論文の概要: TouchBridge: Tactile-Conditioned Human-to-Robot Transfer for Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2610.40349v1
• Date: Thu, 29 Oct 2026 16:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:29:15.052203
• Title: TouchBridge: Tactile-Conditioned Human-to-Robot Transfer for Dexterous Manipulation
• Title（参考訳）: TouchBridge: 触覚による人-ロボット間移動によるデキサスマニピュレーション
• Abstract要約: 我々は,人間からロボットへのデータ変換のためのハードウェア設計のフレームワークであるTouchBridgeを紹介する。 本稿では,触覚接触パッチを整列させる触覚条件付手法であるTac-Retargetを紹介する。
• 参考スコア（独自算出の注目度）: 37.226508795109396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human demonstrations offer an efficient and scalable source of data for dexterous robot manipulation, but differences in sensing and hand morphology complicate the transfer of contact-rich interactions. We present TouchBridge, a hardware--software co-designed framework for human-to-robot data transformation. A wearable human demonstration interface and a corresponding robot interface establish cross-embodiment correspondence in visual and fingertip tactile sensing. We introduce Tac-Retarget, a tactile-conditioned retargeting method that uses measured contact to align fingertip contact patches and preserve their spatial relations within and across hands. Unlike object-aware or simulation-based transfer pipelines, Tac-Retarget requires no object mesh, object-pose estimate, or physics simulation for retargeting, enabling direct and scalable conversion of human demonstrations into robot-domain training data. Combined with visual synthesis and camera-anchored action conversion, TouchBridge produces robot-domain demonstrations for fine-tuning a pretrained vision-language-action (VLA) model. Across four real-world contact-rich tasks, policies fine-tuned solely on TouchBridge-converted human demonstrations achieve a 72.5% average success rate, compared with 77.5% using an equal number of teleoperated robot demonstrations, while human demonstration collection is 7.0x faster. Under the same policy and training setup, Tac-Retarget outperforms DexPilot and UniDex by 25.0 and 42.5 percentage points, respectively.
• Abstract（参考訳）: 人間のデモンストレーションは、器用なロボット操作のための効率的でスケーラブルなデータソースを提供するが、感覚と手の形態の違いは、接触豊富な相互作用の伝達を複雑にする。 我々は,人-ロボットデータ変換のためのハードウェア-ソフトウェア共同設計フレームワークであるTouchBridgeを紹介する。 ウェアラブルな人体デモインタフェースとそれに対応するロボットインタフェースは、視覚および指先触覚知覚において、クロスボデーメント対応を確立する。 触覚条件付きリターゲティング手法であるTac-Retargetを導入し,指先接触パッチを調整し,手と手間の空間的関係を維持する。 オブジェクト認識やシミュレーションベースのトランスファーパイプラインとは異なり、Tac-Retargetでは、リターゲティングのためのオブジェクトメッシュやオブジェクトの見積、物理シミュレーションは必要とせず、人間のデモを直接かつスケーラブルにロボットドメインのトレーニングデータに変換することができる。 TouchBridgeは、視覚合成とカメラアンコールされたアクション変換を組み合わせることで、事前訓練された視覚言語アクション(VLA)モデルを微調整するためのロボットドメインのデモを生成する。 実際の4つのコンタクト豊富なタスクの中で、TouchBridgeで変換された人間のデモのみに微調整されたポリシーは72.5%の平均的な成功率を達成する。 同じ方針とトレーニング設定の下で、Tac-Retarget は DexPilot と UniDex をそれぞれ 25.0 と 42.5 で上回っている。

関連論文リスト

• InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
  自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。 まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。 第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。 第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
  論文  参考訳（メタデータ） (2026-10-05T17:59:50Z)
• 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)
• Unified Visual-Tactile-Action Modeling from Human Demonstrations for Dexterous Manipulation [19.452443308926487]
  有害な操作には触覚フィードバックが必要である。 人間のデモは、多様な触覚インタラクションのよりスケーラブルなソースを提供する。 我々は、人間の触覚データを活用して、巧妙な操作ポリシーを改善します。
  論文  参考訳（メタデータ） (2026-09-28T02:59:16Z)
• Touch2Robot: Robot Touch in the Human Demonstration Loop [4.894188027885703]
  Touch2Robotは、人間が対象のロボットがオブジェクトにどのように接触するかを確認しながら、デモを収集できるフレームワークだ。 我々は人間の手の動き、触覚手袋の測定、人間の操作時の物体の動きを捉える。 学習した動作を、人間の観測や物体形状をロボットの手の配置にマッピングする、統合されたリアルタイム再ターゲッターに蒸留する。
  論文  参考訳（メタデータ） (2026-09-21T14:26:51Z)
• Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
  Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。 主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。 ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
  論文  参考訳（メタデータ） (2026-09-18T09:06:15Z)
• 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)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)

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。