Policies
- arxiv url: http://arxiv.org/abs/2610.18118v1
- Date: Tue, 13 Oct 2026 10:28:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 07:20:17.394081
- Title: ForeTac: Predictive Contact Guidance for Generative Robot Policies
- Title（参考訳）: ForeTac: 生成ロボット政策の予測的接触誘導
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.900467530284109
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visually similar actions can produce contact loss, jamming, slippage, or irreversible damage, while tactile feedback may arrive after a critical transition. Contact-rich manipulation therefore requires generative policies to anticipate and evaluate whether candidate actions will produce desirable contact outcomes, then adjust action generation before execution. We present ForeTac, a predictive contact-guidance framework organized as a represent-predict-evaluate-guide loop. ForeTac encodes the current tactile state, predicts the tactile consequences of a candidate action sequence, and evaluates the predicted trajectory using a contact-quality objective learned from successful and failed physical interactions. At deployment, its gradient propagates through the tactile predictor to guide action generation while the pretrained model parameters remain frozen. We evaluate ForeTac on four real-robot tasks (planar and curved-surface wiping, card swiping, and fragile-object grasping) with diffusion and flow-matching policies. Across these tasks, ForeTac raises the average task success rate from 36.3% to 71.3% and the average contact success rate (CSR) from 20.0% to 66.3% compared with vision-only Diffusion Policy. Component analyses support the tactile representation and action-conditioned foresight, and show that predicted touch preserves contact-quality ordering. Project page: https://foretac.github.io/.
- Abstract（参考訳）: 視覚的に類似したアクションは、接触損失、ジャミング、滑り込み、あるいは不可逆的な損傷を引き起こす。
したがって、コンタクトリッチな操作は、候補アクションが望ましいコンタクト結果を生み出し、実行前にアクション生成を調整するかどうかを予測し、評価するために生成ポリシーを必要とする。
本稿では,予測・予測・評価・誘導ループとして構成された,予測的接触誘導フレームワークであるForeTacを紹介する。
ForeTacは、現在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。
展開時に、その勾配は触覚予測器を介して伝播し、事前訓練されたモデルパラメータが凍結されている間、アクション生成を誘導する。
本研究では,4つの実ロボットタスク(平面および曲面ワイピング,カードスワイプ,フレキシブル物体把握)に対して,拡散およびフローマッチングポリシを用いてForeTacを評価した。
これらのタスク全体で、ForeTacは視覚のみの拡散政策と比較して平均タスク成功率を36.3%から71.3%に、平均コンタクト成功率(CSR)を20.0%から66.3%に引き上げている。
コンポーネント分析は触覚表現と行動条件予測をサポートし、タッチが接触品質の秩序を保つことを示す。
プロジェクトページ:https://foretac.github.io/.com
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) - What to Attend, What to Keep: Skill-Conditioned Visuotactile Representation with Progress-Guided Event Memory [53.7734456149083]
視覚と触覚を原始的なスキルのレベルでどのように組み合わせるべきかを研究する。
本稿では,モダリティ特異的な短期観察トークンを融合したスキル条件表現を提案する。
論文 参考訳（メタデータ） (2026-09-29T20:21:37Z) - World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。
これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。
可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
論文 参考訳（メタデータ） (2026-09-15T06:22:42Z) - 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) - TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation [7.573875271580167]
視覚中心の予測は、コンタクトリッチな操作を決定するローカルコンタクトキューを見逃す。
本稿では,触覚予測をリアルタイム動作補正に変換するTacPACを紹介する。
5つの実際のロボットタスクにおいて、TacPACはすべてのタスクをリードし、ビジョンのみのベースモデルでは平均22%から64%に上昇する。
論文 参考訳（メタデータ） (2026-09-04T15:24:58Z) - HiTac-WAM: A Hierarchical Tactile World Action Model for Contact-Rich Robot Manipulation [16.161933557281447]
HiTac-WAMは階層的な触覚世界行動モデルであり、実行前に各アクションチャンクの将来の触覚状態を予測します。
計画では、HiTac-WAMは触覚予測とタスクプログレス推定を用いて、候補アクションチャンクをランク付けする。
実行には、選択された触覚予測を基準として保持する。
論文 参考訳（メタデータ） (2026-08-20T02:28:25Z) - TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation [14.063238637690597]
日常環境における有害な操作には、予測と反応の両方が必要である。
我々は,デクスタラス操作のための予測・反応型触覚基礎モデルであるTouchWorldを紹介する。
論文 参考訳（メタデータ） (2026-07-08T11:28:13Z) - 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) - 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) - Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。
入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。
実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-09-15T17:05:02Z)
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。