論文の概要: Semantics-to-Contact: A Stagewise Framework for Robust Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2611.07532v1
• Date: Thu, 05 Nov 2026 06:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.570998
• Title: Semantics-to-Contact: A Stagewise Framework for Robust Contact-Rich Manipulation
• Title（参考訳）: Semantics-to-Contact:ロバストコンタクトリッチ操作のための段階的フレームワーク
• Abstract要約: 本稿では,Semantics-to-Contact (S2C) と呼ばれる,視覚的に堅牢な接触リッチな操作のための段階的フレームワークを提案する。 最初の段階では、視覚言語モデルがタスク関連領域をローカライズし、粗い空間誘導と探索の負担を軽減する。 第2段階では、実世界の人間-ループ後続強化学習ポリシーは、力フィードバックを用いて局所領域内のきめ細かい接触挙動を学習する。
• 参考スコア（独自算出の注目度）: 46.316719176296324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contact-rich manipulation requires precise control under complex contact dynamics while remaining robust to diverse visual conditions. However, real-world reinforcement learning often overfits to the visual appearance of training scenes. We propose Semantics-to-Contact (S2C), a stagewise framework for visually robust contact-rich manipulation. The insight is to decompose the problem into two stages: semantic focusing and contact refinement. In the first stage, a vision-language model localizes task-relevant regions across visually diverse scenes, providing coarse spatial guidance and reducing the burden of exploration. In the second stage, a real-world human-in-the-loop residual reinforcement learning policy learns fine-grained contact behaviors within the localized region using force feedback. To further improve visual robustness, we introduce an object-centric visual augmentation strategy that randomizes background appearance while preserving the robot and task-relevant objects. Experiments on six contact-rich real-world manipulation tasks exhibit that S2C consistently improves success rates over strong baselines and maintains reliable performance under significant visual and positional variations. These results demonstrate that stagewise semantic focusing and contact refinement provide a practical path toward visually robust real-world contact-rich manipulation. Our demos can be seen in https://edem-ai.github.io/S2C/.
• Abstract（参考訳）: コンタクトリッチな操作は、複雑な接触力学の下で正確な制御を必要とするが、多様な視覚条件に頑健なままである。 しかし、実世界の強化学習は、しばしば訓練シーンの視覚的な外観に相応しい。 視覚的に堅牢な接触リッチな操作のための段階的フレームワークであるSemantics-to-Contact (S2C)を提案する。 その洞察は、問題をセマンティック・フォーカスとコンタクト・リファインメントの2つの段階に分解することである。 第1段階では、視覚言語モデルは視覚的に多様なシーンにまたがってタスク関連領域をローカライズし、粗い空間誘導と探索の負担を軽減する。 第2段階では、実世界の人間-ループ後続強化学習ポリシーは、力フィードバックを用いて局所領域内のきめ細かい接触挙動を学習する。 視覚的ロバスト性をさらに向上するため,ロボットやタスク関連オブジェクトを保存しながら,背景をランダムにするオブジェクト中心の視覚拡張戦略を導入する。 6つの接触に富んだ実世界の操作タスクの実験では、S2Cは強いベースラインよりも成功率を一貫して改善し、重要な視覚的および位置的変動の下で信頼性の高い性能を維持している。 これらの結果は,段階的セマンティック・フォーカスとコンタクト・リファインメントが,視覚的に堅牢な実世界のコンタクトリッチな操作への実践的な道のりを示唆している。 私たちのデモはhttps://edem-ai.github.io/S2C/で見ることができます。

関連論文リスト

• Praxis: Distilling Physical Interaction Priors from Egocentric Videos for Generalizable Whole-Body Manipulation [47.89088557016166]
  Praxisは体全体を操作するフレームワークで、物理的な相互作用をクローズドループ姿勢校正とオンライン知覚を組み合わせる。 このフレームワークは、目標対象物に対する視覚言語誘導ナビゲーション、アームハンドワークスペースを整列するためのクローズドループ姿勢校正、および上体と下体を同期する操作の3段階を協調する。 触覚フィードバックは触覚フィードバックが実際の接触条件に適応するのに対し、オンライン視覚フィードバックは新たなオブジェクトポーズとシーン構成の下での相互作用の幾何学を実証した。
  論文  参考訳（メタデータ） (2026-09-25T03:04:09Z)
• Learning Tactile-Aware Quadrupedal Loco-Manipulation Policies [33.25194785586049]
  階層構造を有する触覚対応ロコ操作ポリシー学習パイプラインを提案する。 まず、実世界の人間のデモを活用して、触覚条件付きビゾタクタクタブルな高レベルポリシーを訓練する。 第2に,触覚を意識した全身制御政策を学習するために,シミュレーションにおいて大規模強化学習を行う。
  論文  参考訳（メタデータ） (2026-04-29T21:46:58Z)
• ViTac-Tracing: Visual-Tactile Imitation Learning of Deformable Object Tracing [30.40752952825574]
  1次元(1D)と2次元(2D)の変形可能な物体追跡を実現するための新しい視覚触覚模倣学習法を提案する。 本手法は視覚的・触覚的センシングに基づく局所的・グローバル的な視点から設計する。
  論文  参考訳（メタデータ） (2026-03-19T11:35:26Z)
• Emerging Extrinsic Dexterity in Cluttered Scenes via Dynamics-aware Policy Learning [27.1809716948267]
  乱雑な環境下で,接触によって引き起こされる物体のダイナミクスを学習的に表現することで,政策学習を容易にするフレームワークを提案する。 提案手法は、包括的操作、人的遠隔操作、および事前表現に基づくポリシーを25%以上の成功率で上回る。
  論文  参考訳（メタデータ） (2026-03-10T16:40:30Z)
• DynaRend: Learning 3D Dynamics via Masked Future Rendering for Robotic Manipulation [52.136378691610524]
  本稿では、3次元認識と動的インフォームド三面体特徴を学習する表現学習フレームワークDynaRendを紹介する。 マルチビューRGB-Dビデオデータに基づく事前トレーニングにより、DynaRendは空間幾何学、将来のダイナミクス、タスク意味を統合された三面体表現で共同でキャプチャする。 我々は、RLBenchとColosseumという2つの挑戦的なベンチマークでDynaRendを評価し、政策成功率、環境摂動の一般化、様々な操作タスクにおける実世界の適用性などを大幅に改善した。
  論文  参考訳（メタデータ） (2025-10-28T10:17:11Z)
• Touch begins where vision ends: Generalizable policies for contact-rich manipulation [18.195865256382334]
  本稿では,微粒な操作タスクを解決するフレームワークであるVisuoTactile Local (ViTaL)ポリシー学習を紹介する。 ViTaLは、目に見えない環境でのコンタクトリッチなタスクで約90%の成功を達成している。
  論文  参考訳（メタデータ） (2025-06-16T17:59:48Z)
• HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
  HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。 我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。 この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-02T12:08:08Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• DynaVol: Unsupervised Learning for Dynamic Scenes through Object-Centric Voxelization [67.85434518679382]
  幾何学構造と物体中心学習を統一した3次元シーン生成モデルDynaVolを提案する。 鍵となるアイデアは、シーンの3D特性を捉えるために、オブジェクト中心のボキセル化を実行することである。 ボクセルの機能は標準空間の変形関数を通じて時間とともに進化し、グローバルな表現学習の基礎を形成する。
  論文  参考訳（メタデータ） (2023-04-30T05:29:28Z)

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。