当北京人形机器人创新中心发布 RoboMIND 2.0 时，我第一次看到了大规模触觉数据的标准化可能性。这篇文章记录了我用 TLabel 对 RoboMIND AgileX 数据集进行标注测试的全过程——从 1.4GB HDF5 文件到质量评分，从 Tashan 传感器适配到 14 维 Schema 映射。

为什么触觉数据需要"标注"？

如果你训练过机器人抓取模型，一定遇到过这个问题：视觉数据有 COCO、ImageNet，但触觉数据连个统一的标注格式都没有。

每个数据集都在自说自话：

• DexMIMIC 用的是 (T, 128, 128) 的 GelSight 图像
• RoboMIND 用的是 (T, 2, 6) 的 Tashan 力传感器数据
• 戴盟用的是 (T, 384, 288) 的形变+剪切+深度三通道数据

数据格式不统一，模型就学不到可迁移的特征。

这就是我们做 TLabel 的初衷：一个统一的触觉标注格式标准，让不同传感器、不同数据集的数据都能用同一套 Schema 来描述。

RoboMIND 2.0：触觉数据的"破局者"

2026 年 7 月，北京人形机器人创新中心发布了 RoboMIND 2.0。除了 310K 条双臂操作轨迹、759 个任务这些"常规操作"外，最让我兴奋的是：它包含了 1.2 万条带触觉的操作数据。

这些触觉数据来自 Tashan TS-F-A 指尖力传感器，部署在 AgileX Cobot Magic V2.0 移动双臂机器人上。数据格式是 (T, 2, 6) float32：

表格

维度	含义	单位
dim0	normal_force	N（法向力）
dim1	tangential_force	N（切向力）
dim2	tangential_direction	rad（切向方向）
dim3	tangential_fx	N（切向力 x 分量）
dim4	tangential_fy	N（切向力 y 分量）
dim5	contact_indicator	binary（接触指示）

其中 65535.0 是无效值标记（uint16 overflow）。

这是目前公开数据集中，少有的同时包含法向力、切向力、力方向角的完整 3D 力向量数据。

用 TLabel 标注 RoboMIND 数据

第一步：tashan 适配器

TLabel 的 tashan_ts_f_a 适配器专门针对这种数据格式设计。它做三件事：

1. 解析 HDF5：读取 tactile_observations/tactile_{left/right}_align/data
2. 无效值过滤：检测 65535.0 标记，将其标记为 L1（无接触）
3. Schema 映射：将 6 维原始数据映射到 TLabel 14 维 Schema

关键代码（简化版）：

def extract_schema(self, raw_frame_data):

nf = raw_frame_data["normal_force"]

tf = raw_frame_data["tangential_force"]

fx = raw_frame_data["tangential_fx"]

fy = raw_frame_data["tangential_fy"]

# 无效值处理

if nf == 65535.0 or tf == 65535.0:

return TLabelSchemaV2(

contact=False,

compliance_level="L1",

)

# 接触检测

contact = bool(nf > 0.01 or tf > 0.01)

return TLabelSchemaV2(

contact=contact,

force_magnitude=float(nf) if contact else 0.0,

force_vector=[float(fx), float(fy), float(nf)] if contact else None,

compliance_level="L3" if contact else "L1",

raw_sensor_values={...}, # 保留原始 6 维数据

)

第二步：运行标注

我拿到的是 RoboMIND 2.0 AgileX 的三个样本数据集：

表格

数据集	文件大小	HDF5 路径
data	338 MB	data/trajectory.hdf5
data1	608 MB	data1/trajectory.hdf5
data2	460 MB	data2/trajectory.hdf5

用 TLabel 0.22.4 运行标注：

from tlabel.adapters.tashan_ts_f_a import TashanTsFAAdapter



adapter = TashanTsFAAdapter()



for name in ['data', 'data1', 'data2']:

tlabel_data = adapter.load(f"E:\\数据集\\RoboMIND2.0-Agilex-mobile\\{name}\\trajectory.hdf5")

# 自动完成：帧解析 → 接触检测 → 力向量计算 → 合规级别判定

标注结果

表格

数据集	总帧数	接触帧数	接触率	平均力	最大力	L1/L3 分布	质量分
data	5,176	3,882	75.0%	24.87 N	30.40 N	1294 / 3882	85.3
data1	8,264	7,248	87.7%	5.67 N	23.29 N	1016 / 7248	65.1
data2	6,520	3,375	51.8%	3.68 N	12.31 N	3145 / 3375	50.7
总计	19,960	14,505	72.7%	-	-	-	-

几个关键发现：

1. 接触率 72.7% ：说明这些轨迹大多是在操作物体，而不是空挥
2. data 数据集质量最高（85.3 分）：接触率 75%，力分布均匀（平均 24.87 N，标准差小）
3. data2 数据集接触率最低（51.8%）：可能是任务本身不需要持续接触，或者传感器有遮挡
4. L3 级别占比高：大部分接触帧都有完整的 3D 力向量 [fx, fy, nf]

质量评分算法

TLabel 的质量评分基于三个维度：

• 接触率（40%） ：接触帧数 / 总帧数
• 力分布均匀性（30%） ：变异系数越小，分数越高
• 数据完整性（30%） ：是否有缺失帧、无效值等

data 数据集的均匀性得分最高（25.28/30），因为它的力值集中在 22-30 N 之间，说明是一个稳定的抓取任务。

从 RoboMIND 到 LeRobot：TLabel 的桥梁作用

RoboMIND 的触觉数据格式是 (T, 2, 6)，而 LeRobot v2.1 期望的是 (T, D) 的标准特征格式。TLabel 的 lerobot_export 功能可以一键转换：

tlabel export data/trajectory.hdf5 output/ --adapter tashan_ts_f_a

输出符合 LeRobot v2.1 规范的数据集，包含：

• observation.state：机器人关节状态
• action：目标动作
• observation.tactile：触觉特征（来自 TLabel Schema 的 force_magnitude 和 force_vector）

这让 RoboMIND 的触觉数据可以直接用于训练 LeRobot 模型。

结论

RoboMIND 2.0 是具身智能领域的一个重要里程碑，它首次大规模地提供了触觉数据，让多模态策略学习成为可能。

TLabel 的作用是：为这些触觉数据提供统一的标注标准和质量评估，让它们更容易被不同框架（LeRobot、ACT、Diffusion Policy）复用。

下一步计划：

• 向 RoboMIND 官方提交 Issue，建议将 TLabel 作为触觉数据的官方标注工具
• 发布 RoboMIND → LeRobot 的完整转换教程
• 开源 tashan 适配器的详细文档

如果你也在做触觉数据相关的工作，欢迎交流。

参考链接：

• TLabel GitHub
• RoboMIND 2.0 官方
• TLabel PyPI