Tactile Texture Recognition On Uneven Surfaces Using Self-Attention Based Neural Networks
Notice bibliographique
Résumé
Tactile texture recognition is a cornerstone of robotic perception, enabling systems to discern and interact with their environments through tactile feedback. In this work, we introduce a comprehensive methodology for texture classification using time-series data acquired from advanced tactile sensors. Our dataset comprises MARG data captured from a variety of distinct textures on uneven surfaces, which poses significant challenges due to variations in material properties and surface irregularities. To address these challenges, we developed a structured pipeline that begins with preprocessing raw sensor signals—implementing noise reduction, normalization, and segmentation—to enhance subsequent feature extraction. While approaches such as 1D-Convolutional Neural Networks (1D-CNNs), Long Short-Term Memory networks (LSTMs), and hybrid CNN-BiLSTM architectures have been recently explored in this domain, our study proposes an innovative informer-based neural network that leverages transformer and attention mechanisms. This architecture is designed to capture both temporal dependencies and spatial patterns inherent in the tactile data more effectively. A rigorous experimental setup employing cross-validation was used to assess the model’s performance and its ability to generalize to unseen surfaces. Experimental results demonstrate that the proposed informer-based model outperforms the existing approaches, with hybrid architectures yielding the highest accuracy. Overall, our contribution advances the field of tactile perception by providing a robust and scalable framework for texture classification, which is pivotal for enhancing the adaptability and precision of robotic systems. Our best model has reached 93.88% accuracy which is the highest accuracy in the literature on uneven surfaces.
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 ».