Skip to content
Chinese robotics — Dataset and collection discovery·· 10 days agoSignalEditorial score85

TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning

把人类双手的「手感」移植给机器人：500 小时真实操作数据，任务成功率翻番

Summary

TouchScale is a 500-hour human vision-touch dataset collected with unified sensors and protocols, enabling scaling benefits in perception and robotic manipulation. The dataset improves cross-sensor generalization and robot task success rates without using action labels, demonstrating the potential of large-scale human touch data for embodied AI.

Editorial context

TouchScale presents a 500-hour human vision-touch dataset with unified sensors and collection protocols, showing scaling benefits in both perception and robotic manipulation. The dataset enables cross-sensor generalization and improves robot task success rates without action labels.

Source: Chinese robotics — Dataset and collection discovery · Read original article ↗

English translation unavailable. Choose the original article to read it.

What the source reports

Publisher-reported claims, with original evidence. These results have not been independently verified by RoboSignal.

Reported numbers

  • Reported duration

    500 hours

    View original evidence
    TouchScale 包含 500 小时人类双手视觉-触觉同步数据，全部由同一套穿戴式系统采集，同步记录头部 RGB-D、双腕 RGB 和双手全手触觉信号。
    Open source S14

  • taxels_per_hand

    880

    View original evidence
    与已有公开的人类视觉-触觉数据相比，TouchScale 不仅将规模扩展到 500 小时，还始终保持统一的传感器和采集流程，并提供双手全手触觉采集，每只手包含 880 个 taxel。
    Open source S24

  • Reported success rate

    57.5%

    View original evidence
    无需人类动作标签，也不把人手动作映射到机器人，只用人类视触觉数据做 mid-training，机器人 4 个真机接触任务的平均成功率从 22.5% 升到 57.5%。
    Open source S16

  • Reported success rate

    22.5%

    View original evidence
    无需人类动作标签，也不把人手动作映射到机器人，只用人类视触觉数据做 mid-training，机器人 4 个真机接触任务的平均成功率从 22.5% 升到 57.5%。
    Open source S16

  • Reported duration

    500 hours

    View original evidence
    近日，来自德州农工大学（Texas A&M）、Google DeepMind、卡内基梅隆大学（CMU）、斯坦福大学、加州大学伯克利分校、耶鲁大学、微软、英伟达（NVIDIA）、利物浦大学、Meta、华盛顿大学、西北大学、索尼、佐治亚理工学院（Georgia Tech）以及 Overfit Lab （数据供应商） 等 15 家机构的研究者发布了 TouchScale ：一个在统一传感器、统一采集与同步流程下构建的 500 小时人类视觉 - 触觉数据集 。
    Open source S10

  • Reported duration

    500 hours

    View original evidence
    题目：TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning 论文链接： https://arxiv.org/abs/2610.10288 项目主页：https://touch-scale.github.io/ 数据集地址：https://huggingface.co/datasets/2077AIDataFoundation/TouchScale 500 小时触觉数据，难的不只是「采得多」 对 TouchScale 来说，真正的难点不是把小时数简单堆到 500，而是在同一套传感器、同一套同步与采集流程下持续扩展。
    Open source S20

  • Reported duration

    500 hours

    View original evidence
    与已有公开的人类视觉-触觉数据相比，TouchScale 不仅将规模扩展到 500 小时，还始终保持统一的传感器和采集流程，并提供双手全手触觉采集，每只手包含 880 个 taxel。
    Open source S24

What remains unknown

Not established in the collected evidence: Environment, Control, Data origin.

Reported performance applies to the described task. It does not establish general autonomy or deployment readiness.

Source excerpts and review record

Automatically extracted; no manual editorial approval recorded.

TouchScale 包含 500 小时人类双手视觉-触觉同步数据，全部由同一套穿戴式系统采集，同步记录头部 RGB-D、双腕 RGB 和双手全手触觉信号。

Open source S14

与已有公开的人类视觉-触觉数据相比，TouchScale 不仅将规模扩展到 500 小时，还始终保持统一的传感器和采集流程，并提供双手全手触觉采集，每只手包含 880 个 taxel。

Open source S24

无需人类动作标签，也不把人手动作映射到机器人，只用人类视触觉数据做 mid-training，机器人 4 个真机接触任务的平均成功率从 22.5% 升到 57.5%。

Open source S16

近日，来自德州农工大学（Texas A&M）、Google DeepMind、卡内基梅隆大学（CMU）、斯坦福大学、加州大学伯克利分校、耶鲁大学、微软、英伟达（NVIDIA）、利物浦大学、Meta、华盛顿大学、西北大学、索尼、佐治亚理工学院（Georgia Tech）以及 Overfit Lab （数据供应商） 等 15 家机构的研究者发布了 TouchScale ：一个在统一传感器、统一采集与同步流程下构建的 500 小时人类视觉 - 触觉数据集 。

Open source S10

题目：TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning 论文链接： https://arxiv.org/abs/2610.10288 项目主页：https://touch-scale.github.io/ 数据集地址：https://huggingface.co/datasets/2077AIDataFoundation/TouchScale 500 小时触觉数据，难的不只是「采得多」 对 TouchScale 来说，真正的难点不是把小时数简单堆到 500，而是在同一套传感器、同一套同步与采集流程下持续扩展。

Open source S20

此前公开的人类视觉-触觉数据集大多不足 30 小时；如果直接把多个小数据集拼在一起，不同硬件和采集流程会与数据规模一起变化，很难把规模本身的影响单独拿出来研究。

Open source S21

Source：Chinese robotics — Dataset and collection discovery · finance.sina.com.cn

#Dataset#Research#Open source#Imitation learning#Reinforcement learning#Humanoids
Timezone · UTC

Article dates follow your selected timezone. Briefing editions use Hong Kong time (UTC+8).