蚂蚁灵波开源 LingBot-Touch 触觉模型：26 项真机测试成功率最高 90%
IT之家 11 月 10 日消息，今日，蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，为机器人大脑补齐关键的触觉感知能力。IT之家从官方介绍获悉，基于近 5000 小时真实触觉数据预训练，LingBot-Touch 覆盖磁触觉、视触觉和压阻式三类主流传感原理，可将不同信号转化为同一套触觉表征，让积累的“手感
11 月 10 日，蚂蚁灵波科技宣布开源触觉基础模型 LingBot-Touch，机器人大脑由此补上了触觉感知这一环。
官方介绍显示，该模型基于近 5000 小时真实触觉数据完成预训练，磁触觉、视触觉、压阻式三类主流传感原理都在覆盖范围内。它能把不同信号转成同一套触觉表征，让攒下来的「手感」在传感器、灵巧手、模型和任务之间复用。26 项真机测试中，接入这套表征后，四种动作模型的平均任务成功率比没有触觉时高出约 14 至 26 个百分点。
蚂蚁灵波的 LingBot 系列此前已经搭起一套全栈技术体系，涵盖高精度空间感知、高动态环境交互与可泛化灵巧操作，机器人因此看得更清楚、想得更明白、干得更利索。这次 LingBot-Touch 把通用大脑的感知能力延伸到了「指尖」，机器人「摸得更灵敏」，具身原生通用大脑的能力再进一步。
看清之后，为什么还需要“摸得灵敏”？
机器人在真实物理世界里每走一步，都得感知物体和环境的变化，再据此修正下一步。很多精细操作中，看清物体在哪、把手伸对位置，并不代表任务就能顺利完成。接触之后力度合不合适、物体有没有滑移，光靠视觉往往判断不了。
拿拧瓶盖来说，深度信息能帮手指对准瓶盖。可一旦开始转动，瓶盖可能已经松了，也可能是指腹沿着盖壁打滑。这两种情况在画面里长得差不多，需要的动作调整却不一样。指尖的接触位置、受力大小及其变化，就成了动作模型的重要判断依据，偏偏这些信息常被手指和物体挡住，视觉拿不到。
为验证触觉表征对真实操作的作用，团队在 Sharpa Wave 和 XHand 两款灵巧手上做了 26 项真机测试，翻书页、拧瓶盖、辨识麻将牌等精细操作都在其中。接入 LingBot-Touch 后，LingBot-VLA、π0.5、Diffusion Policy 和 T-Rex 四种动作模型的平均任务成功率，比无触觉时提高约 14 至 26 个百分点。
以 T-Rex 控制 Sharpa Wave 拧瓶盖为例：不用触觉时成功率是 56.25%，直接输入传感器原始信号是 62.5%，接入 LingBot-Touch 的触觉表征后，成功率达到 90%。
这一系列真机实验说明，高质量的触觉信息输入能给机器人动作成功率带来明显提升。
统一触觉表征，跨灵巧手、跨模型复用
装上触觉传感器，不等于机器人就能用好触觉。商用触觉传感器整体还处在较早的发展阶段，视触觉、磁触觉、压阻式等路线各有各的优势和局限。面对不同成本和使用场景，多种路线可能长期并存。
更麻烦的是，同一次接触，在不同传感原理和触点布局下会形成不同的原始信号。模型要是只学会解读其中一种，换了传感器或灵巧手，已有的数据和触觉经验就可能难以复用，得重新采集、训练和适配。
团队的想法是让触觉理解不再依赖特定传感器的物理信号，不同来源的数据能一起用于训练，积累的触觉能力可以跨灵巧手、跨动作模型复用。
按照传感原理，LingBot-Touch 分别设置了编码入口：先对不同原始信号做处理，再把各种布局下的触点映射进统一的指尖坐标空间；共享模型则学习接触位置、受力以及它们随时间的变化，最终输出统一的触觉 Token，作为可供不同动作模型调用的触觉表征。
在这套架构下，人戴触觉手套采集的数据和遥操作灵巧手采集的数据可以共同用于训练，不同动作模型也能利用训练好的模型提取接触特征。将来接入新类型的触觉传感器，架构也留出了扩展空间。
团队在 XHand 上进一步验证了触觉能力的跨硬件复用。XHand 用的磁触觉传感器型号并不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。换到这只灵巧手后，团队保持 LingBot-Touch 参数不变，只用 XHand 的操作示范训练动作模型。
LingBot-Touch 提供的是触觉传感器和动作模型之间的通用感知能力，并非某一硬件或某一策略的专用模块。本次测试接入了四种不同动作模型，不绑定自研的 LingBot-VLA 模型。传感器和灵巧手厂商可以按成本与任务需求选硬件，整机团队能保留自己的动作策略，更换硬件与算法组合时不必重复开发触觉能力。
为兼顾感知能力与端侧算力，团队给出了两种容量的模型。此次 26 项真机测试全部由约 530 万参数的轻量版 LingBot-Touch-Tiny 完成。接入 LingBot-VLA、π0.5 和 T-Rex 后，模型参数量只增加约 0.13% 至 0.16%。
容量更大的 LingBot-Touch-Small 在感知测试中显露出进一步提升的潜力：预训练数据增至近 5000 小时时，模型仍能从新增数据中获益，触觉预训练还有持续扩展提升的空间。
蚂蚁灵波表示，通用大模型加速演进的当下，发布 LingBot-Touch 是团队对「具身原生」路线的持续投入和笃定—— 不同于面向数字信息的多模态范式，机器人身处真实物理世界，信息从传感器来，作用到环境中去，既要理解深度这类空间感知信息，也要处理触觉、力觉、温度等接触感知模态。模态输入的质量，很大程度上决定了动作输出的质量。
参考
