論文の概要: ContactBench 1.0: A Benchmark for Everyday Contact-Rich Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.24512v2
- Date: Fri, 23 Oct 2026 01:19:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.192532
- Title: ContactBench 1.0: A Benchmark for Everyday Contact-Rich Robotic Manipulation
- Title（参考訳）: ContactBench 1.0: 毎日のコンタクトリッチロボット操作のベンチマーク
- Abstract要約: ContactBench 1.0は、コンタクトリッチな操作システムの開発、評価、比較のためのベンチマークである。
アセットは、タスク関連幾何学と接触挙動を捉え、消費者グレードの3Dプリンタで再現できる。
6つのベンチマークタスクにおいて,視覚のみおよび視覚触覚ポリシー学習手法の評価を行った。
- 参考スコア（独自算出の注目度）: 17.966229521729872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich manipulation underlies many everyday human activities, yet evaluating robots on such tasks remains difficult: the tasks involve diverse contact behaviors and are hard to reproduce across laboratories. Drawing on observations of everyday human manipulation, we identify eight essential skills that provide a practical framework for studying contact-rich manipulation. We introduce ContactBench 1.0, an extensible benchmark that instantiates these skills through 36 reference tasks and more than 40 object assets. The assets capture task-relevant geometry and contact behavior, can be fabricated reproducibly on consumer-grade 3D printers, and are each paired with a matching simulation model. Controlled task variations in both the real world and simulation enable evaluation of how well robot systems generalize. We evaluate recent representative vision-only and visual-tactile policy learning methods on six benchmark tasks. The results reveal that while vision-only policies struggle to perceive or react to contact events, visual-tactile policies do not meaningfully improve their performance, highlighting that contact-rich manipulation remains a significant challenge for current policy learning methods. By providing common task definitions alongside physical and simulated assets, ContactBench 1.0 offers a shared testbed for developing, evaluating, and comparing contact-rich manipulation systems. The benchmark will be open-sourced at https://jingyi-xiang.github.io/contactbench.
- Abstract（参考訳）: コンタクトリッチな操作は多くの日常的な人間の活動の基盤となっているが、そのようなタスクでロボットを評価することは難しい。
日常的な人間の操作の観察に基づいて,接触豊かな操作を研究するための実践的な枠組みを提供する8つの重要なスキルを同定する。
我々は36の参照タスクと40以上のオブジェクトアセットを通じてこれらのスキルをインスタンス化する拡張可能なベンチマークであるContactBench 1.0を紹介します。
このアセットは、タスク関連形状と接触挙動をキャプチャし、コンシューマグレードの3Dプリンタ上で再現可能とし、それぞれマッチングシミュレーションモデルとペアリングする。
実世界とシミュレーションの両方における制御されたタスクのバリエーションにより、ロボットシステムがいかに一般化するかを評価することができる。
6つのベンチマークタスクにおいて,視覚のみおよび視覚触覚ポリシー学習手法の評価を行った。
その結果、視覚のみのポリシーは、接触イベントの知覚や反応に苦しむ一方で、視覚的触覚ポリシーは、そのパフォーマンスを有意義に改善しないことが明らかとなり、現在の政策学習方法において、コンタクトリッチな操作が重要な課題であることが明らかとなった。
ContactBench 1.0は、物理的およびシミュレートされた資産と共に共通のタスク定義を提供することにより、コンタクトリッチな操作システムの開発、評価、比較のための共有テストベッドを提供する。
ベンチマークはhttps://jingyi-xiang.github.io/contactbench.comで公開されている。
関連論文リスト
- ForceWAM: Decoupling Future and Response Learning from Demo and Play Data for Contact-Rich Manipulation [45.59599641025712]
ForceWAMは、タスク互換のインタラクション結果に関する知識と、ローカルアクションの接触の変化に関する知識を分離するフォースワールドアクションモデルである。
世界モデルは、成功したデモから学び、将来のビデオと6軸力/トルク軌道を共同で予測する。
個別の逆ダイナミクスモデル(IDM)は、タスクとプレイの両方から学習し、現在の観察をマッピングし、記録されたビジュアルレンチ未来を関連するロボットアクションにマッピングする。
論文 参考訳（メタデータ） (2026-10-13T17:58:44Z) - Learning with Object-centric Representations of Tactile Interactive Perception for Robot Manipulation [14.214117089160242]
触覚探索によりタスクに依存しないオブジェクト表現を学習するオブジェクト中心のコンテキスト認識操作フレームワークを提案する。
トークン学習者は、ロングホライゾン探索から代表触覚セグメントを自律的に選択する。
実験により、学習された表現は、見えていない物体に対して、93%と84%のプロパティ推定精度が得られることが示された。
論文 参考訳（メタデータ） (2026-09-27T05:24:12Z) - DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation [66.68529423691461]
DexVerseは、デクスタラスな操作のための大規模かつモジュール化されたベンチマークである。
我々は、19のタスクに対して拡散ポリシー、DP3、OpenVLA、および$_0.5$などの代表的手法をベンチマークする。
その結果、タスクの一般化と視覚運動の堅牢性において大きな課題が浮かび上がっている。
論文 参考訳（メタデータ） (2026-07-09T17:50:47Z) - DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo [82.73355932907565]
DexJoCoはタスク指向のデクサラス操作のためのベンチマークとツールキットである。
本研究は,ツール使用,双方向調整,長期実行,推論などを評価する機能的なタスクを11個提示する。
我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
論文 参考訳（メタデータ） (2026-05-15T17:59:51Z) - Active Zero: Self-Evolving Vision-Language Models through Active Environment Exploration [72.84714132070404]
受動的相互作用から視覚環境の能動的探索に移行する枠組みを提案する。
Active-Zeroでは,3つの共進化エージェントが採用されている。 モデルの機能フロンティアに基づいて,オープンワールドリポジトリからイメージを取得する検索だ。
12ベンチマークにわたるQwen2.5-VL-7B-インストラクションについて : Active-Zero 53.97 における推論タスクの平均精度(5.7%の改善)と一般理解における 59.77 について(3.9%の改善)
論文 参考訳（メタデータ） (2026-02-11T17:29:17Z) - SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。
SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。
また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
論文 参考訳（メタデータ） (2025-06-11T03:24:26Z) - Apple: Toward General Active Perception via Reinforcement Learning [17.92494758004686]
APPLE(Active Perception Policy Learning)は、さまざまなアクティブな知覚問題に対処する新しいフレームワークである。
設計上、APPLEは特定のタスクに限らず、原則として幅広い能動的知覚問題に適用できる。
実験はAPPLEの有効性を示し、回帰タスクと分類タスクの両方で高い精度を達成する。
論文 参考訳（メタデータ） (2025-05-09T16:49:26Z) - Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳（メタデータ） (2024-07-22T06:12:21Z)
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。