論文の概要: Tactile-Based Robotic Manipulation: From Mechanics-Driven to Data-Driven Perspectives
- arxiv url: http://arxiv.org/abs/2610.30438v1
- Date: Wed, 21 Oct 2026 20:49:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.134295
- Title: Tactile-Based Robotic Manipulation: From Mechanics-Driven to Data-Driven Perspectives
- Title（参考訳）: 触覚に基づくロボットマニピュレーション:機械駆動からデータ駆動へ
- Abstract要約: 触覚に基づく操作の研究は、メカニクス駆動のアプローチからデータ駆動のアプローチへと進化してきた。
まず、触覚センシングの基礎を紹介し、その後、メカニクス駆動の観点から、それらの信号がどのように操作関連状態表現を形成するのかをレビューする。
次に、データ駆動触覚操作の最近の進歩について、模倣学習、強化学習、視覚-言語-行動モデル、予測モデルについて検討する。
- 参考スコア（独自算出の注目度）: 9.076791370308761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tactile sensing provides robots with direct access to physical interactions at the contact interface, making it a critical modality for robust and dexterous manipulation. Over the past several decades, tactile-based manipulation research has evolved from mechanics-driven approaches, which explicitly interpret tactile signals through contact mechanics and task-specific reasoning, to data-driven approaches that learn tactile representations and manipulation policies directly from data. This paper reviews the development of tactile-based manipulation from these two complementary perspectives. We first introduce the fundamentals of tactile sensing, and then review, from a mechanics-driven perspective, how those signals form manipulation-relevant state representations and subsequently influence the robot action. We then examine the recent advances in data-driven tactile manipulation, covering imitation learning, reinforcement learning, vision-language-action models, and predictive models. Finally, we discuss open challenges and future opportunities toward scalable, generalizable, and robust tactile-enabled robotic systems.
- Abstract（参考訳）: 触覚は、ロボットに接触インターフェースの物理的相互作用に直接アクセスすることを可能にするため、堅牢で器用な操作にとって重要なモダリティとなる。
過去数十年にわたって、触覚に基づく操作の研究は、接触力学やタスク固有の推論を通じて触覚信号を明示的に解釈するメカニック駆動のアプローチから、触覚表現や操作ポリシーを直接データから学習するデータ駆動アプローチへと進化してきた。
本稿では,これら2つの相補的視点から触覚に基づく操作の展開を概観する。
まず,触覚センシングの基礎を機械的視点から紹介し,それらの信号がどのように操作関連状態表現を形成し,次にロボットの動作に影響を与えるかを検討する。
次に、データ駆動触覚操作の最近の進歩について、模倣学習、強化学習、視覚-言語-行動モデル、予測モデルについて検討する。
最後に、スケーラブルで汎用的で堅牢な触覚対応ロボットシステムに向けたオープンな課題と今後の機会について論じる。
関連論文リスト
- Tactile-Guided Robot Learning: From Representation Learning to Foundation Models [12.683053751062603]
触覚は、頑丈で適応的で器用なロボット操作の中心になりつつある。
既存の調査は主に触覚ハードウェアと知覚を強調している。
本稿では,触覚誘導型スキル学習を学習中心の観点からレビューする。
論文 参考訳（メタデータ） (2026-10-14T12:54:05Z) - TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport [4.73957714505574]
触覚力学は、類似の動作を持つが接触状態が異なる操作過程を区別するために、相互作用を意識する手がかりを提供する。
触覚誘導型最適輸送(TacOT)を導入する。
論文 参考訳（メタデータ） (2026-10-03T08:00:56Z) - Tactile Curiosity Drives Robot Interaction [111.87914899158069]
我々は触覚フィードバックが探究に自然なシグナルをもたらすと論じている。
私たちは、不確実性駆動探索にタッチを組み込んだフレームワークであるTacExを紹介します。
論文 参考訳（メタデータ） (2026-09-30T16:49:40Z) - Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning [128.76135832773102]
物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。
近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。
これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
論文 参考訳（メタデータ） (2026-08-02T14:22:01Z) - NoContactNoWorries: Estimating Contact through Vision and Proprioception for In-Hand Dexterous Manipulation [0.7378853859331618]
NoContactNoWorriesは、RGB-Dビジョンとロボットの受容とを融合してバイナリ接触状態を推測するフレームワークである。
提案手法は, 物体の逆方向を推定するために, 下流の強化学習エージェントをサポートすることを示す。
論文 参考訳（メタデータ） (2026-06-23T11:36:46Z) - TouchThinker: Scaling Tactile Commonsense Reasoning to the Open World with Large-scale Data and Action-aware Representation [50.608989079323784]
データと表現の両方の観点から,触覚コモンセンス推論をオープンワールドに拡張する触覚言語フレームワークであるTouchThinkerを提案する。
まず,Textbf415オブジェクト, textbf8シナリオ, textbf7センサタイプをカバーする,100万規模のマルチソース触覚推論データセットであるTouchThinker-1Mを構築した。
そこで本研究では,触覚表現効率を向上し,効率的な推論を可能にする行動認識モデリング機構を提案する。
論文 参考訳（メタデータ） (2026-06-10T03:58:32Z) - 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) - MimicTouch: Leveraging Multi-modal Human Tactile Demonstrations for Contact-rich Manipulation [8.738889129462013]
ミミックタッチ(MimicTouch)は、人手によるデモンストレーションから直接ポリシーを学ぶための新しいフレームワークである。
i)人間の触覚誘導制御戦略を学習するためのマルチモーダルな触覚データセットを収集する人間の触覚データ収集システム,i)そのようなデータを通して人間の触覚誘導制御戦略を学習するための模倣学習ベースのフレームワーク。
論文 参考訳（メタデータ） (2023-10-25T18:34:06Z) - 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)
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。