力触覚を感じろ：人間の接触から学ぶ力制御マニピュレーション

- 人間の触覚行動を模倣して力に敏感なマニピュレーションを学習するロボット学習システム FeelTheForce (FTF) の提案。 - tactile glove で接触力を計測し、vision-based model で hand pose を推定。 - 閉ループ policy が操作に必要な力を連続予測し、Franka Panda ロボットへ再ターゲティング。 - 実行時は PD controller がグリッパ開閉を調整して予測力を追従。

- robot-collected data や simulation から学習した policy は実世界の多様な相互作用への汎化が難しい。 - 人間の自然な身体・日常環境でのデモンストレーションを直接学習に活用できる点が利点。 - 視覚デモのみでは精密な接触力を推測できない課題に対し、tactile glove で力を計測する点が先行手法と異なる。 - スケーラブルな人間 supervision で低レベル力制御を接地させる点が新規。

- tactile glove による接触力計測と vision-based model による hand pose 推定を組み合わせる。 - 力を連続予測する closed-loop policy を学習。 - shared visual and action representations を用いて Franka Panda と tactile gripper sensors に再ターゲティング。 - 実行時は PD controller がグリッパ閉鎖を変調し予測力を追従させる。

- 5 つの force-sensitive manipulation tasks で評価。 - 77% の成功率を達成したと報告。 - 詳細な比較条件やベースラインは要旨からは不明。

- 視覚デモのみの限界を触覚計測で補う設計の有効性を示唆。 - 人間の embodiment からロボットへの再ターゲティングの汎用性が議論点。 - 失敗事例やタスク間のばらつき、一般化範囲は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として robot-collected data からの imitation learning、simulation ベースの policy learning、visual demonstration のみの学習、tactile sensing を用いた manipulation 学習を挙げる。 - 具体的な論文名は要旨からは不明。