蚂蚁灵波开源LingBot-Touch：近5000小时触觉数据训练机器人“手感”

近来，通用大模型在任务理解、复杂推理等方面接连取得突破，具身智能行业又把目光拉回到一个老问题上：机器人的“大脑”究竟该走哪条技术路线。

拧瓶盖、拼拼图，这些动作在Anthropic最新发布的Claude Fable 5.2上已经能完成，该模型在机器人仿真评测里也有明显进步。通用模型向物理世界延伸，潜力正被一次次验证。

问题也因此更具体了：指令能听懂、步骤能规划之后，动作怎么才能稳稳当当地做出来？

11月10日，蚂蚁灵波科技把触觉基础模型LingBot-Touch开源，答案落在接触感知这一环。该模型用近5000小时真实触觉数据做预训练，磁触觉、视触觉、压阻式三类传感原理都覆盖在内，不同信号被转成统一的触觉表征，供各类灵巧手和动作模型调用。

它要补的是机器人碰到物体之后的判断能力：有没有抓稳、是不是在打滑、接下来该加力还是松手。

训练通用的“手感”

手感属于典型的默会知识。波兰尼的看法是，人知道的东西远比说出口的多。这类知识没法靠文字传授，只能在反复练习里习得，机器人想掌握，同样得靠经验积累。

机器怎么攒出这种手感？LingBot-Touch的训练方法给出了一个过程。

从学习时长看，LingBot-Touch预训练投入4983小时真实触觉数据，包含46.4万段交互、约13.3亿帧，动作涵盖抓握、旋转、滑动、擦拭、装配和双手配合。

近5000小时数据把三条触觉路线都收了进来：人戴触觉手套采集的2197小时压阻式数据、1136小时磁触觉数据，以及遥操Sharpa Wave双臂灵巧手机器人采集的1650小时视触觉数据。

其中三分之二的接触数据由真人戴手套采集，不依赖机器人本体，这为数据规模的积累提供了另一条增长曲线。

三类传感器的指尖大小、触点数量和排布各不相同，得在模型侧做对齐。LingBot-Touch的处理办法是把各种信号统一翻译成同一种触觉Token，每个Token都标注时间、手指编号和三维位置；训练时再对触点密度和位置加扰动，避免模型把某一款传感器的排布死记下来。

触觉信号本身很稀疏。灵巧手伸向目标、调整姿态的过程中，传感器读数接近零，有效信号只在接触那一瞬间出现，绝大部分时间是没有触觉信号的。若按“看到什么学什么”的路子训练，很可能什么都学不到。

LingBot-Touch换了个做法：把一段记录里的部分触点遮住，让模型依据其余触点的变化推断被遮区域可能发生了哪种接触，再放到特征空间里比对，不追求还原原始读数。这样训练的注意力就集中到了有接触的关键帧上。

端侧模型尺寸不能太大，杯子一旦开始打滑，留给触觉计算的时间窗口转瞬即逝。考虑到这一点，LingBot-Touch提供Tiny和Small两个版本，轻量化的Tiny版约530万参数，接入LingBot-VLA、π0.5和T-Rex后，参数量分别只增加0.13%、0.15%和0.16%。

参数量控制住了，效果却没有打折扣。

真机测试用了高自由度的Sharpa Wave和低自由度的XHand两款灵巧手，动作模型有四款：灵波自家的LingBot-VLA，以及外部的π0.5、Diffusion Policy和T-Rex。每种搭配跑三组对照——不用触觉、直接喂原始信号、用LingBot-Touch提取触觉Token。

两款灵巧手合计完成翻书、叠杯、搬运易变形杯、按软硬分拣、交接盒子等26项任务，四种动作模型的平均成功率，最高的都是使用LingBot-Touch的那一组。

技术报告里有个拉合拉链的场景：在Sharpa Wave上，π0.5不用触觉时成功率为39%，直接喂原始信号跌到15%，换成LingBot-Touch的触觉Token后回升至59%。

感知精度方面，LingBot-Touch定位接触中心更准，在Sharpa Wave上的平均定位误差为0.12毫米；作为对照的FTP-1即便配上平台专用适配器，误差也高达2.19毫米。

行业迎来制式化的解法

当前机器人触觉最主要的产业痛点，是不同硬件、不同任务攒下的触觉经验很难变成可复用的东西。

视触觉、磁触觉、阻压式三条传感路线并行推进，量纲、触点布局、采样频率都不一样。做动作模型的团队只能拿原始信号从头学起，每条路线都得自建采集管线、自己完成标定与标注；费大力气训出来的模型只服务单一厂商的灵巧手，硬件一迭代，又得推倒重来。

