Tactile Contact Patterns for Robotic Grasping: A Dataset of Real and Simulated Data
Notice bibliographique
Résumé
Advancing tactile sensing in robotics and machine learning necessitates high-quality datasets encompassing realworld and simulated interactions. In this paper, we present a comprehensive dataset containing 46,200 samples collected from a deformable, capacitive-based tactile sensor. The dataset is equally divided into three main groups: 15,400 real samples, 15,400 synthetic samples generated using Abaqus, and 15,400 synthetic samples generated using Isaac Gym through finite element analysis (FEA). Data acquisition was performed under two experimental scenarios. In the first scenario, 49 unique indenters were pressed onto the sensor at various force levels, producing various contact patterns. In the second scenario, the sensor was integrated into a 2F-85 Robotiq parallel gripper to grasp 12 different objects. We provide a detailed account of the dataset construction process, elaborate on its composition, and introduce a graphical user interface that enables the creation of customized datasets tailored to specific application needs. Ultimately, we present a case study employing Transfer Learning to exemplify the dataset's potential by utilizing real and synthetic data to recognize surface types (flat or curved), showcasing how synthetic data can be effectively leveraged alongside real data to enhance performance. To access the code and resources used in this research, all files are available in our GitHub repository at [TactileDataset](https://github.com/Lab-CORO/TactileDataset).
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 | 0,000 |
| 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 | 0,000 |
| 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 ».