A dataset for tactile textures on uneven surfaces collected using a BioIn-Tacto sensing module
Notice bibliographique
Résumé
Effective human-like manipulation in robots depends on their capacity to recognize and identify textures in different environments. In unpredictable environments, robots with tactile sensors will have to identify textures through touch-related features. To advance research in texture classification, a comprehensive dataset capturing the physical interactions between a tactile-enabled robotic probe and various textures is necessary. As a result, we are driven to create a dataset from the signals collected by a bioinspired multimodal tactile sensing module, as a robotic probe dynamically makes contact with 12 different tactile textures. This dataset includes signals for pressure, acceleration, angular rate, and magnetic field variations, all captured by sensors embedded within the flexible structure of the sensing module. The pressure signals and the signals from the other sensors were sampled at a rate of 130 Hz. Each texture was explored 25 times, with each exploration involving a sliding motion along the uneven surface, tangential to the surface where the texture was bonded. The dataset comprises a total of 300 exploratory episodes. The tactile texture dataset applies to various projects in object recognition and robotic manipulation, making it particularly valuable for tasks involving tactile texture reconstruction and recognition. Additionally, this dataset offers opportunities to study time series properties generated by the robotic sliding motions during tactile texture exploration.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».