ロボット触覚基礎モデル、3技術で実用化へ

VLA（Vision-Language-Action）モデルやワールドモデルの進展により、ロボットの「世界を見る能力」は飛躍的に向上した。しかし、実際の現場でロボットの行動を制限している要因は、視覚ではなく接触そのものであるとの認識が広がっている。

コネクタの抜き差し、ボトルキャップの開閉、衣類の折り畳み、産業組立、家庭サービス、医療介護に至るまで、ロボットは接触が発生するミリ秒単位で圧力、摩擦、滑り、変形を感知し、動作を瞬時に調整する必要がある。これらのタスクの成否を左右するのは、カメラからの情報だけではなく、触覚情報の参加が不可欠だ。

虎嗅網の42号電波©の報道によれば、ロボット触覚の研究は技術的な転換点を迎えているという。触覚基礎モデルに最も重要な三つのピース——異種触覚データの統一（FTP-1）、ロボットポリシーにおける触覚の位置づけを高速・低速で階層的に再構築（T-Rex、TouchWorld）、触覚を器用な手から全身へ拡張（TACTIC）——が揃いつつある。触覚は、ハードウェアに依存する知覚能力から、徐々にロボット基礎モデルの一部へと進化しつつある。

ハードウェアの壁を越えるFTP-1

従来のロボット触覚認識では、触覚はセンサーと結びつけて考えられることが多く、学界と産業界はセンサーハードウェアに集中してきた。しかしセンサーには「高価、脆弱、キャリブレーション困難、導入困難」という工学的問題が内在しており、これらがロボット触覚の発展を制限してきた。多くのロボット基礎モデル研究が、能動的または受動的にこの「触覚の壁」を避けてきた背景がある。

これに対し、Tsinghua University、Sharpa、UC Berkeleyなど8つの機関が発表した初の汎用触覚基盤ポリシーモデル FTP-1 は、「センサー」という核心的な課題に正面から取り組む。FTP-1の核心的な洞察は直接的だ。視覚分野の汎用基礎モデル（π0.5など）は、大規模異種データ事前学習と下流タスク微調整のパラダイムの能力をすでに証明している。しかし触覚信号は異なるハードウェア間で高度に異種性を持つ。異なるセンサーはモダリティ（画像、アレイ、状態ベクトル）、解像度、形状、接触応答が完全に異なるため、統一的なモデリングは困難であり、触覚分野の基礎モデル構築はおろか議論の余地もなかった。

FTP-1の解決策は、形態認識触覚トークン空間（MTTS: Morphology-aware Tactile Token Space）を設計することにある。ハンドの24の機能領域をそれぞれ1つのトークンで表現する。異なるセンサーに直面したとき、FTP-1はまずセンサー上の信号を機能領域ごとにグループ化し、異種エンコーダ（画像はViT、触覚アレイはCNN、力やトルクの状態ベクトルはフーリエ符号化とMLP）を用いて統一空間に投影する。最後に共有の300Mパラメータのエキスパート触覚Transformerが共同モデリングを行う。MTTSがあれば、センサーの形状や出力信号に関係なく、モデルが理解できる標準言語に翻訳でき、FTP-1はデータを自由に吸収できるようになる。

データセットでは、FTP-1は26のデータソース、約3,000時間の触覚操作データを集約し、21種類のセンサー、人間の遠隔操作、ロボットデモをカバーしている。事前学習後、世界中の5つの機関の5つのハードウェア構成で下流タスクの微調整評価を行い、14のタスクをカバーした。これにより真にクロスセンサーでの触覚モデル評価を実現している。

FTP-1は事前学習で出現したセンサータイプでの微調整タスク平均成功率が62.5%で、π0.5の45.3%を上回った。さらに重要なのは、FTP-1が事前学習で未出現の2つのセンサータイプでの微調整タスク平均成功率が46.6%であり、π0.5の15.0%を大きく上回った点である。アブレーション実験も、FTP-1の利得が事前学習で学習された転移可能な触覚知識によるものであることを確認している。FTP-1は、多種多様な触覚ハードウェアを統一された「触覚言語」に翻訳することで、触覚モデルが初めて大規模事前学習の可能性を得たと言える。

