Tactile-JEPA: Topology-Aware Self-Supervised Representation Learning for Distributed Tactile Sensors
Aggiunta all'archivio di AIChronos il (numero del 28 settembre 2026 ricostruito)· fonte del · Elizaveta Kovtun, Matvey Konovalov, Andrey Sakhovskiy, Semen Budennyy
Tactile-JEPA è un metodo di pre-addestramento auto-supervisionato progettato per sensori tattili distribuiti che sfruttano la connettività spaziale degli elementi sensibili. A differenza dei metodi basati sulla visione, questo approccio utilizza grafi di connessione e mascheratura a doppia scala per catturare sia i dettagli locali del contatto che lo stato globale della superficie. I risultati sperimentali su dataset eterogenei dimostrano una riduzione significativa dell'errore nella stima delle forze e nell'orientamento in mano rispetto allo state-of-the-art precedente.
- Sfrutta la topologia irregolare dei sensori tattili distribuiti per generare rappresentazioni consapevoli della struttura spaziale.
- Utilizza un meccanismo di mascheratura guidato dal grafo di connettività del sensore per predire gli embedding degli elementi nascosti.
- Riduce l'errore nella stima delle forze del 6.3% e nell'orientamento in mano del 20.8% rispetto ai metodi esistenti.
- È efficace su sensori magnetici e piezoresistivi, supportando configurazioni sia singole che accoppiate di sensori.
- Migliora le prestazioni nelle applicazioni a valle come l'apprendimento delle policy robotiche.
Perché conta. Per gli sviluppatori di agenti AI locali o sistemi robotici autonomi, la qualità dell'encoder pre-addestrato è critica per interpretare correttamente i segnali tattili in condizioni di occlusione visiva. Tactile-JEPA offre un modo efficiente per migliorare l'espressività dei modelli senza dover addestrare encoder da zero su dati rumorosi.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.