蚂蚁灵波开源LingBot-Touch：近5000小时触觉数据补上机器人感知一环

11月10日消息，蚂蚁灵波科技把触觉基础模型LingBot-Touch开源出来，机器人大脑由此补上了触觉感知这一环。模型预训练用了近5000小时真实触觉数据，磁触觉、视触觉、压阻式三类主流传感原理都在覆盖范围内。不同信号经它转成同一套触觉表征，各类灵巧手和动作模型都能直接使用。机器人过去看得清楚、想得明白，精细操作缺的那部分触觉感知，这次被补上了。

通用大模型正加速演进，蚂蚁灵波此时推出一款面向物理操作闭环的触觉基础模型，态度很明确：具身原生路线会继续投下去。

蚂蚁灵波的通用大脑此前已覆盖高精度空间感知、高动态环境交互和可泛化灵巧操作，机器人看得更清楚、想得更明白、干得更利索。LingBot-Touch这次接入了LingBot-VLA，感知能力伸到“指尖”，机器人“摸得更灵敏”，具身原生通用大脑的能力再往上走了一步。

26项真机测试 任务成功率提高14至26个百分点

通用大模型在进步，机器人理解复杂任务、推理操作步骤的本事也在增强。可到了真实物理世界，每走一步动作，机器人都得感知物体和环境的变化，再修正下一步。不少精细操作里，机器人看得见物体在哪，手也能伸到正确位置，任务却未必能顺利完成——手指碰上物体之后，受力合不合适、物体有没有滑移，光靠视觉判断不了，得靠触觉补上。

拿灵巧手拧瓶盖来说，深度信息能帮手指对准瓶盖。一旦开始转动，瓶盖可能已经松了，也可能指腹正沿着盖壁打滑。画面里这两种情况长得差不多，动作调整却完全不同。指尖的接触位置、受力大小及其变化，都是动作模型判断的重要依据，偏偏这些信息被手指和物体挡着，视觉拿不到。

触觉表征对真实操作到底有没有帮助？蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上做了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。

T-Rex控制Sharpa Wave拧瓶盖这组测试里，不用触觉时任务成功率为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%。

（图说：接入LingBot-Touch后，四种动作模型在两款灵巧手上的真机任务成功率均达到各自最高水平）

统一触觉表征，让机器人“手感”跨硬件复用

装上触觉传感器，不代表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、压阻式等主流路线各有优势和局限，面向不同成本和使用场景，多种技术路线可能长期并存。

更麻烦的是，这些传感器采集的数据很难直接通用。同一次接触，传感原理和触点布局不同，形成的原始信号就不同。模型只学会解读其中一种，换传感器或换灵巧手之后，已有的数据和触觉经验就可能用不上，得重新采集、训练和适配。硬件迭代这么快，这种绑定带来重复开发，硬件厂商、整机团队和模型开发者之间的适配成本也跟着涨。

触觉要规模化落地，关键在于让触觉理解不再依赖特定传感器的物理信号。不同来源的数据能放在一起训练，积累的触觉能力才能跨传感器、跨灵巧手、跨模型和跨任务复用。

LingBot-Touch的做法是按传感原理分别设置编码入口，先处理不同的原始信号，再把不同布局的触点映射到统一的指尖坐标空间，由共享模型学习接触位置、受力及其随时间的变化，输出统一的触觉Token。人戴触觉手套采集的数据和遥操作灵巧手采集的数据，由此可以共同用于训练；不同动作模型也能用训练好的模型提取接触特征。这套架构还给未来接入新类型触觉传感器留了扩展空间。

（图说：LingBot-Touch将磁触觉、视触觉、压阻式触觉信号编码为统一的触觉Token，供不同动作模型使用）

触觉能力跨硬件复用这件事，团队在XHand1上又验证了一次。XHand1用的磁触觉传感器型号不在预训练数据里，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。

本次真机测试中，LingBot-Touch接入了四种不同动作模型，并不绑定蚂蚁灵波自研模型。它提供的是触觉传感器和动作模型之间的通用感知能力，不是某一硬件或某一策略的专用模块。对产业来说，传感器和灵巧手厂商可以按成本与任务需求挑硬件，整机团队也能保留自己的动作策略，每换一种硬件与算法组合就重新开发触觉能力的重复投入可以少一些。

感知能力和端侧算力要兼顾，蚂蚁灵波因此提供了两种容量的模型。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，模型参数量仅增加约0.13%至0.16%。

容量更大的LingBot-Touch-Small在感知测试中显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。

坚持具身原生，与通用大模型协同推进

蚂蚁灵波CEO朱兴谈到具身大模型技术路线近来的变化时说：“GPT-6 Astra、Claude Fable 5.2这类数字世界大语言模型越走越远，机器人在复杂任务推理和物理操作上确实跟着变强，我们盯着这块，也在积极吸收。可产业一线跑下来，要真把操作闭环打通，物理操作泛化性这道坎还是躲不过去，很大程度上还得指望具身基础模型自己取得突破。”

在朱兴看来，通用大模型和具身基础模型之间更像是 1+1＞2 的配合：理解任务、理解环境、做推理，靠前者；物理感知和闭环操作能力，靠后者。两边各自往前走，又互相带动，具身智能产业的成熟因此被一起推快。

朱兴提到，动作输出好不好，很大程度上取决于模态输入的质量——输入不行，输出也难好。他表示，蚂蚁灵波会沿着具身原生路线走下去，继续摸索物理操作泛化性的新上限，做出能跨构型的机器人行业通用大脑，让视觉、深度、触觉乃至温度等更多物理模态在同一个模型里对齐；商业化推进的同时，也会持续向社区开源开放。

LingBot-Touch 的技术报告、模型和代码目前已开源，开发者可前往 Hugging Face、GitHub 和魔搭社区获取并下载。