OmniVTLA
“OmniVTLA: Vision-Tactile-Language-Action Model with Semantic-Aligned Tactile Sensing”（Z. Cheng ら, 2025）。π₀ ベースの VTLA モデル。
- 力センシング: 触覚画像（GelSight）+ トルクセンサ（Paxini）の併用。
- 入力方法: ① VLM 側（Encoder 有）。触覚を意味的に整合（semantic-aligned）させてトークン化し VLM に入力。
- 出力 / 制御: 位置出力 → 位置制御。
- カメラ: RGB×2。
- 評価: ピック&プレース（グリッパー: 缶・ボトル等 / 多指ハンド: ボトル・牛乳パック）。
力情報の注入方法では VLM 側注入の代表例。触覚入力により把持成功率と滑らかさが向上（75.0%→96.9%、完了時間 24% 削減）。
関連: tactile-sensing-for-manipulation / tactile-vla / vla-touch