操作のための力・触覚センシング
VTLA モデルが力情報を取得する3方式。時間解像度・空間解像度・コスト・追加 HW の要否がトレードオフになる。
① 関節トルク（内部推定）
モータ電流や外乱オブザーバからトルクを推定。追加 HW 不要。
- TA-VLA: τ = k_t · i（k_t トルク定数、i 電流）
- LAT: 外乱オブザーバで実トルク推定
- 利点: 低コスト・外部センサ不要で導入容易
- 欠点: ノイズ・熱ドリフト（長時間で精度低下）/ 接触位置は得られない
② 触覚画像（外部・2D 画像化）
接触面の変形をゲル越しに画像として取得。GelSight / GelStereo など。
- OmniVTLA（GelSight）、VTLA insertion（GelStereo×2）、VLA-Touch（GelSight Mini）
- 利点: 高空間解像度で接触状態を詳細に把握
- 欠点: 低時間解像度（20–30 Hz）/ コスト・摩耗・形状制約
③ トルク／F-T センサ（外部・値取得）
力・トルクの数値を専用センサで直接取得。
- ForceVLA（Flexiv 内蔵推定値）、ForceMimic（外付6軸実測、1 kHz）、Tactile-VLA（法線+せん断力）、OmniVTLA（Paxini）
- 利点: 高時間解像度（〜1 kHz）・6DoF
- 欠点: 専用センサが必要 / 高コスト / 内蔵推定値は精度に限界
なぜ力が必要か（視覚のみの限界）
視覚だけでは物体の硬さ・力をランダム推測と同等（各50%）でしか判別できず、接触リッチタスクの成功率が極端に低い（充電器挿入 0%、柔物体把持 13%）。触覚を加えると硬さ75%・力90%まで判別でき、把持成功率 75.0%→96.9%、遮蔽下プラグ挿入 60%→90% 等に改善する。
残された課題
力センサは 100 Hz–1 kHz でサンプリングできるが、モデル推論が 8–20 Hz と低速で高周波情報を活かしきれない（full-streaming-inference が狙う領域）。インターネット動画に力データが存在せずスケーラビリティを制約。