UCI-RobotExecutionFaliuresDataSet

该数据集包含机器人在故障检测后进行的扭矩（6D：力和扭矩）测量。每种故障由15个力/扭矩样本组成，这些样本在固定时间间隔内收集。数据集包含5个子集，分别定义了不同的学习问题，如接近抓取位置失败、零件转移失败等。每个故障实例通过15个力/扭矩样本描述，总观测窗口为315毫秒。

This dataset comprises torque (6D: force and torque) measurements conducted by robots following fault detection. Each fault is represented by 15 force/torque samples, collected at fixed time intervals. The dataset is divided into 5 subsets, each defining distinct learning challenges such as failure to approach the grasping position, failure in part transfer, and others. Each fault instance is characterized by 15 force/torque samples, with a total observation window of 315 milliseconds.

原始信息汇总

数据集概述

数据集来源

• 来源：UCI

数据集内容

• 包含机器人故障检测后的力矩（6D：力和扭矩）测量数据。
• 每种故障由15个力/扭矩样本组成，这些样本在固定时间间隔内收集。

数据集结构

• 包含5个子数据集，分别对应不同的学习问题：
  • LP1: 接近抓取位置时的故障
  • LP2: 部件转移时的故障
  • LP3: 转移失败后部件的位置
  • LP4: 接近释放位置时的故障
  • LP5: 携带部件移动时的故障

数据特征

• 所有特征均为数值型，且为整数。
• 每个特征代表故障检测后的力或扭矩。
• 每个故障实例由15个力/扭矩样本描述，这些样本在315毫秒的观察窗口内以固定时间间隔收集。

实例描述

• 每个实例包含90个特征，描述力Fx、Fy、Fz及扭矩Tx、Ty、Tz在观察窗口内的变化。

实例数量

• LP1: 88
• LP2: 47
• LP3: 47
• LP4: 117
• LP5: 164

类别分布

• LP1:
  • 24% 正常
  • 19% 碰撞
  • 18% 正面碰撞
  • 39% 阻碍
• LP2:
  • 43% 正常
  • 13% 正面碰撞
  • 15% 背面碰撞
  • 11% 右侧碰撞
  • 19% 左侧碰撞
• LP3:
  • 43% 正常
  • 19% 轻微移动
  • 32% 移动
  • 6% 丢失
• LP4:
  • 21% 正常
  • 62% 碰撞
  • 18% 阻碍
• LP5:
  • 27% 正常
  • 16% 底部碰撞
  • 13% 底部阻碍
  • 29% 部件内碰撞
  • 16% 工具内碰撞

搜集汇总

数据集介绍

构建方式

UCI-RobotExecutionFaliuresDataSet数据集的构建基于对机器人执行失败后的 wrench (6D: 力和扭矩) 测量。该数据集由五个子数据集组成，每个子数据集针对不同的学习问题，涵盖抓取位置接近失败、部件转移失败、转移失败后的部件位置、释放位置接近失败以及带部件移动失败等情况。每个实例由失败检测后立即开始，在315毫秒的观察窗口内，以固定时间间隔收集的15个力和扭矩样本构成。

特点

该数据集的特点在于其包含的五个学习问题各具特色，数据均为数值型，尽管它们仅取整数值。每个特征代表失败检测后测量的一个力或扭矩，共计90个特征。此外，各子数据集的实例数量不同，类别分布多样，涵盖正常、碰撞、前碰撞、阻碍等多种情况，为研究机器人执行失败提供了丰富的学习素材。

使用方法

使用该数据集时，研究者可根据具体的学习问题选择相应的子数据集。数据集以文本格式存储，每行代表一个实例，包含15个力和扭矩样本，每个样本有六个值，分别代表三个方向上的力和扭矩。通过对这些数据进行学习，可以训练出对机器人执行失败状态进行识别和分类的模型。

背景与挑战

背景概述

UCI-RobotExecutionFaliuresDataSet是源自加州大学欧文分校（UCI）机器学习库的一个数据集，它收集了机器人操作失败后的力矩（6D：力和扭矩）测量数据。该数据集的构建旨在为机器人执行失败研究提供实验基础，每个失败实例均通过15个力/扭矩样本进行描述，这些样本是在失败检测后立即以固定时间间隔收集的。该数据集的创建时间为未明确标注，但可推断其构建旨在推动自动化机器人执行过程中的故障诊断与预测技术的发展。该数据集由多个研究人员共同完成，并在机器人学领域产生了广泛影响，为相关研究提供了宝贵的数据资源。

当前挑战

该数据集在构建和应用过程中所面临的挑战主要包括：一是如何准确捕捉和描述机器人执行失败时的力矩变化，二是如何处理和学习高度多维的力矩数据以进行有效的故障分类。具体而言，数据集定义了五种不同的学习问题，涵盖了抓握、转移、定位等多个机器人操作环节，每个环节都包含了不同类型的失败模式。此外，构建过程中还需克服如何保证数据采集的准确性和一致性，以及如何处理和标注大量数据中的异常值和噪声等问题。

常用场景

经典使用场景

在机器人执行任务过程中，对失败进行检测与诊断是提高机器人作业效率与可靠性的关键环节。UCI-RobotExecutionFailuresDataSet为此提供了丰富的实验数据，其经典的使用场景在于，通过分析机器人执行任务失败后的力与扭矩的测量数据，研究者能够构建模型以预测和识别不同的失败类型，如抓取位置失败、转移失败等，从而优化机器人的动作策略。

衍生相关工作

基于该数据集，学术界已经衍生出多项相关工作，包括但不限于机器人故障预测模型的构建、故障类型分类算法的研究以及机器人自适应控制策略的开发，这些研究进一步拓宽了机器人故障诊断与智能控制的研究领域，推动了相关技术的进步。

数据集最近研究

最新研究方向

在机器人执行失败研究的领域内，UCI-RobotExecutionFailuresDataSet数据集为学者们提供了珍贵的实验资源。该数据集记录了机器人执行任务失败后的力与扭矩测量值，为LP1至LP5五种不同的学习问题提供了详细的数据支持。近期的研究方向集中于利用这些数据来优化机器人的故障检测与自适应策略，通过深入分析力与扭矩的演化特征，以实现对机器人执行过程中各类失败模式的准确预测和及时响应，这对于提高机器人系统的可靠性和自主性具有重要意义。