A multimodal tactile dataset for dynamic texture classification
Notice bibliographique
Résumé
Reproducing human-like dexterous manipulation in robots requires identifying objects and textures. In unstructured settings, robots equipped with tactile sensors may detect textures by using touch-related characteristics. An extensive dataset of the physical interaction between a tactile-enable robotic probe is required to investigate and develop methods for categorizing textures. Therefore, this motivates us to compose a dataset from the signals of a bioinspired multimodal tactile sensing module while a robotic probe brings the module to dynamically contact 12 tactile textures under three exploratory velocities. This dataset contains pressure, acceleration, angular rate, and magnetic field variation signals from sensors embedded in the compliant structure of the sensing module. The pressure signals were sampled at 350 Hz, while the signals of the other sensors were sampled at 1500 Hz. Each texture was explored 100 times for each exploratory velocity, and each exploratory episode consisted of a sliding motion in the x and y directions tangential to the surface where the texture is placed. The total number of exploratory episodes in the dataset is 3600. The tactile texture dataset can be used for any project in the area of object recognition and robotic manipulation, and it is especially well suited for tactile texture reconstruction and recognition tasks. The dataset can also be used to study anisotropic textures and how robotic tactile exploration has to consider sliding motion directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».