論文の概要: Language-Grounded Force/Torque Pretraining for Extrinsic Contact Perception

• arxiv url: http://arxiv.org/abs/2610.39314v1
• Date: Thu, 29 Oct 2026 03:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 00:14:58.707496
• Title: Language-Grounded Force/Torque Pretraining for Extrinsic Contact Perception
• Title（参考訳）: 外部接触知覚のための言語周囲力/トルク事前学習
• Abstract要約: 微妙な操作では、把握された物体が環境に接触したり変化したりするかどうかをロボットが認識する必要がある。 力とトルクの信号はこの情報を伝達するが、物体の重み、グリップ構成、ロボットの動きによっても異なる。 両眼の6軸力/トルクヒストリーは,意味的に構造化された物理的表現として事前訓練可能であることを示す。
• 参考スコア（独自算出の注目度）: 8.059325515881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine manipulation requires robots to recognize when a grasped object makes or changes contact with its environment, yet such extrinsic contact is not always directly observable from vision or local contact geometry. Force and torque signals carry this information, but also vary with object weight, grasp configuration, and robot motion, leaving it unclear whether they can provide a reusable representation of physical state. Here we show that bilateral six-axis force/torque histories can be pretrained as a semantically structured physical representation by aligning them with a frozen language space using supervision generated from simulated pick-and-place interactions. On unseen objects in simulation, the learned representation supports text-prototype readout of robot action, object weight, and grasp interaction. In real-world placement, unlabeled calibration enables contact and support-state recognition without updating the encoder, outperforming a vertical-force sign-reversal rule baseline. For connector insertion, an event absent from pretraining, low-rank adaptation improves data-efficient learning over training from scratch. These results show that force/torque histories can support both direct readout of known physical states and efficient adaptation to new extrinsic-contact events.
• Abstract（参考訳）: 微細な操作では、把握された物体がその環境にいつ接触するかをロボットが認識する必要があるが、そのような外在的な接触は必ずしも視覚や局所的な接触幾何学から直接観察できるとは限らない。 力とトルクの信号は、この情報を伝達するが、物体の重み、握り方、ロボットの動きによっても異なる。 ここでは、擬似的なピック・アンド・プレイス相互作用から生成された監督を用いて、これらを凍結した言語空間と整列させることにより、左右の6軸力/トルク履歴を意味的に構造化された物理表現として事前訓練することができることを示す。 シミュレーション中の未確認オブジェクトでは、学習された表現は、ロボットアクションのテキストプロトタイプの読み出し、オブジェクトの重み付け、相互作用の把握をサポートする。 実世界の配置において、ラベルなしキャリブレーションは、エンコーダを更新することなく、接触とサポート状態の認識を可能にし、垂直方向の符号反転ルールベースラインよりも優れている。 コネクタ挿入では、事前トレーニングを欠いたイベントが低ランク適応によって、スクラッチからトレーニングよりもデータ効率の学習が向上する。 これらの結果から、力/トルク履歴は、既知の物理的状態の直接読み出しと、新しい外部接触事象への効率的な適応の両方をサポートすることが示唆された。

関連論文リスト

• Decoupling Action from Egocentric Observation for World Simulation [90.38609292843644]
  エゴセントリックな行動伝達は、エゴセントリックな観察からセマンティックな行動を切り離し、新しい視覚的文脈でそれらを再現することを目的としている。 本稿では,エゴセントリックな行動伝達のためのテストタイムフレームワークであるEgoACTについて紹介する。 EgoActionBenchは、多様なエゴセントリックな操作シナリオにおいて、アクションの保存、視覚的品質、手動の可視性を評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-10-20T09:52:46Z)
• 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)
• Contact-Aware Imitation Learning Through Contact Factorization [8.235119281001591]
  汎用的なコンタクトリッチな操作は、物理的な実現を接触条件の変化に適応させながら、意図したタスク動作を維持することをロボットに要求する。 本研究では,環境に依存した接触要因から意図したタスク動作を分離する,コンタクトファクターによる模倣学習フレームワークであるFACEを紹介する。 表面特性と幾何の相違による実ロボット接触リッチな操作におけるFACEの評価を行った。
  論文  参考訳（メタデータ） (2026-10-07T06:36:48Z)
• From Wearable Interfaces to Dexterous Policies: Contact Shifts and Tactile Representations [0.9134244356393667]
  ウェアラブルインターフェースは、オペレーターがタスクオブジェクトと直接対話しながら、手の動きを通じて巧妙なデモを収集することを可能にする。 この直接的な相互作用は、収集中の対象ロボットへの依存を減らすだけでなく、各デモンストレーションを生成する物理プロセスのハードウェア部分も収集する。 ロボットのコマンド定義,マッピング手順,触覚モジュールタイプを共有するDexUMIファミリーエクソ骨格の2つのバージョンについて検討した。 改訂されたインターフェースは、報告された物理的要求を低減し、選択されたデバイスレーティングを改善し、ベースラインによって機械的にブロックされる精度の把握における触覚アクセスを可能にし、タスク依存的な変更を発生させる。
  論文  参考訳（メタデータ） (2026-10-06T03:22:47Z)
• Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
  ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。 これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。 その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
  論文  参考訳（メタデータ） (2026-10-05T11:08:50Z)
• 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)
• DragMesh-2: Physically Plausible Dexterous Hand-Object Interaction with Articulated Objects [12.35353010124029]
  調音物体との有害な相互作用は、家庭、補助、ヒューマノイド操作において重要である。 そこでDragMesh-2について述べる。 また,身体情報を利用した接触認識学習機構であるPICAを提案する。
  論文  参考訳（メタデータ） (2026-06-13T05:47:14Z)
• Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
  ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。 本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。 スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
  論文  参考訳（メタデータ） (2026-02-14T16:05:08Z)
• UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
  そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。 UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する 高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
  論文  参考訳（メタデータ） (2026-02-01T11:03:01Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)

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。