高速と低速を分離するT-Rex

人間がコップを掴むとき、コップが突然滑ると指は無意識に締め付ける。人間は情報を受け取り次の動作を計画できるだけでなく、イベント発生時に素早く反応できる。このような脳の思考を経由しないミリ秒単位の触覚反射は、ロボットにとっては難題である。

これまでのRDP（Robot Diffusion Policy）からTactile-VLAまでの高速・低速階層型ロボット戦略を振り返ると、触覚信号を単なる入力トークンとして単一モデルに詰め込み、低速推論と高速反応が同じ推論ループ内で競合するか、独立した「低速」潜伏拡散戦略と「高速」触覚コントローラを用いるかのどちらかだった。しかしRDPはパラレルグリッパー向けに訓練されており、タスクごとに別々のコンポーネントを訓練する必要があり、高自由度の器用ハンドへの拡張能力を示していなかった。

これに対し、2026年6月にUC Berkeley、Stanford UniversityなどがNVIDIAと共同で発表した T-Rex と、7月にHarbin Institute of Technologyの楊朔チームとPoXiao Intelligenceが共同発表した世界モデル TouchWorld がある。T-RexとTouchWorldはそれぞれ、「統一モデル内の非同期処理」と「階層間予測と修正」という二つの道筋で、高周波触覚フィードバックと低周波意味計画の分離が必要であることを実証した。

T-Rexの核心は混合エキスパートアーキテクチャにある。潜在エキスパートが将来の視覚表現を予測し、動作エキスパートが低周波（約5Hz）のフローマッチング・デノイジングを行い、触覚エキスパートが高周波（約20Hz）の触覚最適化を行う。RDPが動作トークナイザーで動作を符号化し、拡散戦略で潜空間での低周波計画を行い、最後に独立した触覚コントローラで高周波修正を行う3つのコンポーネントが独立して訓練されるのに対し、T-Rexの本質的な革新は非同期カスケードフローマッチング（Asynchronous Cascaded Flow Matching）にある。高速・低速の分離を同じ生成プロセス内部で実現している。

具体的には、T-Rexは全10ステップのフローマッチングデノイジング（動作生成段階）を二つに分割する。動作エキスパートは視覚と言語情報を組み合わせて最初の6ステップの全局動作計画を行い、その後視覚-言語モデルのKV Cacheを凍結し、触覚エキスパートがこの中間状態から残りの4ステップのデノイジングを継続して動作を素早く微細化する。これにより、統一モデルの知識共有を維持しつつ、高低周波情報の分離を実現している。

ロボット動作実行段階では、動作エキスパートが1回の16ステップの低周波視覚-言語推論を行い、触覚エキスパートは毎回わずか4ステップの軽量デノイジングのみを実行して触覚情報に基づき動作を修正する。そのためほとんどの更新で視覚特徴の再計算が不要になり、計算量が削減されるだけでなく、触覚フィードバックの周波数も向上する。

T-Rexは100時間のデータセットとアーキテクチャの革新を提供するだけでなく、12の触覚反応器用操作タスクにおいて、平均成功率が最強ベースライン（EgoScale）より30%以上高い結果を示した。これはT-Rexの精密な力制御とミリ秒単位の触覚反応における優れた性能を示している。アブレーション実験では、同期モードでのみ触覚エキスパートを追加すると平均成功率が5%低下したことから、非同期スケジューリング自体が性能に貢献していることが分かる。

3階層の世界モデルTouchWorld

T-Rexのアプローチが「一つのモデル内で非同期スケジューリングにより高速・低速を分離」するものであるのに対し、TouchWorldのアプローチは「階層的アーキテクチャで三つの時間スケールを明示的に分離」するものだ。TouchWorldは触覚フィードバックの時間的分離と触覚フィードバックの予測をより強調している。

