触觉、力觉与接触数据
接触发生在局部且变化快；只看视频，可能错过轻微滑移、夹持力不足或人手真正接管物体的时刻。双臂人机交接用触觉时间模式判断交接意图，SlipSense明确测滑移检测延迟，TacPAC将执行期间到来的触觉反馈用于实时修正。触觉数据的核心是采样时钟、接触位置和实际控制响应的联合记录。
概念与数据问题
Section titled “概念与数据问题”触觉通常指分布式接触压力或形变观测，力觉常指力/力矩测量或估计；二者可互补，但不能混为同一真值。无力传感器力估计研究在浮动基座运动操作中估计末端力；PredTac从视觉和本体状态预测触觉。预测触觉必须与实测触觉明确区分，训练时也要记录预测所依据的信息范围。
采集、处理与对齐
Section titled “采集、处理与对齐”采集：触觉阵列、六轴力/力矩、相机、关节状态和夹爪命令分别保留原始采样率与设备时钟。触觉阵列中的单个空间采样点称为触觉单元（taxel）。STAR构建同步视觉、触觉与语言标注的双手灵巧操作数据；UniDex-ViTac利用人类视频引导仿真生成带指尖接触的机器人示范；DexTouch-WM从人类触觉学习动作条件预测。跨人手和机器人手需保存触点映射与本体差异。
处理和标注：标接触开始、滑移征兆、稳定抓持、释放和碰撞，并对接触区域及力方向做质量标记。Touch2Trace的缆线操作依赖连续压力和摩擦调节，Vision-Force Admittance Learning融合异步视觉与高频力反馈，全手实时力调节处理变化的多点接触；因此不要把高频信号简单平均成每视频帧一个数。
表示选择：Visible Touch把接触渲染成视觉输入，Agile-WAM和DexTacWAM将触觉纳入世界动作模型。派生图像或潜在向量应保留到原始传感器帧的映射。
最小字段契约
Section titled “最小字段契约”字段名是建议的数据接口，不表示所引论文使用完全相同的文件格式。
| 字段 | 记录内容 | 检查重点 |
|---|---|---|
| episode_id / contact_event_id | 任务及接触事件 | 事件边界可回看 |
| sensor_id / calibration_id | 传感器布局、单位、零点 | 接触位置与力可复现 |
| sample_at / clock_domain | 各通道原始时间 | 不同频率插值有依据 |
| taxel_values / force_torque | 压力阵列与力矩原始值 | 饱和、漂移和缺失标记 |
| contact_link / object_id | 接触手指、连杆与物体 | 多点接触分别记录 |
| contact_state / slip_label | 接触、滑移和释放标签 | 标注依据与延迟可追溯 |
| command / applied_motion | 期望与实测调节动作 | 触觉到动作反应时间可算 |
| predicted_touch / source | 推断触觉及其输入来源 | 不和实测值混用 |
质检先测零点漂移、饱和、阵列坏点、坐标方向和时钟差；再检查滑移或接触标注的时间误差。评估分事件检测、力/位置估计、控制结果三层：报告检测延迟与误报、估计误差、任务成功及物体损伤。SlipSense说明低延迟应单独量化；易碎物安全抓取说明抓住物体还不等于安全；Atomic Motion Coordinate提示语言引导与力响应的动作目标也要对齐。
数据集使用边界
Section titled “数据集使用边界”触觉传感器的表面材料、采样率、安装位置和手型会显著改变信号分布。跨平台训练需把设备与标定作为分组变量，并对目标平台单独验证。仿真或预测触觉可扩充训练，但不可作为无偏实测真值；涉及人机接触时还需报告释放过早、拉扯和过力事件。
以下论文按清单中的主主题归档。跨主题使用时，应重新核对任务、传感器和评测口径。
- Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover（2609.05282）
- TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation（2609.05266）
- UniDex-ViTac: Learning Unified Visuo-Tactile Dexterous Manipulation Policy from Human Video Data（2609.16504）
- Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing（2609.15921）
- SlipSense: Multimodal Tactile Learning for Low-Latency and Generalized Slip Detection（2609.15910）
- PredTac: Learning Contact-Rich Manipulation with Predicted Touch（2609.15198）
- Atomic Motion Coordinate for Language-Steerable and Force-Responsive Manipulation（2609.15012）
- Visible Touch: Rendering Contact for Visuomotor Policies（2609.14156）
- Vision-Force Admittance Learning for Peg Insertion into a Movable Hole（2609.14133）
- Force-Aware Reinforcement Learning with Hybrid Sensorless Force Estimation for Wheeled-Legged Loco-Manipulation（2609.13779）
- Control Architecture for Safe Grasping of Fragile Objects Using a Coarse Position-Controlled Gripper（2609.12737）
- STAR: Sparse Tactile Representation Learning in Vision-Tactile-Language-Action Models for Dexterous Manipulation（2609.12549）
- Agile-WAM: An Agile Tactile World Action Model for Contact-Rich Robot Control（2609.20761）
- DexTouch-WM: Learning Action-Conditioned Tactile World Models from Human Touch for Dexterous Robot Manipulation（2609.20649）
- DexTacWAM: A Visuo-Tactile World-Action Model for Dexterous Manipulation（2609.24976）
- Real-Time Force Regulation for Whole-Hand Dexterous Grasping（2609.30082）