跳到主要内容
检索

# 触觉表示学习

2 篇关联报道

订阅更新
  1. arXiv

    RATE 用风险感知触觉编码把 UniVTAC 八任务宏平均成功率提到 71.8%，并以 0.59% 参数更新在三个真机任务上同时提升成功率与接触安全成功率

    作者提出风险感知触觉编码（RATE）：用双侧触觉历史经两层 LSTM 聚合交互上下文，并以短时程未来接触变化预测与连续任务风险告警监督共同塑造风险感知表征，再通过零初始化残差适配器把它叠加到冻结的预训练 ACT 策略上，仅更新约 0.59% 参数；在 UniVTAC 八个仿真任务上取得 71.8% 宏平均成功率（重训的 ACT+UniVTAC 为 47.4%），在 USB 插入、拧瓶盖、插头插入三个真机任务上成功率分别为 75%、85%、60%，接触安全成功率分别为 93.33%、100%、83.33%。

    Yuyao Jiang（第一作者）
    RATE风险感知触觉编码触觉表示学习警报监督轻量残差适配接触丰富操作
  2. arXiv

    Tactile-JEPA 用触觉传感器拓扑图做掩码预训练，把力估计误差降低 6.3%、手内姿态误差降低 20.8%

    该工作提出 Tactile-JEPA，一种面向分布式触觉传感器（电子皮肤）的自监督预训练方法，它在触觉单元（taxel）连通图上按局部与全局两种尺度采样掩码，预测被遮挡 taxel 的嵌入表示，在磁性与压阻两类传感器、三种数据集（Sparsh-skin、Tactile socks、DECO-50）上，相比此前最强基线把力估计 RMSE 降低 6.3%、手内姿态估计 RMSE 降低 20.8%，并在动作分类、物体分类与触觉条件策略学习上取得一致增益。

    AIRI - Artificial Intelligence Research InstituteSkolkovo Institute of Science and TechnologyNational Research University Higher School of Economics
    Elizaveta Kovtun（第一作者）
    Tactile-JEPA触觉表示学习基于图的掩码采样分布式触觉传感器

已读完全部报道