TouchWorldは世界モデルアーキテクチャ全体を三つの階層に分ける。高層計画層（1Hz）は、Qwen3-VL-4Bを用いて長期的な指示を実行可能なサブタスクに分解し、Wan2.2-TI2V-5Bを触覚世界モデルとして将来の視覚-触覚サブ目標を予測する。視覚-触覚目標ポリシー層（10Hz）は、拡散Transformerがサブタスク指示と予測された触覚目標に基づいて名目動作ブロックを生成する。触覚条件最適化層（30Hz）は、触覚残差Transformer（TRT）が各動作ブロックの実行間隙に最新の触覚履歴情報を用いて動作の残差修正を行う。

T-Rexが触覚世界モデルの能力を三つの将来視覚表現を予測するエキスパートに分散し、統一されたMoT（Mixture of Transformers）として機能させるのに対し、TouchWorldは触覚認識を融合し、独立した明示的な生成世界モデルとして、下流ポリシーが直接使用できる視覚-触覚サブ目標画像を出力する。

TouchWorldの6つの実タスクでの性能も説得力がある。クリーンな設定で平均65.0%の成功率を示し、最強ベースライン（FTP-1、49.3%）より15.7パーセントポイント高い結果を記録した。

触覚基礎モデルが切り開く展望

FTP-1、T-Rex、TouchWorldという三つの技術は、それぞれ異なる角度からロボット触覚の根本的課題に取り組んでいる。FTP-1が異種センサー間のデータ統一という基盤を提供し、T-RexとTouchWorldが実際のロボット制御における触覚フィードバックの活用方法を示した。

これらの研究は、触覚が単なるセンサー出力の処理から、ロボット基礎モデルの中核的構成要素へと進化しつつあることを示している。視覚分野で確立された「大規模データ＋基礎モデル」のパラダイムが、ついに触覚分野にも適用可能な段階に入ったと言える。

特にFTP-1のクロスセンサー転移性能は、触覚センサーの製造コストや互換性の問題を緩和する可能性を秘めている。特定のセンサーに依存しない汎用モデルが存在すれば、ロボットメーカーはセンサー選択の自由度を得られ、価格競争も促進されるだろう。

T-RexとTouchWorldが示す高速・低速の階層的制御アーキテクチャは、産業用ロボットからサービスロボットまで幅広い応用が期待できる。精密な力制御が必要な組立工程、不確定な物体を扱う物流、人間との接触が避けられない介護現場など、触覚情報の高速フィードバックが求められる領域は多い。

TACTIC（触覚を器用な手から全身へ拡張する技術）の進展も併せて考えれば、ロボットは将来的に全身の触覚情報を活用して環境とインタラクトできるようになるかもしれない。これまで視覚に過度に依存していたロボットの行動計画は、触覚情報の統合によりより堅牢で適応的なものへと進化すると考えられる。

編集部の見解

短期的に見れば、FTP-1によるクロスセンサー転移学習の確立は、触覚センサー市場に競争をもたらす可能性がある。現在は特定メーカーのセンサーにロックインされる傾向が強いが、統一モデルが普及すればセンサーの選択肢が広がり、価格低下と品質向上の好循環が生まれると評価できる。今後3〜6ヶ月で、FTP-1を基盤としたオープンな触覚データセットの標準化が進むことが期待される。 長期的視点では、触覚基礎モデルの確立はロボティクス全体のアーキテクチャに影響を与える。視覚と言語に依存する現在のVLAモデルに触覚が本格的に統合されることで、より人間に近いマルチモーダルな行動生成が可能になると見る。1〜3年のスパンでは、触覚フィードバックを必要とする精密組立や介護分野で、この技術が商用化の臨界点を迎える可能性がある。 一方で、触覚基礎モデルが実用的なロボットに統合されるまでには、モデルの軽量化や実時間推論の最適化、コスト面での課題が残る。T-Rexが非同期アーキテクチャで計算効率を改善したように、エッジデバイス上で触覚処理を実行可能にする軽量モデルの開発が次の焦点となるだろう。

参考

• 「 新一轮触觉热，真正值得关注的不只是硬件 」, by 42号电波© — 虎嗅网, 2026-07-15T10:15:09.000Z (ARR)
• 元記事URL: https://www.huxiu.com/article/4875532.html?f=rss