論文の概要: Learning Tactile-Aware Hand Representations from Human Hand-Object Interaction Data
- arxiv url: http://arxiv.org/abs/2610.27995v1
- Date: Tue, 20 Oct 2026 10:31:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.772036
- Title: Learning Tactile-Aware Hand Representations from Human Hand-Object Interaction Data
- Title（参考訳）: ヒューマンハンドオブジェクトインタラクションデータを用いた触覚認識ハンド表現の学習
- Abstract要約: HuTactは、事前トレーニング中に実際の触覚信号を必要とせずに、人間のHOIデータから触覚認識ハンド表現を事前訓練するフレームワークである。
我々は,触覚知覚と操作タスクに対するHuTactの評価を行い,把握予測,すべり検出,対象分類,触覚条件付きポリシー学習を行った。
- 参考スコア（独自算出の注目度）: 6.804437513172506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tactile representation learning for dexterous manipulation often requires substantial robot-side data collection, limiting its scalability across different hands and sensors. We explore whether large-scale human hand-object interaction (HOI) data can provide a useful prior for robotic tactile learning. To this end, we propose HuTact, a framework that pretrains tactile-aware hand representations from human HOI data without requiring real tactile signals during pretraining. HuTact transfers the interaction structure learned from human hand motions to robotic tactile observations and can be further adapted with a small amount of unlabeled robot interaction data. We evaluate HuTact on tactile perception and manipulation tasks, including grasp prediction, slip detection, object classification, and tactile-conditioned policy learning. Across these tasks, human HOI pretraining improves data efficiency and provides a strong initialization for downstream learning. Notably, with HOI pretraining followed by midtraining on unlabeled robot play data, HuTact achieves 88.26% Macro-F1 on grasp prediction using only 25\% of the labeled downstream data, comparable to training from scratch on the full labeled dataset (88.23%). These results suggest that human interaction data can serve as a scalable complementary source for robotic tactile representation learning.
- Abstract（参考訳）: 器用な操作のための触覚表現学習は、しばしばロボット側のデータ収集を必要とし、そのスケーラビリティをさまざまな手やセンサーで制限する。
大規模人手オブジェクトインタラクション(HOI)データが,ロボット触覚学習に有用であるかどうかを考察する。
そこで我々は,HuTactを提案する。HuTactは,事前学習中に実際の触覚信号を必要としない,人間のHOIデータから触覚認識手表現を事前学習するフレームワークである。
HuTactは人間の手の動きから学んだ相互作用構造をロボットの触覚観測に転送する。
我々は,触覚知覚と操作タスクに対するHuTactの評価を行い,把握予測,すべり検出,対象分類,触覚条件付きポリシー学習を行った。
これらのタスク全体で、人間のHOI事前トレーニングはデータの効率を改善し、下流学習の強力な初期化を提供する。
特に、HOI事前トレーニングに続いてラベルなしのロボットプレイデータで中級トレーニングが行われ、HuTactは、ラベル付き下流データの25%しか使用せず、フルラベル付きデータセット(88.23%)のスクラッチからトレーニングに匹敵する、把握予測において88.26%のマクロF1を達成した。
これらの結果は、人間のインタラクションデータは、ロボット触覚表現学習のスケーラブルな補完源として役立てることができることを示唆している。
関連論文リスト
- FACT: A Multimodal Force-Action-Track Foundation Model for Human-to-Robot Dexterity [59.92965577251167]
本稿では,ロボット基礎モデルであるFACTについて述べる。
ツールの使用,楽器,精密実験室の手順を含む,きめ細かい調整と力フィードバックを必要とする10のタスクでモデルを評価した。
論文 参考訳（メタデータ） (2026-10-13T20:21:52Z) - 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) - DexTouch-WM: Learning Action-Conditioned Tactile World Models from Human Touch for Dexterous Robot Manipulation [41.81471936916666]
DexTouch-WMは、スケーラブルな人間の触覚から学習し、将来のRGB観測と両眼触覚のダイナミクスを共同で予測するアクション条件付き世界モデルである。
人間の手と器用なロボット手の両方に、センサレイアウトを共有化して、柔軟なピエゾ抵抗配列を配置する。
人間とロボットのタスクセットが不一致であるにもかかわらず、保持されたロボット領域の視覚的、幾何学的、接触予測の大幅な改善が観察された。
論文 参考訳（メタデータ） (2026-09-17T16:28:34Z) - Human-Centric Transferable Tactile Pre-Training for Dexterous Robotic Manipulation [33.12343137426091]
本稿では,人間データに基づく精密なロボット作業のための触覚学習システムであるTransferable Tactile Pre-Training(TTP)を提案する。
TTPは、人間からロボットへの移動を通じて、スケーラブルな触覚事前訓練の道を開く。
論文 参考訳（メタデータ） (2026-07-01T15:26:26Z) - UniTacHand: Unified Spatio-Tactile Representation for Human to Robotic Hand Skill Transfer [24.322055599503372]
触覚に基づくロボットポリシー学習のための触覚手袋を用いた低コストな人体操作データ収集を提案する。
人間とロボットの触覚データのミスアライメントは、人間のデータから学んだポリシーをロボットに移すことを困難にしている。
We propose UniTacHand, a unified representation to align robotic tactile information captured by dexterous hands with human hand touch obtained from gloves。
論文 参考訳（メタデータ） (2025-12-24T15:18:54Z) - Grasp Like Humans: Learning Generalizable Multi-Fingered Grasping from Human Proprioceptive Sensorimotor Integration [26.351720551267846]
触覚と審美的知覚は、人間の器用な操作に欠かせないものであり、感覚運動器統合による物体の確実な把握を可能にしている。
本研究では,人間の直感的・自然な操作から模倣学習に基づくロボット実行へのスキル伝達を把握するための,新しい手袋による触覚的知覚予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T07:44:12Z) - Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。
実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文 参考訳（メタデータ） (2024-06-01T13:28:31Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳（メタデータ） (2021-02-09T10:34:32Z) - Learning Whole-Body Human-Robot Haptic Interaction in Social Contexts [11.879852629248981]
本稿では,全ロボット体上での全身触覚接触を含む人間とロボットの社会的相互作用を教えるためのLfD(Learning-from-demonstration)フレームワークを提案する。
既存のLfDフレームワークの性能は、高次元データ空間性のためにこのような相互作用に苦しむ。
この疎度を活用することで,有意な精度のペナルティを伴わずにデータ次元を削減できることを示し,それを実現するための3つの戦略を紹介した。
論文 参考訳（メタデータ） (2020-05-26T03:44:09Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。