依赖触觉感知的精细作业，也就长期停留在低自动化水平。

以往做触觉算法，得针对每一款硬件型号逐个适配，走的是定制路线。定制带来的麻烦，要用标准化思路来解决。LingBot-Touch另辟蹊径，从传感原理入手做适配。

编码入口依照传感原理来设计，触点统一换算成标准化的指尖坐标，训练阶段再引入布局扰动，这样一来，同一原理下的新机型就能直接接进来。

“开箱即用”在真机测试中得到了印证。XHand所用的磁触觉传感器型号并没有出现在预训练数据里，灵波冻结了LingBot-Touch的参数，只用这只手的操作示范来训练动作策略，结果四种动作模型的成功率均明显上升。

LingBot-VLA在XHand上搬运易变形的杯子，直接读取传感器信号时成功率为58%，接入LingBot-Touch提取的接触信息后，成功率很快升至90%。换成新任务同样无需重训触觉模型，只要用少量示范数据把动作模型教会就行。

把接触信号统一翻译成同一种语言，整条产业链都能从中受益。

动作模型团队就是直接受益方，同一套Token可以接入π0.5、Diffusion Policy、T-Rex，更换模型时不用在触觉层反复投入。灵巧手和传感器厂商把标定、降噪、读数校正这些器件层面的基础工作做好，就能将更多研发资源投向精度与耐用性。

通用的手感让整机厂在选型上获得了自由。指尖用视触觉分辨细小接触，手掌铺压阻阵列感知大面积受力，这类混合方案从概念走向可行。应用方也是如此，工厂与仓库在选型时不必绑定某一款特定的灵巧手，可以按任务挑最合适的硬件，手感不再是换型的代价。

放到国内环境看，通用触觉模型还有一层特殊价值。国内灵巧手和传感器的种类是全球最多的，能采集到单一硬件覆盖不了的接触数据。多样性是富矿，却也容易让经验变得碎片化。通用触觉模型让不同技术路线从泾渭分明转为可以互补短板，让每一份硬件积累的数据都能发挥更大作用。

要让一套通用的手感真正铺开，生态支持缺不得。蚂蚁在具身智能上的布局，在LingBot-Touch发布前已见轮廓：本体这一头有乐聚、钛虎；落地场景上，国大药房、隆盛等企业已在零售分拣、物流分拣和工业场景里做商业化测试；数据体系则由简智科技参与共建。

代码与权重全部开源，外部团队下载即可使用，不用采一小时数据，也不用训一天模型，现有机器人搭载后就有手感。开放的同时，真实作业数据持续回流训练，用的人越多，回流的场景越杂，这也是灵波全站大脑很难被复制的原因之一。

真实世界没有暂停键

开源让手感可以外溢，但这条路能否持续领先，取决于对物理世界本身的判断。

9月，GPT-6 Astra发布后，多个研究团队把它迁移到机器人上做测试。

榜单上40个公开动作策略，RoboDojo的42项操作任务里，一个都没专门练过，综合得分照样全部压过。通用大模型对任务的理解和步骤规划，看上去已经能直接挪到机器人身上用。

短板也在同一批测试里露了出来。碰上要精度、要动态控制、要双手配合的任务，通用模型明显费劲，物体在手里转动时，几根手指之间的接触总协调不好。还有一项仿真行走测试，机器人走30秒，模型得被调用250次，平均下来每次接近40秒。原因是仿真算不完就得停下等着。

真实世界不会给任何暂停的机会，接触之后这一层，通用大模型短时间内无法补位。

首先，数据获取的难易度完全不同，语言与视觉模型的数据能从互联网上获取，培育手感的数据只能到物理世界采集。其次，触觉信号变化极快，留给推理的时间窗口转瞬即逝，处理它的模型要足够轻，才能嵌入真机回路。其三，拉合拉链的案例表明，原始信号直接灌给模型会适得其反，把接触信号翻译成模型可用的信息，需要专门的数据与专业训练。

通用大模型没填上的这块，正是蚂蚁灵波要打的方向。它走的是具身原生路线，想用一个大脑带动不同形态的机器人，省掉给每台硬件单独写程序这一步。

现阶段先把机器人需要的关键能力拆开研究和验证：LingBot-Vision与LingBot-Depth 2.0提供视觉与空间感知，LingBot-VLA 2.0负责理解指令、生成动作，LingBot-World 2.0与LingBot-Video让机器人感知世界如何随时间变化，LingBot-VA 2.0统一世界预测与动作生成，接触之后的处理由LingBot-Touch完成。

这些模型合起来覆盖机器人工作的完整链路，完成感知、预测、执行的闭环。

步骤上，灵波先把视觉、深度、触觉做扎实，再往下贯通。LingBot-Touch已经和VLA融合，接下来会把更多模态放进同一个模型里对齐，一点点拼成统一的大脑。通用大模型靠的是互联网数据，蚂蚁灵波的路子是在物理世界里攒出自己的优势。

以后的某个仓库里，机器人抓起一只从没见过的软包装袋，指尖碰到物体那一刻的判断，已经带着练熟的手感。灵巧手这场竞赛不会停，但新硬件、新任务不用再从零学起。