研究和复制人类的感官能力，例如视觉、听觉和触觉(基于触摸的知觉)感知，需要依赖于合适数据的可用性。通常，数据集越大、越丰富，模型就越能模拟这些感官。

人工视觉和语音系统的进步得益于强大的模型，即所谓的深度学习模型，而无处不在的数字图像和语音数据库推动了这一技术的发展。相比之下，触觉传感器的进展则十分有限，这主要是因为难以将电子设备集成到柔性材料中。在《自然》杂志的一篇论文中，Sundaram等人报道了他们使用一种低成本的触觉手套来解决这个问题。

这副手套由一个手形传感套管组成，该传感套管连接在针织手套的手掌侧，手套上面布置了 548 个传感器和 64 个导电线电极。该传感器阵列由一张力敏薄膜和导电线网络组成。电极与薄膜之间的每一个重合点都对垂直力敏感，并会记录通过薄膜的电阻。

在Sundaram和同事的研究中，他们戴着这只手套，在3 - 5分钟的单手操作26件日常物品的过程中，记录了几段压力图的视频。这个过程产生了一个详细的压力图数据库，这可能是此类数据集中最大的数据库之一。研究人员发现，尽管这种手套的制造成本仅为10美元左右，但这种手套灵活、结实、对微小的压力变化也很敏感。

为了证明手套能够捕捉到人手与不同物体间的不同互动，Sundaram等人使用记录的数据进行了自动对象识别。他们展示了一个最先进的深度学习模型--最初是为大规模图像分类而设计的--可以从收集的压力图中进行学习，从而在盲操作过程中重新识别26个物体。大量的压力图及其空间分辨率被证明是成功识别物体的关键。

接下来，作者使用手套来拾起物体，并证明了类似的深度学习模型可以估计未知物体的重量。

除了提供了充分研究人类抓取原理的实验证据外，这种数据驱动的探索还可以提高我们对触觉功能的理解。深度学习模型极大地提高了我们对视觉对象识别神经机制的认识。在这方面，类似的方法可以应用于大脑触觉信息处理的解释。

这种灵活的传感装置可能有多种用途，例如，在医学诊断、个人医疗健康和运动方面。但它也可能影响到假肢和机械手的发展。触觉反馈在控制手的移动和施加力的方面起着至关重要的作用，因此缺乏触觉反馈使得人类和机器人都很难实现稳定的抓握力。

我们还知道，为假肢提供触觉反馈可以帮助减轻对缺失肢体的疼痛的感知，增加对假肢的成为身体一部分的认可，并通过更自然的操作减少控制假肢所涉及的认知压力。

触觉传感器可以装在假肢戴的手套里，或者直接固定在机械部件上。目前，主要的限制是手套所需的高密度传感器覆盖的缺点。其中一个缺点是广泛的连接——尽管作者使用了行和列的设计来合理地限制这种连接。另一个方面是压力图的记录速度，这可能需要进一步借助应用程序。尽管如此，这种手套为机器人的应用提供了令人兴奋的前景。