論文の概要: GelSlim 5.0: Unifying Vision and Touch with a Single Fingertip Camera

• arxiv url: http://arxiv.org/abs/2610.31334v1
• Date: Thu, 22 Oct 2026 14:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.4055
• Title: GelSlim 5.0: Unifying Vision and Touch with a Single Fingertip Camera
• Title（参考訳）: GelSlim 5.0:一眼レフカメラで視覚とタッチを統一
• Abstract要約: 視覚とタッチは、物体のポーズと局所的な接触幾何学の手がかりを提供するが、外部カメラは、しばしば接触部位に隠されている。 GelSlim 5.0は1つの固定カメラと連続UV応答性接触層で視覚・触覚観察を行う指先センサである。
• 参考スコア（独自算出の注目度）: 17.09050461460531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision and touch provide complementary cues for object pose and local contact geometry, but external cameras are often occluded at the contact site. We present GelSlim 5.0, a fingertip sensor that acquires visual and tactile observations with one fixed camera and a continuous UV-responsive contact layer. By switching illumination, the camera sequentially acquires through-membrane visual images and contact-sensitive tactile images from a shared viewpoint, avoiding inter-camera extrinsic calibration. To combine these observations, we introduce VisTacFusion, a multimodal transformer with separate prediction paths for planar object pose and contact geometry. Asymmetric bottleneck fusion incorporates visual context while preserving tactile spatial features for depth and surface-normal estimation. Modality dropout enables inference with paired inputs or either modality alone. On real validation data from 12 known objects, paired inputs reduce depth MSE, angular error, and translation $L_1$ by 61.2%, 72.3%, and 61.3%, respectively, relative to tactile-only inference with the same model. Relative to visual-only inference, the corresponding reductions are 93.7%, 6.1%, and 8.6%.
• Abstract（参考訳）: 視覚とタッチは、オブジェクトのポーズと局所的な接触形状を補完する手段を提供するが、外部カメラは、しばしば接触部位に隠されている。 GelSlim 5.0は1つの固定カメラと連続UV応答性接触層で視覚・触覚観察を行う指先センサである。 照明を切り替えることで、カメラは、カメラ間外的キャリブレーションを回避して、透過膜視覚画像と接触感応触覚画像とを共有視点から順次取得する。 これらの観測を組み合わせるために、平面オブジェクトのポーズと接触形状を別々に予測するマルチモーダルトランスであるVisTacFusionを導入する。 非対称なボトルネック融合は、深度と表面正規推定のための触覚空間的特徴を保持しながら、視覚的コンテキストを取り入れている。 モダリティのドロップアウトは、ペア入力またはモダリティ単独での推論を可能にする。 12の既知のオブジェクトからの実際の検証データでは、ペア化された入力は深度MSE、角誤差、翻訳コストL_1$をそれぞれ61.2%、72.3%、61.3%削減する。 視覚のみの推測と比較して、対応する減少率は93.7%、6.1%、および8.6%である。

