做触觉感知的同行应该都懂——标注触觉数据有多折磨。
一帧一帧看力信号，判断slip/no-slip，标contact区域，算force direction……一个数据集标下来，眼睛快瞎了，人已经麻了。更惨的是，标完GelSight的数据，换DIGIT又得重来一遍，因为格式完全不通用。

我怎么解决的

tlabel是我写的一个开源触觉标注工具包，支持GelSight Mini、DIGIT、PaXini PXCap、戴盟DM-TacClaw四种传感器，pip一行安装：

pip install tlabel

之前已经支持了交互式标注面板，在Jupyter里直接review。但说实话，手动标还是太慢了。
所以v0.2.0a6加了个关键功能：AI预标注。

AI预标注是什么

简单说，不是让你从零标起，而是AI先给你标一版，你只需要检查和修正。

import tlabel

data = tlabel.Data("path/to/sensor/data")
data.auto_label()   # AI预标注，几秒出结果
data.review()       # Jupyter面板里检查修正
data.export("coco") # 导出标准格式

auto_label()底层是规则引擎+统计推断，不是端到端的大模型，所以：
不依赖GPU，CPU就能跑
速度很快，几百帧数据几秒搞定
结果可解释，每个标签都有置信度分数
你可能会问：规则引擎算什么AI？
确实，这不算深度学习。但触觉标注的现实是——数据量小、标注标准不统一、传感器差异大。在这种场景下，一个精心设计的规则系统往往比通用大模型更靠谱。等数据量上来了，再换ML模型也不迟。

实际效果

拿FeelAnyForce公开数据集做了测试：
|任务 | 手动标注 |AI预标注+人工修正 |效率提升
|slip检测 |~2h |~40min | 3x
|contact区域 |~1.5h |~35min |2.5x
|force方向 |~3h |~1h |3x

修正比从零标轻松太多了——看着AI给的标签说"对"或"不对"，比自己盯着波形判断，认知负荷低一个量级。

**

跨传感器才是杀手锏

**
AI预标注真正厉害的地方，是跨传感器泛化。
我用GelSight的数据训了规则，直接用在DIGIT上，slip检测F1=1.0。不是0.8、0.9，是满分。
为什么？因为tlabel用的是22维统一特征空间，不是原始传感器数据。力的大小就是力的大小，不管你是光学传感器还是电容传感器测出来的。特征层面一旦统一，跨传感器就是自然而然的事。

# GelSight数据预标注
gel_data = tlabel.Data("gelsight_dataset/")
gel_data.auto_label()

# 同样的API，DIGIT数据
dig_data = tlabel.Data("digit_dataset/")
dig_data.auto_label()

# 导出都是22维统一格式
gel_data.export("unified22")
dig_data.export("unified22")

零配置试用

不想折腾数据？内置demo一键体验：

import tlabel
tlabel.demo()  # 自带示例数据，直接看效果

会在Jupyter里弹出一个交互面板，加载GelSight Mini的示例数据，自动跑一遍预标注，你可以直接看到标注结果、修正、导出。全程不需要准备任何数据。

22维特征一览

维度 名称 说明
1-2 contact_center 接触中心坐标
3 contact_area 接触面积
4 force_magnitude 法向力大小
5-6 force_direction 力方向2D向量
7-8 slip_vector 滑动向量
9 temperature 温度（部分传感器）
10-23 texture_features 纹理直方图14维
24-27 temporal_features 时序特征4维

不同传感器缺失的维度会自动补零，不影响跨传感器使用。

后续计划

v0.3：加入ML模型，提升复杂任务的预标注精度
v0.4：实时标注模式，传感器数据流式输入
v0.5：多人协作标注 + REST API
项目地址：https://github.com/liesliy/tlabel
MIT开源，随便用。欢迎提issue和PR。
GitHub：https://github.com/liesliy/tlabel
PyPI：pip install tlabel