論文の概要: Interaction Latents as Actions for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2610.18855v1
• Date: Tue, 13 Oct 2026 17:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.705108
• Title: Interaction Latents as Actions for Contact-Rich Manipulation
• Title（参考訳）: コンタクトリッチマニピュレーションの作用としての相互作用潜水剤
• Abstract要約: 接触に富んだ操作では、ロボットは相互作用を通して接触と力がどのように進化するかを調整する必要がある。 ほとんどのロボットポリシーは、主にモーショントラジェクトリとして動作を表し、触覚信号を入力または補助予測ターゲットとして使用する。 ILA(Interaction Latents as Actions)は, 動作, 接触, 力の発達を協調的に捉えた, 着脱可能な相互作用潜伏剤である。
• 参考スコア（独自算出の注目度）: 43.90256345135747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contact-rich manipulation requires robots to coordinate not only where to move, but also how contact and force should evolve throughout an interaction. Yet most robot policies represent actions primarily as motion trajectories, using tactile signals as inputs or auxiliary prediction targets without explicitly encoding contact dynamics in the action representation. We propose ILA (Interaction Latents as Actions), which uses decodable interaction latents that jointly capture the evolution of motion, contact, and force application as policy action units, providing a shared representation for action generation, evaluation, and offline improvement. We learn these latents through visually conditioned joint action-tactile reconstruction with a time-conditioned implicit decoder. Using them as flow-matching generation targets supports post-training of pretrained vision-language-action models (VLAs) and world action models (WAMs), as well as training flow-matching policies from scratch. A shared decoder maps generated latents to executable actions. For offline improvement, we learn a tactile-conditioned expert reference model from interaction latents encoded from expert demonstrations. The resulting expert-consistency rewards guide weighted learning from successful rollouts, while observation-compatible expert references guide correction of low-reward predictions from failed rollouts. Across three policy families, ILA improves success rates averaged over four real-world tasks by 21.0-36.5 percentage points relative to tactile-conditioned direct-action baselines. Ablations highlight the benefit of encoding contact evolution in action targets beyond tactile conditioning, while the same latent space supports expert-guided offline improvement. Project website: https://mrsecant.github.io/ILA/.
• Abstract（参考訳）: 接触に富んだ操作では、ロボットは移動する場所だけでなく、相互作用を通して接触と力がどのように進化するかを調整する必要がある。 しかし、ほとんどのロボットポリシーは、主にモーショントラジェクトリとして、触覚信号を入力として、または補助的な予測ターゲットとして、アクション表現に接触ダイナミクスを明示的にエンコードすることなく、アクションを表現する。 ILA(Interaction Latents as Actions)は,行動生成,評価,オフライン改善のための共有表現を提供する。 視覚的条件付き協調動作・触覚再構成を時間的条件付き暗黙デコーダを用いて学習する。 フローマッチング生成ターゲットとして使用すると、事前訓練された視覚言語アクションモデル(VLA)とワールドアクションモデル(WAM)のトレーニング後のサポートに加えて、フローマッチングポリシをゼロからトレーニングすることが可能になる。 共有デコーダは、生成されたラテントを実行可能なアクションにマップする。 オフライン改善のために、我々は、専門家によるデモンストレーションから符号化された対話ラテントから触覚条件付き専門家参照モデルを学ぶ。 結果のエキスパート一貫性報酬はロールアウトの成功から学習の重み付けを導き、観察互換の専門家参照はロールアウト失敗からの低リワード予測の修正を導く。 3つの政策ファミリの中で、IAAは4つの現実世界のタスクの平均成功率を、触覚条件によるダイレクトアクションベースラインと比較して21.0-36.5ポイント改善している。 アブレーションは、触覚コンディショニング以外のアクションターゲットでコンタクトの進化を符号化する利点を強調し、同じ潜伏空間は専門家が指導するオフライン改善をサポートしている。 プロジェクトウェブサイト:https://mrsecant.github.io/ILA/。

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)
• TACO: TActile World Model as a Self-COrrector forScalable VLA Post-Training [79.94818813802682]
  TACOは触覚を意識したワールドモデル駆動型フレームワークで,コンタクトリッチな操作において,スケーラブルなVLAポストトレーニングを実現する。 TACOは、触覚矯正をVLA後トレーニングに組み込むため、知識を取り入れた触覚適応と有利な条件のトレーニングを組み合わせる。
  論文  参考訳（メタデータ） (2026-07-03T00:23:30Z)
• TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
  人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。 このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。 TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。 TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
  論文  参考訳（メタデータ） (2026-06-15T06:20:46Z)
• 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)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• ALAM: Algebraically Consistent Latent Action Model for Vision-Language-Action Models [31.2829405167292]
  ALAM(Algebraic Latent Action Model)は、アクションフリービデオにおける時間的関係を構造的監視に変換する。 ALAMは、構成と逆整合性によって規則化されながら、再構成によって基礎付けられた潜伏遷移を学習する。 下流VLA学習では、事前学習したエンコーダを凍結し、その潜伏遷移配列を補助的生成ターゲットとして使用する。
  論文  参考訳（メタデータ） (2026-05-11T16:37:07Z)
• AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
  AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。 事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。 RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-04-13T07:48:58Z)
• Precise Action-to-Video Generation Through Visual Action Prompts [62.951609704196485]
  アクション駆動のビデオ生成は、精度と一般性のトレードオフに直面している。 エージェント中心のアクション信号は、クロスドメイン転送可能性のコストで精度を提供する。 私たちはアクションをドメインに依存しない表現として正確に視覚的なプロンプトに"レンダリング"します。
  論文  参考訳（メタデータ） (2025-08-18T17:12:28Z)

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。