Dynamic Tactile Data of Textures On Uneven Surfaces
Notice bibliographique
Résumé
This dataset provides tactile sensor data captured using an a multi-modal tactile sensing (BioIn-Tacto [1, 2]) module mounted on the end-effector of a OpenManipulatorX. It includes barometric and MARG (Magnetic, Angular Rate, and Gravity) data to support research in texture recognition and robotic manipulation. The data was collected as the manipulator moved the sensing module across 12 different textures applied to a concave/convex surface. The data is organized into folders representing various stages of processing: Data/ ├── 0_Raw ├── 1_Merged ├── 2_Trimmed ├── 3_Normalized └── 4_Windowed - 0_Raw: Raw data for 12 textures (T1 to T12), with 25 exploratory movements per texture. - 1_Merged: Merged barometric and IMU data. - 2_Trimmed: Preprocessed and trimmed data. - 3_Normalized: Normalized data for consistency. - 4_Windowed: Data segmented into windows for analysis. Each exploratory movement contains the following files: - `baro.csv`: Barometric data. - `imus.csv`: IMU data (acceleration, angular rate, and magnetic field). The `Scripts` folder includes tools for automating data preprocessing: Scripts/ ├── merge.py ├── trim.py ├── normalize.py ├── window_creator.py ├── npy_creator.py └── run.sh - merge.py: Merges barometric and IMU data. - trim.py: Trims data based on predefined points. - normalize.py: Normalizes data for consistency. - window_creator.py: Segments data into windows. - npy_creator.py: Converts CSV data into `.npy` format for machine learning. - run.sh: Automates the entire data preprocessing pipeline. It sequentially runs the following steps: 1. Merges barometric and IMU data from the raw data directory (`merge.py`). 2. Trims the merged data based on predefined points stored in `trim_points.json` (`trim.py`). 3. Normalizes the trimmed data for consistency (`normalize.py`). 4. Segments the normalized data into windows of varying sizes (`window_creator.py`). 5. Converts the windowed data into `.npy` format for machine learning models with window sizes of 128, 256, and 512 (`npy_creator.py`). [1] T. E. Alves de Oliveira, A. -M. Cretu and E. M. Petriu, "Multimodal Bio-Inspired Tactile Sensing Module," in IEEE Sensors Journal, vol. 17, no. 11, pp. 3231-3243, 1 June1, 2017, https://doi.org/10.1109/JSEN.2017.2690898. [2] T. E. Alves de Oliveira, V. Prado da Fonseca, BioIn-Tacto: A compliant multi-modal tactile sensing module for robotic tasks, HardwareX, Volume 16, 2023, e00478, ISSN 2468-0672, https://doi.org/10.1016/j.ohx.2023.e00478.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».