論文の概要: ForceLDM: A Force-aware Latent Dynamics Model for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2611.03294v1
• Date: Mon, 02 Nov 2026 15:31:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 12:44:02.002276
• Title: ForceLDM: A Force-aware Latent Dynamics Model for Contact-Rich Manipulation
• Title（参考訳）: ForceLDM: コンタクトリッチマニピュレーションのための力認識潜在ダイナミクスモデル
• Abstract要約: ForceLDMは、将来の接触と動きのダイナミクスを学習し、アクション生成をガイドする力認識潜在ダイナミクスモデルである。 実世界の5つのコンタクトリッチな操作タスクの実験は、ForceLDMが最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 14.108576445766557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contact-rich manipulation requires fine-grained control and complex physical interactions with the environment, posing significant challenges for robot policy learning. Vision-only policies struggle with such tasks, as contact states and interaction forces are difficult to infer from visual observations alone. Existing methods mitigate this issue by incorporating force or tactile sensing. However, they often treat these signals as auxiliary observations without fully exploiting their role in modeling future interaction dynamics. To address this, we propose ForceLDM, a force-aware latent dynamics model that learns future contact and motion dynamics to guide action generation. Rather than directly predicting future observations, which can entangle task-relevant dynamics with irrelevant sensory details, ForceLDM learns a compact representation of future dynamics through knowledge distillation. Specifically, a teacher network with privileged future force/torque and optical flow signals extracts future dynamic features, which are then distilled into a student network trained only on current observations. This enables the student model to reason about upcoming contacts and physical dynamics without relying on future sensory inputs at deployment. To improve robustness and generalization, we further introduce a curriculum-based progressive noise injection strategy to mitigate over-reliance on future features. Experiments on five real-world contact-rich manipulation tasks demonstrate that ForceLDM outperforms state-of-the-art baselines, generalizes effectively to novel objects, and remains robust to environmental perturbations. Project page and code are available at https://tpy001.github.io/ForceLDM/.
• Abstract（参考訳）: 接触に富んだ操作は環境との複雑な物理的相互作用ときめ細かな制御を必要とし、ロボットポリシー学習において重要な課題を提起する。 視覚のみの政策は、接触状態や相互作用力だけでは視覚的な観察から推測することが難しいため、このような課題に苦慮する。 既存の方法は、力や触覚を取り入れることでこの問題を軽減する。 しかし、これらの信号はしばしば、将来の相互作用力学をモデル化する上での役割を完全に活用することなく、補助的な観測として扱う。 これを解決するために,動作生成のガイドとなる将来の接触や動きのダイナミクスを学習する力認識潜在力学モデルであるForceLDMを提案する。 将来の観測を直接予測する代わりに、ForceLDMは知識蒸留を通して将来の力学のコンパクトな表現を学習する。 具体的には、将来の力/トルクと光フロー信号が特権化された教師ネットワークが将来のダイナミックな特徴を抽出し、現在の観測に基づいて訓練された学生ネットワークに蒸留する。 これにより、学生モデルは、配置時に将来のセンサー入力に頼ることなく、今後のコンタクトや物理的なダイナミクスを推論できる。 頑健性と一般化性を改善するため,今後の機能への過度依存を軽減するために,カリキュラムベースのプログレッシブノイズインジェクション戦略を導入する。 実世界の5つのコンタクトリッチな操作タスクの実験は、ForceLDMが最先端のベースラインより優れ、新しいオブジェクトに効果的に一般化し、環境の摂動に頑健であることを示した。 プロジェクトページとコードはhttps://tpy001.github.io/ForceLDM/で公開されている。

関連論文リスト

• 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)
• DreamMimic: Learning Visuomotor Whole-Body Loco-Manipulation via World Model [5.082137967180834]
  視覚に基づくヒューマノイドロボットの全身操作は、部分的観察性、接触豊かなダイナミクス、高次元視覚入力から長距離動作を学ぶことの難しさにより困難である。 本稿では,教師の特権的政策を世界モデルによる蒸留を通じて視覚ベースのヒューマノイドコントローラに蒸留する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-08-23T08:08:39Z)
• τ: Learning Touch-Augmented Vision-Language-Action Models from Future Visual Supervision [43.426795127841075]
  本稿では,視覚の視覚的監視から触覚表現を学習するタッチ拡張型視覚・言語・アクション(VLA)フレームワークを提案する。 また、4つの代表的なコンタクトリッチな操作タスクにまたがって、同期視覚、プロプレセプション、および視覚ベースの触覚信号のデータセットであるTacAuraを紹介する。
  論文  参考訳（メタデータ） (2026-07-27T14:25:15Z)
• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception [25.926187751777903]
  ToucHDは、触覚のアトミックアクション、実世界操作、タッチフォースペアデータにまたがる大規模な階層的触覚データセットである。 我々は,様々な光触覚センサのための汎用触覚表現学習フレームワークであるAnyTouch 2を提案する。
  論文  参考訳（メタデータ） (2026-02-10T10:05:53Z)
• Learning to Feel the Future: DreamTacVLA for Contact-Rich Manipulation [14.221542785249524]
  本稿では,VLAモデルを接点物理学の基盤として,未来感を学習するフレームワークであるDreamTacVLAを紹介する。 我々のモデルは、高解像度の触覚画像がマイクロビジョン入力として機能する階層的認識方式を採用している。 より詳細な接触力学の理解を深めるために,将来的な触覚信号を予測する触覚世界モデルを用いてシステムを微調整する。
  論文  参考訳（メタデータ） (2025-12-29T21:06:33Z)
• ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
  ForceVLAは、新しいエンドツーエンド操作フレームワークである。 外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
  論文  参考訳（メタデータ） (2025-05-28T09:24:25Z)
• Learning Reactive and Predictive Differentiable Controllers for Switching Linear Dynamical Models [7.653542219337937]
  専門家による実証から複合ダイナミクス行動を学習するためのフレームワークを提示する。 システムダイナミクスの近接近似としてスイッチング条件にエンコードされた接点を持つスイッチング線形ダイナミクスモデルを学ぶ。 次に、データ効率のよい制御学習のための微分可能なポリシークラスとして離散時間LQRを使用し、制御戦略を開発する。
  論文  参考訳（メタデータ） (2021-03-26T04:40:24Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)

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。