日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2601.19275

触覚記憶を備えたソフトロボット:マスク付きエンコーディングとソフト手首による堅牢な物体挿入

Tactile Memory with Soft Robot: Robust Object Insertion via Masked Encoding and Soft Wrist

シェア:XThreadsFacebookLINEはてブBluesky

ソフト手首と触覚検索ベース制御を統合し、マスク付き触覚軌道トランスフォーマーで時空間表現を学習することで、不確実性下でのペグ挿入を堅牢に実現した。

詳しい要約

1. どんなもの?

- 接触を伴うタスク(例:鍵挿入)のための触覚記憶システム。 - ソフトリストと触覚検索ベース制御を統合したTaMeSo-botを提案。 - ソフトリストが安全な接触探索を可能にし、触覚記憶が過去のデモを再利用して未知シナリオに適応。 - 中核はMasked Tactile Trajectory Transformer (MAT$^\text{3}$)で、行動・触覚・力覚・固有感覚を統合モデル化。

2. 先行研究と比べてどこがすごい?

- 従来の接触リッチタスク手法と比較して、触覚記憶を活用し未知のペグや条件への適応能力が高い。 - 明示的なサブタスク分割なしにタスク関連特徴を自動抽出。 - 全ての条件でベースラインより高い成功率を達成。

3. 技術・手法の肝は?

- ソフトリストによりデータ収集時の安全な接触探索を実現。 - 触覚検索ベース制御で過去のデモを再利用。 - MAT$^\text{3}$がマスク付きトークン予測を通じて時空間表現を学習。 - ロボット行動、分散触覚フィードバック、力-トルク測定、固有感覚信号の時空間相互作用を同時にモデル化。

4. どうやって有効だと検証した?

- 実ロボット実験で多様なペグと条件のペグインホールタスクを実施。 - 全ての条件でMAT$^\text{3}$がベースラインより高い成功率を示し、未知のペグや条件への適応能力を確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてMasked Tactile Trajectory Transformer (MAT$^\text{3}$)や触覚記憶、ソフトリスト、触覚検索ベース制御が挙げられる。 - 同分野の定番として、触覚センシングや模倣学習、Transformerベースのロボット学習に関する論文が考えられる。

※ 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: Tatsuya Kamijo, Mai Nishimura, Cristian C. Beltran-Hernandez, Nodoka Shibasaki, Masashi Hamaya

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Tactile memory, the ability to store and retrieve touch-based experience, is critical for contact-rich tasks such as key insertion under uncertainty. To replicate this capability, we introduce Tactile Memory with Soft Robot (TaMeSo-bot), a system that integrates a soft wrist with tactile retrieval-based control to enable safe and robust manipulation. The soft wrist allows safe contact exploration during data collection, while tactile memory reuses past demonstrations via retrieval for flexible adaptation to unseen scenarios. The core of this system is the Masked Tactile Trajectory Transformer (MAT$^\text{3}$), which jointly models spatiotemporal interactions between robot actions, distributed tactile feedback, force-torque measurements, and proprioceptive signals. Through masked-token prediction, MAT$^\text{3}$ learns rich spatiotemporal representations by inferring missing sensory information from context, autonomously extracting task-relevant features without explicit subtask segmentation. We validate our approach on peg-in-hole tasks with diverse pegs and conditions in real-robot experiments. Our extensive evaluation demonstrates that MAT$^\text{3}$ achieves higher success rates than the baselines over all conditions and shows remarkable capability to adapt to unseen pegs and conditions.

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. 2newmo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
  3. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI