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:2607.23783

N0-TWAM: 接触を伴う操作のための触覚ネイティブな世界行動モデルの大規模化

$N_0$-TWAM: Scaling Tactile-Native World-Action Model for Contact-Rich Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

触覚情報を活用し、将来の視覚と接触を予測する世界行動モデルを大規模に事前学習し、接触を伴う操作タスクでの性能を実証した。

詳しい要約

1. どんなもの?

N_0-TWAMは、接触を伴う操作タスクのために、将来の視覚と将来の接触の両方を予測する触覚ネイティブのworld-action modelである。大規模に訓練された最初の触覚world-action modelであり、6つのembodimentと450タスクにわたる触覚リッチなデモンストレーションを用いた視触覚合同訓練により事前学習される。統一された力ベースの触覚表現であるNeoForceを用いて物理的に接地された接触信号を形成し、行動生成を条件付ける。また、長期的かつ多段階の操作を改善するために、触覚接触イベントを導入してタスクを段階付け、実行中にそれらを進める。リアルタイム効率のため、ビデオ予測用のフル幅エキスパートと、下流の行動・触覚予測用のスリムなエキスパートを組み合わせた非対称Mixture-of-Transformersアーキテクチャを採用する。

2. 先行研究と比べてどこがすごい?

先行研究と比較して、N_0-TWAMは触覚をネイティブに扱うworld-action modelを大規模に訓練した最初の例である点が優れている。従来のworld-action modelは主に視覚に依存し、触覚情報を十分に活用していなかったが、本手法は触覚リッチなデモンストレーションを大規模に用いることで、接触を伴う精密な操作において優れた予測能力を発揮する。また、統一的な触覚表現NeoForceを導入し、物理的に接地された接触信号を行動生成に活用する点や、触覚接触イベントによるタスクの段階付け、非対称Mixture-of-Transformersによるリアルタイム効率の向上も新規性が高い。

3. 技術・手法の肝は?

技術の肝は、NeoForceという統一的な力ベースの触覚表現を用いて、物理的に接地された接触信号を形成し、行動生成を条件付ける点である。また、触覚接触イベントを導入してタスクを段階付け、実行中にそれらを進めることで、長期的かつ多段階の操作を改善する。さらに、リアルタイム効率のため、ビデオ予測用のフル幅エキスパートと、下流の行動・触覚予測用のスリムなエキスパートを組み合わせた非対称Mixture-of-Transformersアーキテクチャを採用している。事前学習では、6つのembodimentと450タスクにわたる触覚リッチなデモンストレーションを用いた視触覚合同訓練を行う。

4. どうやって有効だと検証した?

実機とシミュレーションの両方のベンチマークで評価し、接触を伴うさまざまなタスクにおけるN_0-TWAMの能力を実証した。また、データスケーリングが精密な触覚予測と行動予測に有益であることを示した。具体的な評価指標や比較対象は要旨からは不明である。

5. 議論はある?

要旨からは、N_0-TWAMが接触を伴う操作タスクにおいて強力な能力を示す一方で、データスケーリングの効果が確認されたことが議論のポイントとして挙げられる。また、触覚表現の選択やアーキテクチャの設計が性能に与える影響についての詳細な分析は要旨には含まれていない。さらに、実機展開における汎化性や、より複雑なタスクへの適用可能性については今後の課題として考えられるが、要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、world-action model、触覚表現、Mixture-of-Transformers、接触リッチな操作に関する研究が挙げられる。具体的には、視覚に基づくworld modelの研究や、触覚センサーを用いた操作学習の研究、大規模事前学習を用いたロボット操作の研究などが関連する。次に読むべき論文としては、これらの分野の代表的な論文が考えられるが、要旨に明示されていないため、具体的なタイトルは不明である。

※ 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: NeoteAI Team, Fudan TEAI Team

分類: cs.RO

原文アブストラクト

We present $N_0$-TWAM, a tactile-native world-action model for contact-rich manipulation that predicts both future vision and future contact. To our knowledge, it is the first tactile world-action model trained at large scale, and it shows strong capability on contact-rich tasks. We pre-train $N_0$-TWAM at large scale with visuo-tactile joint training over tactile-rich demonstrations spanning six embodiments and 450 tasks. We use NeoForce, a unified force-based tactile representation, to form a physically grounded contact signal that conditions action generation. To improve long-horizon and multi-stage manipulation, we introduce tactile contact events for task staging and advance through them during execution. For real-time efficiency, we adopt an asymmetric Mixture-of-Transformers architecture that pairs a full-width expert for video prediction with slim experts for downstream action and tactile prediction. Evaluations on both real and simulated benchmarks justify the capabilities of $N_0$-TWAM across a range of contact-rich tasks, and demonstrate the benefit of data scaling for precise tactile and action prediction. In summary, $N_0$-TWAM endows a world-action model with predictive capabilities to foresee vision, touch and action, building a solid foundation for fine-grained manipulation on open contact-rich tasks. The codebase and model checkpoints will be made publicly available to foster further research and development in tactile-enabled robotic manipulation.

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