ロボット触覚モデル、成功率65%でVLAの約2倍

視覚言語行動モデルは洗濯物の折りたたみや部屋の片付けといった日常作業で着実に進歩しているが、USBケーブルの接続や鍵の回転など繊細な手の制御が必要なタスクではつまずく。人間が頼る触覚フィードバックを無視するからだ。バークレーの研究は、まず既存データで事前学習し、次に200以上の家庭用品にわたる100時間のデモで訓練した専門サブモデルを通じて触覚を追加することで、このギャップに挑む。触覚エキスパートは行動エキスパートの4倍速く動作し、把持の修正が間に合う。

この分野はデータの断片化にも直面している。清華大学のChengbo Yuan氏は21種類のセンサーにわたる公開データセットから3,000時間以上を集約し、各センサーの出力を人間の手のテンプレートにマッピングした共有形式に変換した——Open X-Embodimentコラボレーションに触発された手法である。このハードウェア非依存のモデルは、見たことのないハードウェアでもベースラインを上回り、Yuan氏はこれを触覚知識の一種の常識に帰する。一方、USCのモデルは視覚データのみから触覚を推論し、センサーなしのロボットに初歩的な触感を与える。

規模拡大だけが答えだと誰もが確信しているわけではない。中国科学院のLong Cheng氏は、触覚信号は疎で断続的なためモデルが無視するようになると主張する。彼のIROS 2026のモデルは視覚からロボットが感じることを予測し、意外な不一致のみを増幅し、平均成功率62.8%を達成した（触覚なしでは28.2%）。結果は今や、より大きく多様なデータセットか、より賢いアルゴリズムか、あるいはその両方が真に器用なタスクに決定的かどうかにかかっている。