日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2610.04363

TacOT: 触覚誘導最適輸送による人間実演からの接触豊富な器用マニピュレーション学習

TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport

シェア:XThreadsFacebookLINEはてブBluesky

人間の実演とロボットの動作を触覚ダイナミクスに基づいて対応付け、最適輸送で方策を学習することで、接触を伴う器用な操作の人間からロボットへの転移精度を向上させた。

詳しい要約

1. どんなもの？

- 人間のデモンストレーションから接触の多い器用な操作を学習するフレームワーク TacOT を提案。 - tactile-guided optimal transport を用いて人間とロボットの対応を確立。 - アクションと触覚の dynamic time warping で対応を特定し、soft optimal transport で政策表現空間を整列。 - 4つの実世界タスクで有効性を検証。

2. 先行研究と比べてどこがすごい？

- 既存の人間→ロボット転移は視覚的外観や運動類似性に依存し、異なる接触状態を混同する問題があった。 - TacOT は触覚ダイナミクスを利用し、運動が類似しても接触状態が異なる操作を区別。 - アクションガイドの optimal transport と比較して、分布内タスクで最大17ポイント、分布外転移で最大20ポイント成功率を改善。

3. 技術・手法の肝は？

- アクション-触覚 dynamic time warping で人間とロボットのデモ間の対応を同定。 - その対応を用いて共有政策表現空間における soft optimal transport アラインメントをガイド。 - これによりフレームレベルの人間-ロボットペアリングを事前定義せずに、接触の多い監督を提供。

4. どうやって有効だと検証した？

- 4つの実世界の器用な操作タスクで評価。 - 閉ループ成功率をアクションガイド OT と比較。 - 分布内タスクで最大17ポイント、ターゲット分布外転移で最大20ポイントの改善を確認。 - 触覚ガイド対応がより一貫した接触ダイナミクスを持つデモペアを選択し、潜在表現が相互作用状態の進化をより反映することを分析で示した。

5. 議論はある？

- 触覚ダイナミクスが接触の多い器用な操作における信頼できる人間-ロボット対応を確立するための有効な意味信号であることを示唆。 - 限界や今後の課題については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照されている action-guided OT や dynamic time warping、optimal transport を用いた人間→ロボット転移の関連研究。 - 同分野の定番として、模倣学習 (imitation learning) や domain adaptation の手法。

※ 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: Xingting Li, Yifan Han, Zijian Lin, Wei Hou, Chuqiao Lyu, Shoujie Li, Wenbo Ding

分類: cs.RO

原文アブストラクト

Learning contact-rich dexterous manipulation from human demonstrations provides a scalable source of interaction data, yet transferring such skills to robots remains challenging due to unreliable human--robot correspondence. Existing human-to-robot transfer methods typically rely on visual appearance or motion similarity, which may associate similar motions with different contact states and force patterns. Tactile dynamics provide interaction-aware cues to distinguish manipulation processes with similar motions but different contact states. We introduce tactile-guided optimal transport (TacOT), a framework for human-to-robot contact-rich manipulation. TacOT leverages action--tactile dynamic time warping to identify human--robot demonstration correspondences with consistent interaction dynamics and uses these correspondences to guide soft optimal transport alignment in a shared policy representation space. This enables human demonstrations to provide contact-rich supervision for robot policy learning without requiring predefined frame-level human--robot pairing. Across four real-world dexterous manipulation tasks, TacOT improves closed-loop success rates over action-guided OT by up to 17 points on in-distribution tasks and 20 points under targeted human-to-robot out-of-distribution transfer. Further analyses show that tactile-guided correspondence selects demonstration pairs with more consistent contact dynamics and produces latent representations that better reflect interaction-state evolution. These results demonstrate that tactile dynamics provide an effective semantic signal for establishing reliable human-to-robot correspondence in contact-rich dexterous manipulation.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI