マニピュレーション2026/10/3arXiv:2610.04391

AgenticTactileVLA：VLA再学習なしで汎化可能な巧みな操作を実現する接触誘導型実行時監督

AgenticTactileVLA: Contact-Guided Execution-Time Supervision for Generalizable Dexterous Manipulation without VLA Retraining

シェア:X Threads Facebook LINE はてブ Bluesky

固定されたVLAの動作を実行時に監督し、指位置とモータ負荷から接触を推定して把持を調整することで、触覚センサや再学習なしに未知物体への把持成功率を向上させる手法。

詳しい要約

1. どんなもの？

本論文は、VLA（Vision-Language-Action）ポリシーが予測した操作戦略を、実物体上で確実に実行できない問題に対処する実行時スーパーバイザ「AgenticTactileVLA」を提案する。固定VLAがアプローチとハンド目標を提供し、スーパーバイザが接触証拠に基づき、透明・指屈曲の微調整・修正構成の保持/解放・VLAへの再試行委譲・コンプライアント制御への切替を決定する。触覚センサやVLA再学習を必要としない。

2. 先行研究と比べてどこがすごい？

従来のVLAは物体ごとの再学習や視覚フィードバックに依存し、閉塞時に劣化する。本研究は物体特異的適応を予測から物理的相互作用へ移し、固定VLAのまま未学習物体への汎化を改善する。ベースVLA 61.3%に対しスーパーバイザ84.0%を達成し、全物体で正のゲイン、姿勢摂動下でも持続。選択的トリガで修正エピソードを65.7%削減しつつ完了率を維持する点が新しい。

3. 技術・手法の肝は？

固定VLAがアプローチとハンド目標を生成。スーパーバイザは指位置とモータ努力の固有感覚接触証拠を用い、透明・指屈曲微調整・修正構成の保持/解放・VLA再試行・コンプライアント制御切替を決定。触覚センサ不要、VLA再学習不要。保持監査では受容が保持を予測し、コンプライアント物体では保守的誤拒否が生じる。薄肉カップ研究で文脈的ルーティングを実証。

4. どうやって有効だと検証した？

Unitree G1とBrainCo Revo2ハンドで、VLA訓練から除外した5物体のランダム化マッチブロック評価を実施。ベースVLA 61.3%、無条件クローズ・トゥ・ストール72.0%、スーパーバイザ84.0%（共有予算下）。全物体で正のゲイン、中程度の姿勢摂動下でも持続。アブレーションで閉鎖延長だけでは説明できないことを示し、選択的トリガで修正エピソード65.7%削減、完了率に検出可能な変化なし。保持監査で受容が保持を88.9%予測。薄肉カップ研究で常時コンプライアント参照と一致。

5. 議論はある？

コンプライアント物体では保守的誤拒否が生じることが保持監査で示された。選択的トリガは修正エピソードを削減するが完了率への影響は検出されず、トレードオフの可能性が議論される。接触誘導実行時適応が固定VLAの物体レベル汎化を改善する一方、物体特異的再学習なしで物理的実現を適応させる限界や、コンプライアント制御への文脈的ルーティングの一般性が議論の余地として残る。

6. 次に読むべき論文は？

要旨で参照/比較されている研究は明示されていない。関連手法として、VLA（Vision-Language-Action）ポリシー、触覚センサを用いた操作、コンプライアント制御、実行時スーパーバイザ、物体レベル汎化に関する研究が次に読むべき候補として挙げられる。

※ 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: Elizaveta Semenyakina, Ivan Snegirev, Mikhail Kiselev, Miguel Altamirano Cabrera, Artem Lykov, Hajira Amjad, Dzmitry Tsetserukou

分類: cs.RO

原文アブストラクト

Vision-language-action policies may predict a transferable manipulation strategy yet fail to realize it reliably on the encountered object: objects compatible with the same grasp differ in geometry and compliance, and visual feedback degrades under closure occlusion. AgenticTactileVLA is presented as an execution-time supervisor that shifts part of object-specific adaptation from prediction to physical interaction. A fixed VLA provides the approach and hand targets; the supervisor decides whether to remain transparent, refine finger flexion, retain or release the corrected configuration, return control to the VLA for retry, or select a compliant hand-control regime. It uses finger-position and motor-effort feedback as proprioceptive contact evidence and requires neither tactile sensors nor VLA retraining. On a Unitree G1 with a BrainCo Revo2 hand, a randomized matched-block evaluation on five objects held out from VLA training yields 61.3% completion for the base VLA, 72.0% for unconditional close-to-stall control, and 84.0% for the supervisor under a shared budget; the gain is positive on every object and persists under moderate pose perturbations. Ablations show the gain is not explained by extended closure alone, and that selective triggering reduces correction episodes by 65.7% with no detected change in completion. A retention audit shows acceptance predicts retention in 88.9% of held-out cases, while compliant objects expose conservative false rejection. A thin-walled-cup study demonstrates contextual routing to compliant control, matching an always-compliant reference. These results suggest that contact-guided execution-time adaptation can improve the object-level generalization of a fixed VLA to held-out objects by adapting physical realization without object-specific retraining.

arXivで原文を読む →arXiv概要ページ

AgenticTactileVLA：VLA再学習なしで汎化可能な巧みな操作を実現する接触誘導型実行時監督

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文