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:2607.20683

FELT: 視覚から触覚信号を生成する視触覚操作のためのフレームワーク

FELT: Generating Tactile Signals from Vision for Visuo-Tactile Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

RGB画像から指ごとの圧力触覚画像を生成する学習ベースのフレームワークを提案し、触覚データの不足を補い、視触覚ポリシーの性能を向上させる。

詳しい要約

1. どんなもの?

FELT (Feature-Extracted Latent Tactile) は、RGB観測から指ごとの圧力触覚画像を合成する学習ベースのフレームワーク。視覚のみのデータに触覚観測を補完し、視覚-触覚操作ポリシーの学習に必要な実触覚データ収集の負担を軽減する。推論時はRGBのみを必要とし、生成された触覚画像または潜在触覚特徴をポリシーに提供する。

2. 先行研究と比べてどこがすごい?

従来の視覚-触覚統合は実触覚センサからのデータを必要とし、触覚データは視覚データより希少で収集が困難だった。FELTは大規模な凍結視覚エンコーダと軽量クエリデコーダを用いてRGBから触覚を直接合成することで、実触覚センサなしで視覚のみのデータを触覚データで増強できる点が新しい。

3. 技術・手法の肝は?

手法の肝は、大規模な凍結視覚エンコーダ(例:ViT)と軽量クエリデコーダによる単一フィードフォワードパスでの触覚予測。また、二本指触覚センサの物理的トポロジーを尊重し、左右のセンサパネルを別々のブランチでデコードすることで、拭き取り、挿入、手内回転などの非対称な接触パターンを捉える。

4. どうやって有効だと検証した?

4つの接触リッチな操作タスク(拭き取り、挿入、手内回転など)で実験。生成された触覚画像と潜在触覚特徴の両方が、視覚のみのベースラインと比較してポリシーの成功率を向上させることを実証。潜在特徴はポリシー訓練・展開中に実触覚センサを必要としない。

5. 議論はある?

要旨からは、生成された触覚画像と潜在特徴の比較、実触覚センサの必要性、一般化の限界、計算コスト、実世界での適用可能性などについての詳細な議論は不明。

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-触覚操作、触覚センシング、視覚からの触覚予測、大規模視覚エンコーダの利用に関する研究が関連する。具体的には、"Visuo-Tactile Manipulation"、"Tactile Sensing"、"Cross-Modal Prediction"、"Frozen Visual Encoders"などのキーワードで検索される論文が挙げられる。

※ 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: Zinan Li, Yiyang Ling, Yuming Gu, Binghao Huang, Chenhao Liang, Sharfin Islam, Hisham Bedri, John Chirikjian, Yunzhu Li, Stefanos Nikolaidis, Daniel Seita

分類: cs.RO

原文アブストラクト

The sense of touch is central to manipulation, especially when vision is occluded or ambiguous. Although combining vision and touch improves manipulation, learning robust visuo-tactile policies requires substantial tactile data. Such data remains scarcer than visual data, because tactile sensors are fragile, specialized, and hard to standardize. To address this, we present Feature-Extracted Latent Tactile (FELT), a learning-based framework that synthesizes per-finger pressure tactile images from RGB observations, reducing the need for tactile-equipped data collection. FELT uses a large frozen visual encoder and a lightweight query decoder to predict tactile signals in a single feed-forward pass. To respect the physical topology of dual-finger tactile sensors, FELT decodes the left and right tactile sensor panels through separate branches, capturing the asymmetric contact patterns during interactions such as wiping, insertion, and in-hand rotation. At inference time, FELT only requires RGB data, allowing us to augment existing vision-only data with tactile observations, either as generated tactile images or as latent tactile features. Experiments on four contact-rich manipulation tasks demonstrate that both generated tactile images and latent tactile features improve policy success over vision-only baselines, with latent feature requiring no real tactile sensor during policy training or deployment. Supplementary material is available on our anonymous website: https://felt-tactile.github.io/.

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