論文の概要: Spark-0: Scaling Spatially Aligned Tactile Pretraining for Robot Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2610.22342v1
• Date: Thu, 15 Oct 2026 17:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.27308
• Title: Spark-0: Scaling Spatially Aligned Tactile Pretraining for Robot Dexterous Manipulation
• Title（参考訳）: Spark-0: ロボットデクサラスマニピュレーションのための空間適応型触覚事前トレーニング
• Abstract要約: ジェネラリストロボットのポリシーは、しばしば接触に富んだ巧妙な操作に苦しむ。 本稿では,2つの相補的な方法でタッチを用いた空間整合型視覚触覚言語行動モデルSpark-0を提案する。
• 参考スコア（独自算出の注目度）: 40.30515655746245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalist robot policies benefit from large-scale visual pretraining but often struggle with contact-rich dexterous manipulation, where force, compliance, and incipient slip are hard to observe from images. We present Spark-0, a spatially aligned vision-tactile-language-action (VTLA) model that uses touch in two complementary ways. During pretraining, image-space contact maps derived from tactile gloves, together with features from a frozen 3D geometry teacher, supervise the visual tokens; these objectives are removed at inference. In parallel, a tactile pathway encodes regional force histories and 3D taxel states to condition the action expert. A single checkpoint therefore supports both vision-only and tactile-conditioned deployment. To scale this supervision, we build HumanTouch, a 1,000-hour dataset of full-hand tactile human manipulation, and pretrain Spark-0 on it together with egocentric video, robot data, and simulation. We also release SparkArena, which pairs vision-only simulated tasks with tactile-conditioned real-robot tasks on one dexterous embodiment. Spark-0 achieves the highest mean success rate on both SparkArena tracks and ranks first on all eight aggregate metrics of the Ego Humanoid Manipulation Benchmark. Compared with vision-only pretraining on the same data and compute with touch discarded, retaining the touch of 1,000 hours of HumanTouch raises vision-only success on Ego Humanoid from 52.5% to 71.7%, and success on SparkArena-Real, where touch is also used at deployment, from 44.0% to 52.0%, indicating that touch serves not only as a policy input but also as scalable supervision for dexterous visuomotor pretraining. The Website is available at: https://xsparkai.com/Spark-0.
• Abstract（参考訳）: 汎用ロボットポリシーは、大規模な視覚前訓練の恩恵を受けるが、力、コンプライアンス、初期すべりが画像から観察し難いような、接触に富んだデクスタラスな操作に苦慮することが多い。 本稿では2つの相補的な方法でタッチを用いた空間整合型視覚触覚言語反応(VTLA)モデルであるSpark-0を提案する。 事前トレーニング中、触覚グローブから得られる画像空間接触マップと凍結した3次元幾何学教師の特徴は、視覚トークンを監督し、これらの目的を推論時に除去する。 同時に、触覚経路は、アクションエキスパートを条件付けるために、地域的な力の履歴と3Dタクテル状態を符号化する。 したがって、単一のチェックポイントは視覚のみのデプロイメントと触覚によるデプロイメントの両方をサポートする。 この監視をスケールするために、フルハンドの触覚操作の1,000時間データセットであるHumanTouchを構築し、エゴセントリックなビデオ、ロボットデータ、シミュレーションとともにSpark-0を事前訓練します。 SparkArenaは、視覚のみをシミュレートしたタスクと、触覚で条件付けされた実ロボットタスクを1つのデキスタスなエボディメントで組み合わせるものです。 Spark-0は、両方のSparkArenaトラックで最高成功率を獲得し、Ego Humanoid Manipulation Benchmarkの合計8つのメトリクスで第1位である。 同じデータ上での視覚のみの事前トレーニングとタッチによる計算では、1000時間のタッチを保ちながら、Ego Humanoidでの視覚のみの成功を52.5%から71.7%に引き上げ、SparkArena-Realでは、タッチが44.0%から52.0%に向上し、タッチがポリシー入力だけでなく、器用な視覚運動事前トレーニングのスケーラブルな監視として機能することを示している。 Webサイトは、https://xsparkai.com/Spark-0.comで入手できる。

関連論文リスト

• TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning [103.68709128626244]
  我々は、単一の統一ウェアラブルセットアップで記録されたコンタクトリッチなヒューマンインタラクションのデータセットであるTouchScaleを紹介した。 TouchScaleのトレーニングでは、目に見えない触覚センサからのデータから、ゼロショットコンタクトIoUが0.134から0.383に上昇する。 TouchScaleは、4つのコンタクトリッチな操作タスクの平均的な実世界の成功率を22.5%から57.5%に改善している。
  論文  参考訳（メタデータ） (2026-10-07T15:49:41Z)
• 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)
• Touch2Robot: Robot Touch in the Human Demonstration Loop [4.894188027885703]
  Touch2Robotは、人間が対象のロボットがオブジェクトにどのように接触するかを確認しながら、デモを収集できるフレームワークだ。 我々は人間の手の動き、触覚手袋の測定、人間の操作時の物体の動きを捉える。 学習した動作を、人間の観測や物体形状をロボットの手の配置にマッピングする、統合されたリアルタイム再ターゲッターに蒸留する。
  論文  参考訳（メタデータ） (2026-09-21T14:26:51Z)
• UniDex-ViTac: Learning Unified Visuo-Tactile Dexterous Manipulation Policy from Human Video Data [0.45880283710344055]
  We present UniDex-ViTac, a framework that using human-video-guided Simulation to generate robot demonstrations with fingertip contact observed。 我々は1万の擬似軌道を収集し、1つのAction Chunking with Transformers (ACT)ベースのジェネラリストを訓練する。 接触拡大された構成は、ポイントクラウドのみのベースラインで55.5%に対して、シミュレーションで68.3%のマクロ平均成功を実現している。
  論文  参考訳（メタデータ） (2026-09-15T01:52:33Z)
• ACE-Data-0: Human-Centric Ambient Capture as Embodied Data Engine [83.02804728003862]
  Ambient Capture Engine (ACE)は、実家環境を空間的に、時間的に同期されたレコーディングスタジオに変換する。 ACEは、エゴセントリックでマルチビューのエクソセントリックなビデオ、フルボディと手の動き、オブジェクト幾何学と6-DoF軌道、オーディオ、信号を、統一されたマルチ感覚ストリームとして記録する。 データセットは、原子操作、家庭活動の長い水平鎖、人間とシーンの相互作用にまたがっており、ステップバイステップの指示よりもゴールレベルの自然な振る舞いを保っている。
  論文  参考訳（メタデータ） (2026-07-30T17:59:50Z)
• Contrastive Action-Image Pre-training for Visuomotor Control [91.5630572541332]
  エンドエフェクタアクションのプロキシとして,大規模なエゴセントリックビデオからの人間の手ポーズを取り扱う視覚エンコーダであるCAIPを紹介する。 人間のビデオは32,041時間、ロボット操作のデータは88時間しかなく、CAIPは最先端の視覚エンコーダより優れています。
  論文  参考訳（メタデータ） (2026-06-15T20:00:20Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)

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。