pollen-robotics/anyskin_slip_detection

滑移检测数据集，包含一个 Reachy 2 机械臂的夹爪装备有 Anyskin 触觉传感器，由5个磁力传感器组成。数据集用于再现论文中描述的滑移检测任务，记录了操作员手动触发夹爪闭合后，对16个不同硬度级别的物体施加四种不同方向的力（上、下、左、右）时的数据。数据集中的每行记录了一个时间点的磁场值和是否发生滑移的信息。

Slip Detection Dataset containing data from a Reachy 2 robotic arms gripper equipped with an Anyskin tactile sensor composed of 5 magnetic sensors. The dataset is designed to reproduce the slip detection task described in a paper, recording the interaction data when the operator manually triggers the gripper to close and applies four different forces (up, down, left, right) to 16 objects with varying hardness levels. Each row in the dataset records the magnetic field values at a timestamp and whether a slip event occurred.

搜集汇总

数据集介绍

构建方式

在机器人触觉传感领域，该数据集通过配备Anyskin触觉传感器的Reachy 2夹爪构建。实验选取了16种不同硬度的物体，操作者手动触发夹爪闭合后，沿上下左右四个方向施加拉力以模拟滑动场景。数据采集利用rerun软件记录并导出为CSV格式，滑动事件由专家手动标注，同时补充了静态接触样本以增强数据完整性。

特点

数据集聚焦于触觉滑动检测任务，包含五组磁传感器的三维磁场测量值，每行数据均附有布尔型滑动标签。其规模虽不足千条，但覆盖多硬度物体与多方向力作用，提供了丰富的动态滑动与静态接触对比样本。数据以结构化表格形式呈现，特征维度清晰，适用于分类模型训练与触觉感知研究。

使用方法

该数据集适用于表格分类任务，可直接加载CSV文件进行机器学习建模。研究者可利用磁传感器数据作为输入特征，以滑动标签为监督信号，开发滑动检测算法。数据已预分割为训练与测试集，支持模型验证与性能评估，为机器人触觉控制与物体操作研究提供实证基础。

背景与挑战

背景概述

在机器人触觉感知领域，精准的滑移检测是实现灵巧抓取与稳定操作的核心技术。该数据集由Pollen Robotics团队于2023年构建，依托Reachy 2机械手与Anyskin柔性触觉传感器系统，旨在解决机器人抓取过程中物体滑移的实时识别问题。通过采集五组磁传感器在多种材质物体受不同方向拉力时的三维磁场数据，并辅以专家手动标注的滑移事件标签，该数据集为触觉信号处理与模式识别研究提供了关键实验基准，推动了自适应抓取控制算法的发展。

当前挑战

该数据集致力于解决机器人触觉感知中的滑移检测挑战，其核心在于从高维时序磁信号中准确识别微小的滑移特征，这对模型的噪声鲁棒性与时序依赖性建模提出了较高要求。在构建过程中，数据采集面临多重困难：需在手动触发抓取与多方向拉力施加的复杂操作环境下保持传感器同步与数据一致性；同时，依赖人工标注滑移事件引入了主观偏差风险，且小规模样本（n<1K）可能限制模型的泛化能力。此外，传感器复位与物体硬度差异进一步增加了数据分布的复杂性。

常用场景

经典使用场景

在机器人触觉感知领域，该数据集为滑移检测任务提供了标准化的实验基准。通过整合Anyskin柔性触觉传感器采集的五路三维磁场数据，研究者能够训练和验证机器学习模型，以精准识别机械手抓取物体时发生的滑移现象。这一过程通常涉及对时序磁场信号的特征提取与分类，旨在实现实时、高精度的滑移事件判别，为机器人灵巧操作奠定数据基础。

实际应用

在实际机器人系统中，该数据集支撑的技术可直接应用于需要精细力控的自动化场景。例如，在工业装配线上，基于此类数据的滑移检测算法能确保机械手稳固抓取精密零件，防止因滑动导致的装配失败或部件损伤。在服务机器人领域，它有助于实现更安全、柔顺的物品抓取与传递，提升人机协作的可靠性与自然度。

衍生相关工作

围绕该数据集，已催生了一系列专注于触觉感知与机器人控制的经典研究工作。这些工作主要集中于开发新型的时序信号处理架构、轻量级嵌入式检测模型，以及将滑移检测与自适应抓取力控制回路相结合的策略。部分研究进一步探索了跨传感器、跨物体的迁移学习方案，以推动触觉感知模型在更广泛机器人平台与任务中的实用化部署。