論文の概要: GPT-6-Astra Understands Touch and Outperform Vision--Tactile--Language--Action Models
- arxiv url: http://arxiv.org/abs/2610.28457v1
- Date: Tue, 20 Oct 2026 16:15:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.915529
- Title: GPT-6-Astra Understands Touch and Outperform Vision--Tactile--Language--Action Models
- Title（参考訳）: GPT-6-Astraによる触覚・視力の理解-触覚・言語・行動モデル-
- Abstract要約: 汎用マルチモーダルモデルは、直接的なロボットアクションポリシーとして約束されているが、それらが現実世界の相互作用の基礎となる物理を把握しているかどうかはまだ解明されていない。
本稿では,コンタクトリッチな操作を代表的テストベッドとして用い,触覚理解をこの幅広い能力の具体例として検討する。
本稿では, GPT-as-Tactile-Policyについて紹介する。
- 参考スコア（独自算出の注目度）: 51.175201003559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General-purpose multimodal models have shown promise as direct robot action policies, yet whether they grasp the physics underlying real-world interactions and can apply that understanding to guide action remains underexplored. We investigate this question using contact-rich manipulation as a representative testbed, examining tactile understanding as a concrete instance of this broader capability. Contact-rich manipulation requires interpreting tactile feedback and adjusting actions after obstruction. Existing learned tactile policies acquire these capabilities through specialized pretraining and per-task optimization, with substantial data and training costs. We present GPT-as-Tactile-Policy, which summarizes expert demonstrations into task guidance and tactile references for contact assessment and corrective action. GPT-6-Astra combines this context with multimodal observations and interaction history to generate control commands and adjust actions through contact feedback. Without additional robotics-specific pretraining or per-task policy fine-tuning, our method achieves 93.8\% mean success across five UniVTAC tasks. Overall performance is comparable to state-of-the-art policies, with higher success on selected tasks. On Insert Hole, tactile feedback improves success from 31\% to 99\%. Execution analysis further demonstrates contact-guided probing and correction, supporting manipulation progress through explicit expert experience and online feedback.
- Abstract（参考訳）: 汎用マルチモーダルモデルは、直接的なロボットアクションポリシーとして約束されているが、それらが現実世界の相互作用の基礎となる物理を把握し、その理解をガイドアクションに応用できるかどうかはまだ未定である。
本稿では,コンタクトリッチな操作を代表的テストベッドとして用い,触覚理解をこの幅広い能力の具体例として検討する。
コンタクトリッチな操作には触覚フィードバックの解釈と閉塞後の行動調整が必要である。
既存の学習された触覚ポリシーは、特定の事前トレーニングとタスクごとの最適化を通じて、かなりのデータとトレーニングコストでこれらの能力を取得する。
本稿では, GPT-as-Tactile-Policyについて紹介する。
GPT-6-Astraはこのコンテキストをマルチモーダル観測と相互作用履歴と組み合わせて制御コマンドを生成し、接触フィードバックを通じてアクションを調整する。
ロボット工学特有の事前訓練やタスクごとのポリシーの微調整がなければ、5つのUniVTACタスクで93.8\%の成功率を達成することができる。
全体的なパフォーマンスは最先端のポリシーに匹敵し、選択したタスクでより高い成功を収める。
Insert Holeでは、触覚フィードバックが31\%から99\%に改善する。
実行分析はさらに、接触誘導による探索と修正を実証し、明示的な専門家経験とオンラインフィードバックを通じて操作の進捗を支援する。
関連論文リスト
- Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning [71.88401072770884]
本稿では,軽量エージェント実行フレームワークを用いた閉ループロボット操作のためのGPT-6 Astraを体系的に評価する。
まず,3つの基本的具現化能力,深度知覚,文脈内学習,触覚理解を探索する。
次に、GPT-6 Astraを、6つの機能ディメンジョンに沿って、確立された5つのベンチマークで評価する。
論文 参考訳（メタデータ） (2026-10-20T14:15:04Z) - GPT-6 Astra Is a Native Visuo-Tactile Policy for Contact-Rich Manipulation [6.373390584411883]
GPT-6 アストラは、コンテキスト内学習を通じてロボット操作を行うために使用される。
我々は、Astraが直接視覚ベースの触覚イメージを解釈し、その接触手段を用いて操作する最初のデモンストレーションを提供する。
ビスオ触覚入力により、アストラは93.8%と81.8%の平均成功率を達成し、報告されている最強の専門家ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-10-19T17:59:17Z) - 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) - Evidence-Guided Counterfactual Learning for Long-Tailed Robotic Policies [50.7203420049558]
共有ロボット政策における頭部タスク行動バイアスについて検討し,特にタスク固有の視覚的エビデンスとの関係に着目した。
本研究の目的は,長期にわたるロボット政策のトレーニングフレームワークであるEvidence-Guided Counterfactual Learningを提案することである。
提案されたフレームワークは、追加のトレーニングデータもリージョンレベルのアノテーションも必要とせず、デプロイ中に追加の計算を行わない。
論文 参考訳（メタデータ） (2026-10-09T01:37:33Z) - OpenViTac: Learning and Benchmarking Visuo-Tactile Policies in a Unified Sim-and-Real Framework [75.4985659592173]
シミュレーションと実世界のロボットポリシーを評価するための,ビジュオ触覚操作ベンチマークであるOpenViTacを紹介する。
OpenViTacは、コンタクトリッチな操作を4つの触覚関連能力次元に編成する。
また、最も優れた表現と統合戦略を組み合わせた触覚増強フレームワークであるOpenVTLAについても紹介する。
論文 参考訳（メタデータ） (2026-10-07T16:43:29Z) - Wrench-ACT: Enhancing Robot Policies for Contact Rich Behavior Using Direct Wrench Control [8.98848679442351]
本稿では,純粋力制御器による直接使用のための唯一の動作出力としてレンチを予測できる模倣学習ポリシーを提案する。
両面のレンチデモでシングルタスクモデルを訓練し、5つのコンタクトリッチな操作タスクで評価する。
論文 参考訳（メタデータ） (2026-09-29T13:29:06Z) - TacForcing: Streaming Action Generation with Execution-Time Tactile Feedback [18.379891009665496]
我々は,実行時の触覚フィードバックを効果的に組み込んだストリーミングアクション生成フレームワークであるTacForcingを紹介した。
TacForcingにはExecution-Aware Tactile Attention (EATA)も導入されている。
6つのシミュレーションされたUniVTACタスクと3つの実世界のコンタクトリッチな操作タスクで、TacForcingは平均成功率65%と69%を達成した。
論文 参考訳（メタデータ） (2026-08-26T13:48:52Z) - TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。
TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。
高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
論文 参考訳（メタデータ） (2026-01-28T04:22:47Z)
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。