social gesture dataset

本研究构建了一个社交手势数据集，用于识别人类与机器人之间的社交触摸。该数据集由多个参与者在机器人的手臂上执行不同的社交手势而收集，并从中提取了时间特征进行分类。数据集包含了击打、戳、抓、擦、摇、敲等六种手势，共900个手势实例，通过在机器人手臂上的大型触觉传感器收集数据。该数据集的应用领域是人类-机器人社交物理交互，旨在促进更自然和有效的交流。

This study develops a social gesture dataset for recognizing social touch between humans and robots. The dataset is collected by having multiple participants perform diverse social gestures on the robot's arm, with temporal features extracted from the collected data for classification purposes. It includes six types of gestures: hit, poke, grasp, wipe, shake, and tap, totaling 900 gesture instances, and the data is gathered using large tactile sensors mounted on the robot's arm. This dataset is targeted at human-robot social physical interaction applications, with the goal of facilitating more natural and effective human-robot communication.

搜集汇总

数据集介绍

构建方式

该数据集的构建方式是通过在类人机器人手臂上集成基于织物的、大规模的触觉传感器来实现的。研究团队收集了多位参与者的数据，并从中提取了时间特征以用于分类。数据集的构建是在实际的人形机器人上进行，这为人类与机器人之间的社交触摸提供了宝贵的见解，进一步推动了社交物理人机交互（spHRI）系统的发展，以实现更自然和有效的通信。

使用方法

使用该数据集的方法包括首先将基于织物的触觉传感器安装在类人机器人的手臂上，然后收集多位参与者的数据。之后，从数据中提取时间特征，并使用多层感知器（MLP）分类器进行手势识别。研究团队还进行了消融研究，探索了不同的特征提取方法，并训练了多种模型以确定最有效的分类方法。

背景与挑战

背景概述

随着人机交互领域的不断发展，机器人对于社交触摸的理解与回应能力日益受到重视。Crowder等人于2025年提出了一种基于织物的大规模触觉传感器，并将其集成到人形机器人的手臂上，用以实现社交手势识别系统。该研究旨在通过收集真实世界中的人机交互数据，深入理解人类与机器人之间的社交触摸，从而推动社交物理人机交互（spHRI）系统的发展，实现更为自然和有效的沟通。研究团队构建了一个社交手势数据集，并通过提取时间特征进行分类，为社交触摸领域的研究提供了重要的数据支持。

当前挑战

社交手势识别系统面临着诸多挑战。首先，现有的社交手势数据集大多未在真实的人形机器人上进行收集，导致其可能无法准确反映人机交互中的手势特点。其次，现有的触觉传感器往往分辨率较低、制造耗时、难以定制，难以适应不同形态的人形机器人。此外，社交手势识别系统在构建过程中还面临着手势分类、数据预处理、特征提取和模型选择等方面的挑战。Crowder等人的研究虽然取得了一定的成果，但在准确性和鲁棒性方面仍有待提高。

常用场景

经典使用场景

社会手势识别数据集在拟人机器人上集成了基于织物的、大规模的触觉传感器，用于识别和响应各种社交物理人机交互。该数据集的典型应用场景包括但不限于：医疗护理、教育陪伴、公共空间人机交互等。

解决学术问题

该数据集解决了当前拟人机器人缺乏大规模触觉皮肤和准确识别社交手势的问题。现有研究多依赖非拟人机器人或小规模压力传感器，无法满足实际应用需求。本数据集通过在大规模触觉传感器上收集真实世界数据，为拟人机器人社交手势识别提供了有价值的研究基础。

实际应用

该数据集的实际应用场景包括但不限于：医疗护理、教育陪伴、公共空间人机交互等。在医疗护理场景中，拟人机器人可以通过识别患者的触摸手势来理解其需求和情绪，提供更人性化的服务。在教育陪伴场景中，拟人机器人可以通过识别学生的触摸手势来评估其学习状态和情绪变化，提供个性化的教学和陪伴。在公共空间人机交互场景中，拟人机器人可以通过识别用户的触摸手势来理解其意图和需求，提供更自然、更有效的交互体验。

数据集最近研究

最新研究方向

在社交手势识别领域，最新的研究方向主要集中在利用机器人皮肤技术来提高人机交互的自然性和有效性。本研究中，研究人员通过在机器人手臂上集成基于织物的、大型的触觉传感器，收集了真实世界的数据，并从中提取时间特征进行分类。这一系统为人类与机器人之间的社交触摸提供了宝贵的见解，有助于推动社交物理人机交互（spHRI）系统的发展。研究结果表明，通过机器学习的算法，如多层感知器（MLP），可以实现高达81.16%的识别准确率，但在区分某些手势时仍然存在混淆。未来的研究将着重于扩大用户群体的多样性，包括不同能力的人，以进一步提高系统的鲁棒性和包容性。此外，研究还将探索能够处理时空数据的模型，并更深入地理解手势背后的含义和上下文，以便更好地促进用户与机器人之间的沟通。

相关研究论文

• Social Gesture Recognition in spHRI: Leveraging Fabric-Based Tactile Sensing on Humanoid Robots

  伊利诺伊大学香槟分校 · 2025年