fingernet-100k

FingerNet-100K数据集包含10万个由有限元仿真生成的FingerNet数据样本。数据集分为两个子集：finger和finger_surf。finger子集包含10万个典型的asFinger样本，而finger_surf子集包含10万个带接触表面的asFinger样本。每个样本包含三个组成部分：手指的6D运动（包括平移和旋转）、手指底面的6D力和力矩以及手指表面节点的3D位移。

原始信息汇总

FingerNet-100K 数据集概述

数据集基本信息

• 许可证：BSD-3-Clause
• 任务类别：机器人学
• 模态：表格数据
• 数据规模：100K<n<1M
• 标签：fingernet, asfinger

数据集配置

数据集包含两个子集配置：

• finger：数据文件路径为 data/finger/data_*.parquet
• finger_surf：数据文件路径为 data/finger_surf/data_*.parquet

数据内容

• 数据来源：通过有限元仿真生成的100,000个样本
• finger子集：包含100,000个典型asFinger样本
• finger_surf子集：包含100,000个带接触表面的asFinger样本

数据模式

每个样本包含三个组件：

字段名称	类型	形状	描述
motion	List[float64]	[6]	手指的6维运动，包含平移(dx, dy, dz)和旋转(rx, ry, rz)，单位分别为mm和rad
force	List[float64]	[6]	手指底面的6维力和力矩，对应(fx, fy, fz, tx, ty, tz)，单位分别为N和Nmm
nodes	List[List[float64]]	[N,3]	手指N个表面节点的3维位移，每个节点表示为[dx, dy, dz]，单位为mm

使用方法

python from datasets import load_dataset

dataset = load_dataset("asRobotics/fingernet-100k")

访问finger子集

for sample in dataset[finger]: motion = sample[motion] force = sample[force] nodes = sample[nodes]

访问finger_surf子集

for sample in dataset[finger_surf]: motion = sample[motion] force = sample[force] nodes = sample[nodes]

引用信息

如果使用此数据集，请引用以下论文：

bibtex @article{liu2024proprioceptive, title={Proprioceptive learning with soft polyhedral networks}, author={Liu, Xiaobo and Han, Xudong and Hong, Wei and Wan, Fang and Song, Chaoyang}, journal={The International Journal of Robotics Research}, volume = {43}, number = {12}, pages = {1916-1935}, year = {2024}, publisher={SAGE Publications Sage UK: London, England}, doi = {10.1177/02783649241238765} }

bibtex @article{wu2025magiclaw, title={MagiClaw: A Dual-Use, Vision-Based Soft Gripper for Bridging the Human Demonstration to Robotic Deployment Gap}, author={Wu, Tianyu and Han, Xudong and Sun, Haoran and Zhang, Zishang and Huang, Bangchao and Song, Chaoyang and Wan, Fang}, journal={arXiv preprint arXiv:2509.19169}, year={2025} }

搜集汇总

数据集介绍

构建方式

在机器人触觉感知研究领域，FingerNet-100K数据集通过有限元仿真技术构建而成，采用参数化建模方法生成十万组样本数据。该数据集包含两个独立子集：基础版finger模拟典型柔性手指的物理特性，增强版finger_surf则引入接触表面模型以扩展应用场景。每个样本均通过数值模拟记录手指运动与力学响应的完整对应关系，构建过程严格遵循连续介质力学原理，确保数据在物理维度上的真实性与一致性。

特点

该数据集的核心特征体现在其多维度的结构化数据表达，每个样本包含六维运动参数、六维力学反馈以及三维表面节点位移场。运动参数涵盖平移与旋转的完整自由度，力学数据对应底部表面的空间力与力矩，节点位移场则精细刻画了柔性体表面形变拓扑。两个子集形成互补关系，基础子集聚焦本体感知特性，增强子集则突出接触交互场景，共同构成研究软体机器人本体感知与触觉识别的完整数据基础。

使用方法

研究人员可通过HuggingFace数据集库直接加载该资源，使用标准接口访问两个独立配置的数据子集。在具体应用中，可分别提取运动、力学与形变节点三类核心数据字段，构建端到端的感知模型训练流程。该数据集支持机器人学领域的多种研究任务，包括但不限于柔性执行器状态估计、触觉信号解析以及物理仿真验证，为软体机器人智能控制提供可靠的实验数据支撑。

背景与挑战

背景概述

在机器人触觉感知领域，软体手指的力学建模一直是推动灵巧操作发展的核心问题。FingerNet-100K数据集由asRobotics团队于2024年构建，通过有限元仿真生成了十万组样本数据，旨在解决软体多指抓取系统的本体感知与力学响应预测难题。该数据集通过记录六维运动参数、接触力矩阵及表面节点位移，为构建数据驱动的软体机器人动力学模型提供了重要基础，显著推进了《The International Journal of Robotics Research》等顶级期刊中提出的仿生抓取理论向实际应用的转化。

当前挑战

软体机器人领域面临的核心挑战在于非线性力学响应的精确建模，传统解析方法难以描述多自由度耦合变形行为。FingerNet-100K在构建过程中需克服有限元仿真规模与精度的平衡难题：既要保证十万级样本的生成效率，又需维持节点位移数据的毫米级精度。数据集同时承载着解决高维力学映射问题的使命，要求模型从六维运动输入中准确预测分布式接触力场，这对机器学习算法的泛化能力提出了严峻考验。

常用场景

经典使用场景

在软体机器人触觉感知研究中，FingerNet-100K数据集通过有限元仿真生成的十万组样本，为软体手指的力学行为建模提供了标准化基准。其典型应用场景包括训练神经网络模型从六维运动输入预测接触力与表面节点位移，为软体抓取系统的数字孪生构建奠定基础。

解决学术问题

该数据集有效解决了软体机器人领域缺乏大规模标准化力学仿真数据的瓶颈问题，为研究多自由度软体手指的本体感知机制提供了数据支撑。通过精确记录运动-力-形变的耦合关系，显著推进了基于数据驱动的软体机器人动力学建模研究，填补了传统解析方法在复杂接触场景中的局限性。

衍生相关工作

基于该数据集衍生的经典研究包括《Proprioceptive learning with soft polyhedral networks》提出的软多面体网络架构，实现了从运动到力的端到端映射学习。后续工作《MagiClaw》进一步将仿真数据与视觉感知结合，构建了人机协作的软体抓取系统，形成了从数字仿真到实体部署的完整技术链条。