Nghiên cứu
Tactile-JEPA: Học biểu diễn tự giám sát dựa trên cấu trúc liên kết cho cảm biến xúc giác phân tán
(giờ Việt Nam)
Tóm tắt AI
Tactile-JEPA là phương pháp tiền huấn luyện tự giám sát mới, tận dụng cách sắp xếp không gian của các cảm biến xúc giác để học biểu diễn hiệu quả cho robot, khắc phục hạn chế của các phương pháp thị giác truyền thống trên bề mặt da điện tử.
Chính văn · Bản dịch AI
Tóm tắt: Cảm biến xúc giác là một phương thức thiết yếu cho các robot thực hiện thao tác khéo léo, giàu tiếp xúc, đặc biệt là trong điều kiện bị che khuất tầm nhìn. Trong khi các bộ mã hóa hình ảnh được huấn luyện trước đã trở thành tiêu chuẩn trong các quy trình học tập của robot, các bộ mã hóa xúc giác vẫn thường được huấn luyện từ đầu với các tín hiệu thô, nhiễu, điều này có thể hạn chế khả năng biểu đạt của chúng. Các phương pháp học tự giám sát (SSL) hiện có tập trung chủ yếu vào các cảm biến xúc giác dựa trên thị giác, khiến cho các loại da điện tử phân tán phần lớn chưa được giải quyết. Tuy nhiên, các cảm biến này có một đặc tính riêng biệt: các phần tử cảm biến của chúng thưa thớt và được sắp xếp không đều trên bề mặt mà chúng bao phủ, điều này làm cho việc tái sử dụng trực tiếp các phương pháp SSL thị giác trở nên không tối ưu. Chúng tôi giới thiệu Tactile-JEPA, một phương pháp huấn luyện trước tự giám sát hiệu quả, sử dụng cách sắp xếp không gian của các cảm biến xúc giác để học các biểu diễn nhận thức cấu trúc liên kết. Cụ thể, nó được huấn luyện để dự đoán các embedding của các phần tử cảm biến bị che khuất từ phần còn lại không bị che khuất, sử dụng đồ thị kết nối cảm biến để hướng dẫn việc che khuất không gian. Phân tích của chúng tôi cho thấy rằng các biểu diễn xúc giác hiệu quả đòi hỏi phải nắm bắt được cả chi tiết tiếp xúc cục bộ và trạng thái toàn cục của bề mặt xúc giác, điều mà chúng tôi đạt được thông qua việc che khuất đa quy mô. Trên ba tập dữ liệu đa dạng bao gồm cảm biến từ tính và áp điện trở, các hiện thân robot khác nhau, và các cấu hình cảm biến đơn lẻ và theo cặp, Tactile-JEPA giảm sai số ước tính lực 6,3% và sai số định hướng trong tay 20,8% so với các phương pháp tiên tiến trước đây, với những cải thiện nhất quán trong các ứng dụng hạ nguồn khác, bao gồm cả học chính sách. Nhìn chung, kết quả của chúng tôi chứng minh rằng lợi ích của cảm biến xúc giác phụ thuộc rất lớn vào chất lượng của việc huấn luyện trước bộ mã hóa, một vấn đề mà Tactile-JEPA giải quyết trực tiếp. Mã nguồn có sẵn tại địa chỉ URL này.
| Chủ đề: | Robot học (cs.RO); Trí tuệ nhân tạo (cs.AI) |
| Trích dẫn là: | arXiv:2609.24385 [cs.RO] |
| (hoặc arXiv:2609.24385v1 [cs.RO] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2609.24385 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |
Lịch sử gửi bài
Từ: Elizaveta Kovtun [xem email] [v1] Thứ Hai, 21 tháng 9 năm 2026 10:22:06 UTC (4.300 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.