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/VLA/操作arXiv:2607.03387

予期せぬ感覚を捉える:残差触覚表現によるResTacVLAの接触豊富な操作

Feeling the Unexpected: ResTacVLA for Contact-Rich Manipulation via Residual Tactile Representation

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語行動モデルに触覚を統合する際、視覚特徴が触覚を覆い隠す問題を解決するため、視覚予測と実際の触覚の差を残差表現として用い、視覚的に予測できない重要な接触イベントを捉えるResTacVLAを提案した。

詳しい要約

1. どんなもの?

ResTacVLAは、接触を伴う操作タスクのためのVision-Language-Action (VLA)モデルに触覚を統合する手法を提案する。触覚データを生の入力として扱うのではなく、視覚的先行と物理的感覚の間の不一致を捉えるResidual Tactile Representationとして再構成する。これにより、視覚的に予測可能なダイナミクスをフィルタリングし、疎な触覚信号を高価値な情報に変換する。触覚残差はVector Quantized (VQ)ボトルネックで離散化され、視覚が見逃す重要なイベントを捉えるLatent Contact Primitivesを形成する。さらに、視覚的先行の不確実性を利用して触覚統合を適応的にゲートし、視覚が信頼できないフェーズで触覚を優先させる。

2. 先行研究と比べてどこがすごい?

先行研究では、触覚をVLAに統合する際に、高帯域の視覚特徴が疎な触覚キューを圧倒し、モダリティ崩壊が生じることが問題だった。ResTacVLAは、Predictive Codingの神経メカニズムに着想を得て、触覚を視覚的予測との残差として表現することで、帯域幅の不一致を本質的に解決する点が新しい。また、視覚的先行の不確実性に基づく適応的ゲーティングにより、視覚優位を明示的に防ぐ点も独自性がある。

3. 技術・手法の肝は?

手法の核は、触覚データを視覚的先行との残差として表現すること。具体的には、視覚情報から触覚を予測し、その予測誤差を触覚残差として抽出する。この残差はVQボトルネックで離散化され、Latent Contact Primitivesとして表現される。さらに、視覚的先行の不確実性(例:予測の分散)を推定し、その不確実性が高いときに触覚残差の統合を強化するゲーティング機構を導入する。これにより、視覚が信頼できない状況(動的擾乱など)で触覚が重要な役割を果たす。

4. どうやって有効だと検証した?

多様な接触を伴う操作タスクのセットで、ResTacVLAがすべてのベースラインを一貫して上回ることを実験で示した。また、予期しない動的擾乱に対するロバスト性も検証された。具体的なタスクやベースラインの詳細は要旨からは不明だが、プロジェクトページで公開されている。

5. 議論はある?

要旨からは、ResTacVLAの有効性は示されているが、限界や議論については明記されていない。例えば、触覚残差の計算に必要な視覚的先行の精度や、不確実性推定の計算コスト、実世界での適用可能性などが議論の余地がある。また、Predictive Codingのアナロジーがどの程度厳密か、他のモダリティへの拡張性なども不明。

6. 次に読むべき論文は?

要旨で参照されているPredictive Codingの神経メカニズムに関する研究、およびVision-Language-Action (VLA)モデルの基盤となる研究(例:RT-2、Octoなど)が関連する。また、触覚表現のためのVector Quantized (VQ)手法や、触覚と視覚の統合に関する既存研究(例:Tactile-VLA)も挙げられる。具体的な論文名は要旨にないため、一般名で示す。

※ 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: Pengwei Zhang, Bin Xie, Xinpan Meng, Xinyu Guo, Ce Hao, Fang Deng, Long Cheng, Tiancai Wang

分類: cs.RO

原文アブストラクト

Tactile perception is indispensable for contact-rich manipulation, yet integrating it into Vision-Language-Action (VLA) models often induces modality collapse, where high-bandwidth visual features overshadow sparse tactile cues. Inspired by Predictive Coding, a neural mechanism where the brain attenuates predictable inputs to prioritize surprising stimuli, we propose ResTacVLA. Rather than treating tactile data as raw input, we reformulate it as a Residual Tactile Representation capturing the discrepancy between visual priors and physical sensations. By filtering out visually predictable dynamics, this formulation transforms sparse tactile signals into dense, high-value information gain, thereby inherently resolving the bandwidth mismatch. These residuals are discretized through a Vector Quantized (VQ) bottleneck into Latent Contact Primitives that capture critical events missed by vision. Analogous to the neural surprise signal, we leverage the uncertainty of the visual prior to adaptively gate tactile integration, prioritizing residuals specifically during visually unreliable phases to explicitly prevent visual dominance. Experimental results show that ResTacVLA consistently outperforms all baselines on a diverse set of contact-rich manipulation tasks, while remaining robust to unexpected dynamic disturbances. Project page: https://awilekong.github.io/ResTacVLA/

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

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