ForceBench：ロボットマニピュレーションのための力統合ベンチマーク

- 力覚フィードバックを VLA ポリシーに統合する設計を比較する simulation benchmark - 6軸 wrist-force の統合を統一プロトコルで評価 - 8タスク（physical-property inference、resistance-dependent interaction、contact-rich assembly） - 1,600 synchronized demonstrations とタスク固有の success criteria を提供 - 共通の $π_{0.5}$ backbone 上で no-force baseline と6つの force integration designs を比較

- 既存システムはタスク・デモ・制御設定が異なり force integration 設計の信頼できる比較が困難 - ForceBench は統一プロトコルで6軸 wrist-force 統合を評価可能 - 8タスク・1,600デモ・タスク固有 success criteria を備えた simulation benchmark を新規構築 - 同一 backbone 上で baseline と複数設計を公平に比較

- 6軸 wrist-force を VLA ポリシーに統合する設計を比較 - 共通の $π_{0.5}$ backbone を使用 - no-force baseline と6つの force integration designs を評価 - Prompt Fusion、Dual-Path Fusion、Predictive、Temporal などの設計を含む - simulation と real-world の両方で評価

- simulation で Prompt Fusion が平均 success 35.31%（baseline 23.25%） - 3つのタスクカテゴリすべてで success rate 改善 - Predictive と Temporal の改善は physical-property inference に集中 - Temporal 設計は assembly で baseline を下回る - real-world で8システム・5タスクを評価し、Prompt Fusion と Dual-Path Fusion が平均 success 63.00%（baseline 40.00%） - ただし全タスクで改善したのは Prompt Fusion のみ

- ForceBench は manipulation demands に対する force integration の利点と限界を特定する実用的価値を支持 - Predictive と Temporal の利得は physical-property inference に偏る - Temporal 設計は assembly で baseline に劣る - real-world では Prompt Fusion のみが全タスクで改善 - 他の設計の一般性や限界については要旨からは不明

- $π_{0.5}$ backbone に関する論文 - Prompt Fusion、Dual-Path Fusion、Predictive、Temporal など ForceBench で比較された force integration designs の原論文 - VLA ポリシー全般（Vision-Language-Action policies） - force feedback を用いた robotic manipulation の関連研究