Uni-VLaT：ヒューマノイドの移動操作のためのVLAポリシーへの全身触覚適応

- ヒューマノイドの loco-manipulation における接触制御のための手法 Uni-VLaT を提案する研究。 - 全身の distributed tactile sensing を vision-language-action (VLA) ポリシーに統合する。 - 触覚経路の latent state を action 生成だけでなく、将来の tactile・proprioceptive・visual 表現の予測にも学習させる。 - 5つの実機タスクで評価し、平均成功率 75% を達成。

- 触覚入力なしの baseline を 43 ポイント上回る。 - 予測 supervision なしの触覚入力 baseline を 7 ポイント上回る。 - 2つの pretrained VLA backbone で Table Sweeping を 30 ポイント、Back-Tap Walking を 85-90 ポイント改善。 - 従来の sparse な force/torque 測定ではなく、全身の distributed tactile sensing を活用する点が新しい。

- 触覚経路を追加し、その latent state を action 生成と将来予測の両方で学習。 - 予測目的により tactile-anchored multimodal context を構築し、物理世界の構造的理解を促す。 - 予測対象は将来の tactile・proprioceptive・visual 表現。 - Ablation で contextualized tactile prediction と absolute future targets が重要と示す。

- 実機 5 タスクで評価：tactile-triggered locomotion、sustained physical interaction、human-robot contact、loco-manipulation。 - 平均成功率 75% を達成。 - 触覚なし baseline と予測 supervision なし触覚 baseline と比較。 - 2つの pretrained VLA backbone で Table Sweeping と Back-Tap Walking の改善を確認。 - Ablation を実施。

- 予測的触覚学習が pretrained VLA ポリシーを全身物理インタラクションに拡張する有効な道筋であると主張。 - 限界や失敗事例、計算コスト、一般化性に関する議論は要旨からは不明。

- 要旨で参照/比較されている研究：触覚入力なし baseline、予測 supervision なし触覚入力 baseline、pretrained VLA backbone。 - 関連手法：vision-language-action (VLA) ポリシー、distributed tactile sensing、force/torque 測定。 - 同分野の定番：loco-manipulation、humanoid control、tactile sensing for robotics。