関連論文リスト

• Multi-View Unified Camera Fields: Geometry-Shaped Action-Facing Representations for RGB-Only Multi-Camera VLA Policies [12.27577524307746]
  Multi-View Unified Camera Fields (MVUCF) は、ビューをまたいだ共有アクション対応潜在フィールドを形成するトレーニング専用フレームワークである。 ジオメトリインジェクション、奥行き、カメラキャリブレーション、補助ヘッドが取り除かれた後、配置は、追加の推論FLOPを持たない元のRGBのみのグラフを使用する。
  論文  参考訳（メタデータ） (2026-08-03T07:36:09Z)
• Seeing Touch from Motion: A Unified Modality-Aware Visuo-Tactile Policy with Tactile Motion Correlation [74.87716678195099]
  光触覚センサーを利用した視覚触覚ポリシーは、コンタクトリッチな操作において大きな可能性を秘めている。 これらの利点にもかかわらず、接触リッチな操作に必要なきめ細かい接触状態の抽出は未解決の課題である。 本研究では,触覚を触覚で認識し,触覚を触覚で表現する手法を提案する。
  論文  参考訳（メタデータ） (2026-06-29T08:20:18Z)
• You Only Touch Once: 6-DoF Object Pose Estimation from Single Tactile Contact [42.491016490387466]
  YOTOは、一対の同時接触から全6-DoFオブジェクトのポーズを復元する触覚のみのポーズ推定システムである。 YOTOは、各触覚接触を局所的な3D点雲として表現し、粗いネットワークを介して物体表面に局在させる。 4つの幾何学的多彩な物体に対する実験は、正確な触覚接触位置定位とポーズ推定、視覚ベースおよび幾何学的ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-06-27T13:12:57Z)
• MVTrack4Gen: Multi-View Point Tracking as Geometric Supervision for 4D Video Generation [50.65653874052261]
  MVTrack4Genは、カメラコンディショニングのみの新規ビュービデオ拡散モデルのためのモーションアウェアトレーニングフレームワークである。 我々の重要な発見は、特定の注意層が強い対応の手がかりを符号化することであり、そこでは、クエリ機能は幾何学的に対応する場所で重要な特徴に付随する。 これらの動き認識対応を明示的に強化することにより、MVTrack4Genは既存のモデルを改善し、参照ビューにおける動きをより良く追従し、クロスビューの幾何的一貫性を維持する。
  論文  参考訳（メタデータ） (2026-06-24T17:56:33Z)
• Sparse BEV Fusion with Self-View Consistency for Multi-View Detection and Tracking [15.680801582969393]
  SCFusionは、マルチビュー機能統合を改善するための3つのテクニックを組み合わせたフレームワークである。 SCFusionは最先端のパフォーマンスを達成し、WildTrackで95.9%、MultiviewXで89.2%を記録した。
  論文  参考訳（メタデータ） (2025-09-10T09:06:41Z)
• Collision-aware In-hand 6D Object Pose Estimation using Multiple Vision-based Tactile Sensors [4.886250215151643]
  物体表面に沿ったセンサの空間的配置が考えられる理由を考察する。 選択したセンサー構成を用いて6Dポーズの空間を最適化する。 得られたポーズは、センサーと衝突しているポーズをペナルティ化することでランク付けする。
  論文  参考訳（メタデータ） (2023-01-31T14:35:26Z)
• MSMDFusion: Fusing LiDAR and Camera at Multiple Scales with Multi-Depth Seeds for 3D Object Detection [89.26380781863665]
  自律運転システムにおける高精度で信頼性の高い3次元物体検出を実現するためには,LiDARとカメラ情報の融合が不可欠である。 近年のアプローチでは、2次元カメラ画像の3次元空間への昇華点によるカメラ特徴のセマンティックな密度の探索が試みられている。 マルチグラニュラリティLiDARとカメラ機能とのマルチスケールなプログレッシブインタラクションに焦点を当てた,新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-07T12:29:29Z)
• DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection [83.18142309597984]
  ライダーとカメラは、自動運転における3D検出を補完する情報を提供する重要なセンサーである。 我々はDeepFusionという名前の汎用マルチモーダル3D検出モデル群を開発した。
  論文  参考訳（メタデータ） (2022-03-15T18:46:06Z)
• Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
  触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。 EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。 さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:49:59Z)
• Tactile Object Pose Estimation from the First Touch with Geometric Contact Rendering [19.69677059281393]
  本稿では, 既知物体に対する第1タッチからの触覚ポーズ推定手法を提案する。 実際の触覚観測から接触形状への物体認識マップを作成する。 既知の幾何を持つ新しい物体に対して、シミュレーションで完全に調整された知覚モデルを学ぶ。
  論文  参考訳（メタデータ） (2020-12-09T18:00:35Z)

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。