論文の概要: ForeTac: Predictive Contact Guidance for Generative Robot Policies
- arxiv url: http://arxiv.org/abs/2610.18118v2
- Date: Tue, 20 Oct 2026 10:22:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.198963
- 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: コンタクトリッチな操作では、視覚から等しく可視に見える行動は異なる接触結果をもたらす。
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。
拡散およびフローマッチングポリシを備えた4つの実ロボットタスク上でForeTacを評価する。
- 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: In contact-rich manipulation, actions that appear equally plausible from vision can produce different contact outcomes, while reactive control based on current tactile feedback may respond too late to prevent failure. We present ForeTac, a predictive contact-guidance framework organized as a represent-predict-evaluate-guide loop. ForeTac encodes the current tactile state, predicts future tactile latent trajectories conditioned on candidate action sequences, and evaluates each predicted trajectory with a contact-quality objective learned from successful and failed physical interactions. At inference, gradients of this objective are backpropagated through the tactile predictor to guide action generation before execution while keeping all model parameters 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. Compared with vision-only Diffusion Policy, ForeTac improves the average task success rate (SR) from 36.3% to 71.3% and the average contact success rate (CSR) from 20.0% to 66.3% across these tasks, and yields gains in both metrics with a flow-matching policy. Component analyses support the learned tactile representation, action-conditioned foresight, and generation-time gradient guidance, while predicted tactile latent trajectories preserve contact-quality ordering. Project page: https://foretac.github.io/.
- Abstract（参考訳）: コンタクトリッチな操作では、視覚から等しく妥当に見えるアクションは異なる接触結果をもたらすが、現在の触覚フィードバックに基づく反応制御は失敗を防ぐために遅すぎる可能性がある。
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、将来の触覚潜在軌道を予測し、予測された各軌道を、成功と失敗の物理的相互作用から学習した高品質な目標で評価する。
推測では、この目的の勾配は、全てのモデルパラメータを凍結させながら実行前にアクション生成を誘導するために触覚予測器を通して逆伝播される。
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。
視覚のみの拡散政策と比較して、ForeTacは平均タスク成功率(SR)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%に改善し、フローマッチングポリシーで両方の指標で利得を得る。
コンポーネント分析は、学習された触覚表現、行動条件の予測、世代毎の勾配誘導をサポートし、予測された触覚潜在軌道は接触品質の秩序を保つ。
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。