触覚VLA：視覚-言語-行動モデルの物理知識を触覚汎化へ解き放つ

- Vision-Language-Action (VLA) モデルに tactile sensing を深く融合した Tactile-VLA というフレームワークを提案する研究。 - 目的は contact-rich なタスクで fine-grained force control を可能にし、VLA の暗黙知を『何をするか』から『どう物理的に相互作用するか』へ拡張すること。 - hybrid position-force controller と tactile feedback に基づき戦略を適応させる reasoning module を備える。

- 従来の VLA は vision-language の豊富な暗黙知を持つが、contact-rich な物理相互作用への接地が不十分だった。 - 本手法は vision, language, action に tactile を加えた4モダリティ融合を実現。 - 特に VLM の prior knowledge に物理相互作用の semantic understanding が既に含まれることを示し、少数の demonstration でそれを活性化して zero-shot generalization を達成する点が新しい。

- vision, language, action, tactile を深く融合するフレームワーク。 - hybrid position-force controller によりモデルの意図を精密な物理動作へ変換。 - tactile feedback に基づいてロボットが戦略を適応させる reasoning module を搭載。 - VLM の prior knowledge を tactile sensor と少数の demonstration で結びつけ、zero-shot generalization を狙う設計。

- 3つの側面で有効性と汎化性を実験的に検証。 - tactile-aware instruction following の実現。 - tactile-relevant commonsense の活用。 - adaptive tactile-involved reasoning の促進。 - 詳細な実験設定・ベースライン・定量結果は要旨からは不明。

- VLM の prior knowledge が物理相互作用の semantic understanding を含むという知見を提示。 - 少数 demonstration で prior knowledge を活性化し zero-shot generalization が可能と主張。 - 限界・失敗事例・tactile sensor 依存性・スケーラビリティ等の議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として Vision-Language-Action (VLA) モデル、hybrid position-force control、tactile sensing を用いたロボット学習、VLM の prior knowledge 活用に関する研究を次に読むべき候補として挙げる。