日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

触覚arXiv:2508.01361

VLH:視覚・言語・触覚基盤モデル

VLH: Vision-Language-Haptics Foundation Model

シェア:XThreadsFacebookLINEはてブBluesky

視覚と言語の理解から空中での力覚・振動フィードバックを生成する基盤モデルVLHを提案し、ドローンとVRで人間とのインタラクション性能を評価した。

詳しい要約

1. どんなもの?

- 視覚・言語・触覚を統合した **VLH (Vision-Language-Haptics Foundation Model)** を提案 - 空中ロボティクスと VR を対象に、知覚・言語・触覚フィードバックを統合 - ハプティクスを二次的・反応的なチャネルではなく、視覚的文脈理解と言語命令から直接生成 - mid-air の力覚・振動キューを合成 - プラットフォーム構成 - 8-inch quadcopter に dual inverse five-bar linkage arrays を搭載し局所ハプティクスを実現 - egocentric VR camera と exocentric top-down view を備える

2. 先行研究と比べてどこがすごい?

- 先行研究はハプティクスを二次的・反応的なチャネルとして扱う傾向 - VLH は視覚的文脈理解と言語命令の直接的な帰結として mid-air の力覚・振動キューを合成 - 知覚推論・意図とハプティクスを共進化させる点が差異 - 具体的な先行研究名や定量比較は要旨からは不明

3. 技術・手法の肝は?

- 視覚入力と言語命令を fine-tuned **OpenVLA** backbone で処理 - **LoRA** により 450 の multimodal scenarios からなる独自データセットで適応 - 出力は 7 次元 action vector (Vx, Vy, Vz, Hx, Hy, Hz, Hv) - **INT8 quantization** と高性能サーバで 4-5 Hz のリアルタイム動作を実現 - ハードウェアは dual inverse five-bar linkage arrays による局所ハプティクス actuation

4. どうやって有効だと検証した?

- human-robot interaction 実験 90 flights を実施 - target acquisition 成功率 56.7%、mean reach time 21.3 s、pose error 0.24 m - texture discrimination は 100% 精度 - 新規タスクでの generalization テスト - visual 70.0%、motion 54.4%、physical 40.0%、semantic 35.0%

5. 議論はある?

- ハプティクスを視覚・言語と共進化させ、表現豊かで没入的な human-robot interaction を進展させると主張 - 限界や失敗要因の分析、議論の詳細は要旨からは不明 - generalization の physical 40.0%、semantic 35.0% など低性能タスクの考察は要旨からは不明

6. 次に読むべき論文は?

- 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 **OpenVLA**、**LoRA**、**INT8 quantization** が挙げられる - 同分野の定番として vision-language-action (VLA) モデルや mid-air haptics に関する研究を次に読む候補として検討

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Luis Francisco Moreno Fuentes, Muhammad Haris Khan, Miguel Altamirano Cabrera, Valerii Serpiva, Dmitri Iarchuk, Yara Mahmoud, Issatay Tokmurziyev, Dzmitry Tsetserukou

分類: cs.RO

原文アブストラクト

We present VLH, a novel Visual-Language-Haptic Foundation Model that unifies perception, language, and tactile feedback in aerial robotics and virtual reality. Unlike prior work that treats haptics as a secondary, reactive channel, VLH synthesizes mid-air force and vibration cues as a direct consequence of contextual visual understanding and natural language commands. Our platform comprises an 8-inch quadcopter equipped with dual inverse five-bar linkage arrays for localized haptic actuation, an egocentric VR camera, and an exocentric top-down view. Visual inputs and language instructions are processed by a fine-tuned OpenVLA backbone - adapted via LoRA on a bespoke dataset of 450 multimodal scenarios - to output a 7-dimensional action vector (Vx, Vy, Vz, Hx, Hy, Hz, Hv). INT8 quantization and a high-performance server ensure real-time operation at 4-5 Hz. In human-robot interaction experiments (90 flights), VLH achieved a 56.7% success rate for target acquisition (mean reach time 21.3 s, pose error 0.24 m) and 100% accuracy in texture discrimination. Generalization tests yielded 70.0% (visual), 54.4% (motion), 40.0% (physical), and 35.0% (semantic) performance on novel tasks. These results demonstrate VLH's ability to co-evolve haptic feedback with perceptual reasoning and intent, advancing expressive, immersive human-robot interactions.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI