論文の概要: Embodied Task Agents Can Perform Fine Manipulation through Tactile In-Context Learning

• arxiv url: http://arxiv.org/abs/2610.27613v1
• Date: Tue, 20 Oct 2026 04:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.632683
• Title: Embodied Task Agents Can Perform Fine Manipulation through Tactile In-Context Learning
• Title（参考訳）: 身体的タスクエージェントは触覚的インテクスト学習によって細かい操作を行うことができる
• Abstract要約: 具体的タスクエージェントは,タスク固有のモデルトレーニングを使わずに,触覚体験を用いて微調整を行うことができるかを検討する。 本研究では,触覚体験を具体的タスクエージェントに組み込むシステムであるTactile-ETAを開発した。
• 参考スコア（独自算出の注目度）: 47.82260577588391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can embodied task agents use tactile experience to perform fine manipulation without task-specific model training? We investigate this capability through Tactile-ETA, a system that incorporates tactile experience into an embodied task agent through in-context learning. Successful expert demonstrations show how contact changes during manipulation. We pair each recorded robot movement with its camera views and bilateral tactile observations. We keep tactile observations at the start and end of each movement and add two neighboring time points when the tactile images change markedly in between. The agent combines these demonstrations with current vision, tactile observations, and proprioception to select actions through general-purpose robot tools, without updating model parameters. Across four simulated manipulation tasks, adding tactile observations to the same two expert demonstrations increases average success from 15.75% to 24.00%, with current sensing and execution interfaces held fixed. Further experiments show that performance depends on the sensory content and representation of demonstrations, while comparing agent models on Lift Bottle reveals substantial differences under the same system configuration. On the real-robot tasks, demonstrations with aligned visual and tactile observations increase the task success rate from 0% to 60%. These findings demonstrate the feasibility of using tactile experience in context for fine manipulation and suggest a path toward extending embodied task agents to additional sensory inputs.
• Abstract（参考訳）: 具体的タスクエージェントは、タスク固有のモデルトレーニングを使わずに、触覚体験を用いて微調整を実行できるか? 本研究では,触覚体験を具体的タスクエージェントに組み込むシステムであるTactile-ETAを用いて,この能力について検討する。 専門家による実験は、操作中に接触がどのように変化するかを示す。 記録したロボットの動きを、カメラビューと両眼触覚観測と組み合わせた。 触覚の観察を各運動の開始と終了に保ち、触覚画像が顕著に変化すると、隣接する2つの時間ポイントを加算する。 このエージェントは、これらのデモを現在の視覚、触覚観察、プロプロプレセプションと組み合わせて、モデルパラメータを更新することなく汎用ロボットツールを通じて選択されたアクションを選択する。 4つのシミュレートされた操作タスクの中で、同じ2つの専門家によるデモンストレーションに触覚観察を加えると、平均的な成功率は15.75%から24.00%に増加し、現在のセンサーと実行インターフェイスは固定されている。 さらなる実験では、性能は実演の知覚内容と表現に依存するが、Lift Bottleのエージェントモデルと比較すると、同じシステム構成下ではかなりの違いが示される。 実際のロボットタスクでは、協調した視覚と触覚の観察によるデモンストレーションは、タスクの成功率を0%から60%に向上させる。 これらの結果から, 触覚体験を微調整に応用できる可能性が示唆され, 具体化タスクエージェントを付加的な感覚入力に拡張するための道筋が示唆された。

関連論文リスト

• 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)
• Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
  指の構造、接触面、センサーレイアウトが異なる。 本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
  論文  参考訳（メタデータ） (2026-09-14T15:22:59Z)
• Touch in the Wild: Learning Fine-Grained Manipulation with a Portable Visuo-Tactile Gripper [7.618517580705364]
  触覚センサーを内蔵した携帯型軽量グリップについて述べる。 視覚信号と触覚信号を統合するクロスモーダル表現学習フレームワークを提案する。 試験管挿入や管状流体移動などの細粒度タスクに対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-07-20T17:53:59Z)
• Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
  我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。 本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。 以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
  論文  参考訳（メタデータ） (2023-11-02T14:02:42Z)
• Dexterity from Touch: Self-Supervised Pre-Training of Tactile Representations with Robotic Play [15.780086627089885]
  T-Dexは、触覚に基づくデキスタリティの新しいアプローチで、2つのフェーズで動作する。 第1フェーズでは、2.5時間のプレイデータを収集し、自動教師付き触覚エンコーダの訓練に使用する。 第2段階では, 触覚観察と視覚的観察を組み合わせた非パラメトリックな政策を学習する。
  論文  参考訳（メタデータ） (2023-03-21T17:59:20Z)
• Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
  人間は触覚と触覚に頼っている。 視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。 本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
  論文  参考訳（メタデータ） (2023-03-10T16:27:37Z)
• Dynamic Modeling of Hand-Object Interactions via Tactile Sensing [133.52375730875696]
  本研究では,高分解能な触覚グローブを用いて,多種多様な物体に対して4種類のインタラクティブな動作を行う。 我々は,クロスモーダル学習フレームワーク上にモデルを構築し,視覚処理パイプラインを用いてラベルを生成し,触覚モデルを監督する。 この研究は、高密度触覚センシングによる手動物体相互作用における動的モデリングの一歩を踏み出す。
  論文  参考訳（メタデータ） (2021-09-09T16:04:14Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。