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/操作arXiv:2607.07287

TouchWorld: 器用な操作のための予測・反応型触覚基盤モデル

TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

触覚を予測と高速フィードバックの両方に活用する階層型ポリシーを提案し、視覚言語によるタスク計画と触覚による接触適応を分離することで、長期的な操作タスクの成功率を向上させた。

詳しい要約

1. どんなもの?

TouchWorldは、器用な操作のための予測的かつ反応的な触覚基盤モデルである。視覚と言語は意味的・幾何学的ガイダンスを提供するが、力、滑り、接触安定性などの隠れた接触状態を確実に明らかにできない。TouchWorldは、触覚を低頻度の観測ストリームとして扱う従来のモノリシックな方策とは異なり、階層的な方策を導入する。この方策は、視覚言語によるサブタスク計画、触覚世界モデル予測、視触覚目標条件付きアクション生成、高周波の触覚残差修正を分離する。

2. 先行研究と比べてどこがすごい?

先行研究では、触覚を低頻度の観測としてモノリシックなアクションモデルに組み込み、遅いタスク推論、アクション生成、速い接触フィードバックを単一ループで結合していた。TouchWorldは、触覚を予測的接触参照と高速フィードバック信号の両方として使用し、視覚言語アクション方策の意味的一般化を維持しながら、局所的な接触適応を改善する点で優れている。

3. 技術・手法の肝は?

TouchWorldは階層的な方策を採用する。High-Level Planning Layerは実行可能なサブタスクを生成し、触覚サブゴールを予測する。Visuo-Tactile Goal-Conditioned Policyは名目上のアクションチャンクを生成する。Tactile-Conditioned Refinement Policyは、最近の触覚と固有受容フィードバックを使用してオンラインの残差修正を行う。これにより、触覚を予測と反応の両方に活用する。

4. どうやって有効だと検証した?

6つの長期的で接触の多い器用な操作タスクにおいて、クリーンな設定で65.0%の成功率、人間の摂動下で53.7%の成功率を達成し、最強のベースラインをそれぞれ15.7ポイントと18.5ポイント上回った。

5. 議論はある?

要旨からは、議論や限界についての詳細は不明。ただし、TouchWorldは触覚を予測と反応の両方に使用することで、視覚言語アクション方策の意味的一般化を維持しつつ、局所的な接触適応を改善することを示している。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、視覚言語アクション方策、触覚基盤モデル、階層的強化学習、器用な操作に関する研究が関連する。具体的には、VLA (Vision-Language-Action) モデルや触覚センシングを用いた操作方策の研究が挙げられる。

※ 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: Jianyi Zhou, Feiyang Hong, Yunhao Li, Yicheng Zhao, Yongjue Cen, Zirui Liu, Jiakang Huang, Zirui Chen, Ruiyang Zhang, Weizhuo Zhu, Xuhua Song, Shuo Yang

分類: cs.RO

原文アブストラクト

Dexterous manipulation in everyday environments requires both anticipation and reaction: a robot must predict how contact should evolve while rapidly correcting local errors caused by slip, misalignment, unstable grasping, or force mismatch. Vision and language provide semantic and geometric guidance, but they cannot reliably reveal hidden contact states such as force, slip, and contact stability. Although tactile sensing exposes these physical cues, most existing policies treat touch as a low-frequency observation stream within a monolithic action model, coupling slow task reasoning, action generation, and fast contact feedback in a single loop. We introduce TouchWorld, a predictive-and-reactive tactile foundation model for dexterous manipulation. TouchWorld uses a hierarchical policy that separates vision-language subtask planning, tactile world-model prediction, visuo-tactile goal-conditioned action generation, and high-frequency tactile residual refinement. A High-Level Planning Layer produces executable subtasks and predicts tactile subgoals; a Visuo-Tactile Goal-Conditioned Policy generates nominal action chunks; and a Tactile-Conditioned Refinement Policy performs online residual correction using recent tactile and proprioceptive feedback. By using touch as both a predictive contact reference and a fast feedback signal, TouchWorld preserves the semantic generalization of vision-language-action policies while improving local contact adaptation. Across six long-horizon and contact-rich dexterous manipulation tasks, TouchWorld achieves 65.0% success in the clean setting and 53.7% success under human perturbations, outperforming the strongest baseline by 15.7 and 18.5 percentage points, respectively.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI