新在线不卡免费视频|www国产精品久久麻豆|美女午夜福利网站|《福克斯号上空姐们》|关于秘书的电影|美少女的哀羞txt|日产国产一区二区三区

作者｜李沐蓉

端午節前后，一段機器人包粽子的視頻引起關注。

畫面里，這臺機器人連續完成取粽葉、折漏斗、填米裝餡、棉繩斜扎、真空封裝、禮盒打包等 13 道工序，看似是流程化的重復勞動，但每一個動作的背后，都在持續考驗同一個能力，觸覺反饋。

取粽葉，力大了葉子會撕裂，力小了又夾不穩；折漏斗，角度偏差一丁點，米粒就會從縫隙漏出；棉繩斜扎，既要保證松緊適度，又不能勒破粽葉。

這些看似簡單的操作，本質上都指向同一個問題：機器人是否知道自己碰到了什么，以及應該用多大的力。

今年以來，觸覺相關賽道持續升溫，帕西尼完成超 10 億元融資，估值突破百億；戴盟機器人也在短期內連續完成數億元級多輪融資。

同時，靈初智能、途見科技、新智具身等超過25家觸覺傳感與數據采集公司相繼獲得資本支持。

觸覺，正在從一個長期被低估的細分賽道，變成行業的新焦點。

視覺遇到天花板，觸覺決定操作能力的上限

過去一段時間，具身智能的主線是幾乎可以概括為「讓機器人看得更清楚」，更高分辨率的攝像頭、更復雜的視覺算法以及基于大模型的視覺理解與空間推理能力，不斷提高機器人對物體識別、位置判斷和動作規劃的能力上限。

但當機器人真正走進物理世界、開始執行操作任務時，問題也隨之浮現，它只能看見，卻無法確認是否「接觸正確」。

在暗光或復雜反光環境中，視覺系統在抓取易碎物體時穩定性顯著下降；面對有洗潔精的盤子，即便看清了位置，也無法判斷合適的接觸力度與摩擦狀態。

擰瓶蓋是個典型案例，視覺可以告訴機器人瓶蓋在哪里、路徑如何規劃，但在實際擰動過程中，力度是否足夠、是否發生打滑、螺紋是否已咬合，這些關鍵信息，視覺無法提供。

換句話說，視覺擅長解決的是在哪里、是什么的問題，它以離散圖像幀的形式呈現物體位置、形狀與空間結構。但當任務進入接觸階段后，機器人需要面對的是連續變化的物理過程。

而觸覺，正是這一階段補上的關鍵變量。

它描述的是接觸發生后的連續物理狀態，接觸力的變化、表面形變的分布、摩擦系數的波動、微滑移趨勢，以及材料在受力過程中的動態反饋。

因此，當機器人從「看見并移動物體」走向「接觸并改變物體狀態」時，僅靠視覺不能解決問題。

對人類而言，很多精細操作本質上都建立在觸覺反饋之上。

尤其在工業精細作業場景里，所謂老師傅靠手指感知齒輪嚙合時的阻力變化，靠指尖在移液時控制力度的細微差異，本質上就是人類對這套高維觸覺信號的長期習得，是長時間形成的「手感」。

視覺數據能記錄動作軌跡，卻無法還原力度反饋；沒有力度反饋，機器人就無法真正理解物理交互過程，更難形成類似人類的操作經驗。

這就是 2026 年觸覺重新被放到核心位置的原因：

視覺已經把能做的都做了，但精細操作的最后一公里，依然沒有被解決。

要實現毫米級乃至亞毫米級的作業能力，獲取觸覺數據是必要條件。黃仁勛也曾明確指出，精細操作技能的實現極為困難，而觸覺是補齊這一短板的關鍵。

此外，觸覺數據的價值也在模型訓練中得到初步驗證。

過往真機數據僅涵蓋視覺、運動數據，缺失觸覺維度數據，導致模型「看得見、摸不準」。

帕西尼感知專項實驗數據顯示：

融入觸覺數據的 VTLA 模型，可大幅提升機器人作業成功率；其中普通夾爪作業成功率提升 21.9 個百分點至 96.9%，六自由度靈巧手作業成功率提升 6.2 個百分點，直接達到 100%。

戴盟機器人 CEO 段江嘩也指出，用含觸覺信息的數據進行訓練，所需訓練次數明顯少于純視覺數據，觸覺數據的引入顯著降低了機器人對訓練數據總量的要求。

可以看到，觸覺不僅提升了「做得更好」的上限，也在降低「學會事情」的成本。

簡而言之，當機器人開始遇到視覺的天花板，而真實世界的物理交互仍然充滿不確定性時，觸覺數據也從「有會更好」變成「必須擁有」。

觸覺數據采集，為什么比視覺難一個數量級

觸覺數據的重要性已經在行業內形成共識，但一個更現實的問題也隨之浮出水面，規�；�采集高質量觸覺數據，本身就是比視覺數據難一個數量級的工程問題。

這一難度并不是單一環節造成的，而是同時來自「觸覺本身的物理屬性」和「數據采集體系」的雙重疊加。

首先從觸覺本身來看，它與視覺數據的生成機制不同。

視覺可以在遠距離通過相機持續采集，而觸覺數據必須發生在真實接觸瞬間。這意味著每一條觸覺數據，都必須建立在真實的力學交互之上，而不是被動觀測。

這也直接抬高了硬件門檻。觸覺傳感器不僅需要高分辨率、高采樣率，還必須在高頻接觸環境中保持長期穩定性。

但現實情況是，這類設備往往被安裝在機器人指尖或夾爪末端，長期反復碰撞、擠壓與摩擦，會不可避免地帶來材料老化、信號漂移甚至結構損耗，使得同一套系統在不同時間段采集到的數據分布持續變化。

更根本的問題在于，行業至今沒有形成統一的技術路線。當前主流方案包括電阻式、電容式、光學視觸覺，以及基于六維力傳感與磁編碼的方案，各路線在靈敏度、分辨率、集成難度和成本上差異顯著。

不同方案采集到的數據本質并不一致，有的輸出壓力分布圖，有的輸出形變圖像，有的輸出六維力向量，導致觸覺數據在底層就缺乏統一的表征空間。

正如戴盟機器人 CEO 段江嘩所指出的：「視覺的數據表征方式已經相對統一，而觸覺沒有標準，也缺乏大規模、多模態的真實采集體系�！�

再看數據采集層面，遙操作、UMI 以及 Ego 等方式是當下主流的數據采集方式，但在這些方式都難以重現人類手指協同的精細操作，觸覺數據無法被完整獲取。

以 UMI 為例，操作者手持夾爪完成作業，通過末端相機和傳感器記錄操作軌跡，優勢在于便攜、低成本、數據可跨機器人復用。

但夾爪難以復刻五指協同的精細動作，觸覺信息也被壓縮到最低限度，本質上更接近動作軌跡數據，而非完整的接觸物理數據。

遙操作系統雖然更接近人類手部動作，但由于機械傳遞結構的延遲與衰減，力覺信號會經歷延遲、衰減與非線性濾波，真實指尖觸覺在傳輸過程中往往被弱化，也難以完整還原操作中的微小力變化。

即便解決了單模態采集問題，多模態同步仍是另一道難關。

視覺信號以幀率為單位，觸覺信號以毫秒計，關節角度與位姿數據又有各自的時間基準。

一旦同步精度不足，視覺捕捉的是動作 A 發生時的畫面，觸覺記錄的卻是動作 B 的力度變化，模型訓練就會出現災難性的錯位。

這也解釋了為什么盡管行業熱度迅速上升，觸覺數據整體仍處于早期甚至是實驗室階段，公開可見的觸覺數據集十分有限。

今年年初，緯鈦機器人聯合國家共建人形機器人創新中心聯合觸覺傳感器企業發布了「白虎-VTourch」數據集，數據集規模超 60000 分鐘，為具身智能補齊了缺失的物理理解拼圖。

4 月，戴盟發布了 Daimon-Infinity 數據集，以「百萬小時」為目標構建全模態觸覺數據體系，試圖將觸覺數據采集推進到更大規模、更高維度的階段，為機器人精細操作補足長期稀缺的物理交互信息。

從數據豐富度和信息完整性來看，這也是目前行業內分辨率最高、信息最完整的觸覺具身數據。

即便如此，無論是數據規模、開放程度，還是跨場景泛化能力，現有數據集距離產業級模型訓練需求仍有較大差距。

歸根結底，觸覺數據面臨的并非單點技術難題，而是一個系統性工程挑戰。

從傳感器路線尚未統一，到采集方式仍在演進，從多模態對齊困難，到標注體系缺失，每一個環節都在持續放大觸覺數據生產的復雜度。

誰在補齊觸覺數據，走向規模化

當下觸覺數據面臨的難點仍然存在，但僵局也正在被打破。

行業開始嘗試將觸覺數據采集從「定制實驗」轉向「標準化生產」，一個更清晰的方向逐漸浮現：輕量化觸覺手套，正在成為觸覺數據規模化生產的重要入口。

相比傳統采集方案，觸覺手套具備三大核心優勢：

一是成本優勢顯著，無需整機設備與專業操作臺，大幅降低整體數據采集成本。

二是自由度更高，多模態觸覺、溫度、形變信息可同步采集，覆蓋全品類抓取與交互動作。

三是便攜易推廣，佩戴者可自由進入真實生活與工作場景，數據不再局限于實驗室，能夠快速擴充數據樣本池。

圍繞這一切口，帕西尼、他山科技、途見科技等企業也相繼推出面向不同類型的觸覺手套，形成了各自的技術路線。

首先是高密度多維觸覺感知路線，這一路線追求觸覺信息的極致精度與空間分辨率。

帕西尼是這一路線的代表企業，PXCap 系列手套搭載 10 個自研的 6D 霍爾陣列觸覺傳感器，在多指結構中形成高密度感知網絡。

五指版內置 30 余個六維觸覺模組，覆蓋 82 個自由度，可采集超過 3000 路觸覺信號，每個自由度還都配備了編碼器。

在帕西尼看來，觸覺數據的價值不僅來自力的變化，更來自力發生的位置。失去位置信息的觸覺數據，實際應用價值幾乎為零。

同樣處于這一路線的猿聲先達，實現小體積、薄封裝的同時，還能保證單位空間內極高的感知點數量與多維力感知精度。

但與帕西尼不同的是，走的是空間編碼的多維壓阻技術路徑，布局不限于指尖、手部，更延伸至全身電子皮膚，為機器人提供全域觸覺感知能力。

另一條路線是全鏈路交互采集路線，更關注間交互過程的完整性和觸覺信息的完整表達。

如他山科技的 TactileEcho Capture 數據采集指套，將人類操作過程中從接近→接觸→施壓→操作→脫離的完整交互鏈路，轉化為可訓練、可同步、可標注的結構化數據。

支持三維力感知、滑動感知與接近覺感知，實現接觸發生前的預判能力。

第三條則是高保真接觸路線，追求數據與真實手感的高度一致，強調低干擾、高耐久。

代表企業途見科技以「本征可拉伸材料」作為核心差異化方向，其自主研發的柔性材料可拉伸超過 100% 并完全恢復，一定程度上解決了長期穿戴與高頻使用下的耐久性問題。

其觸覺手套在指尖、指腹、手掌等關鍵區域形成多點觸覺感知網絡，通過「空抓無信號」來過濾無效數據，避免噪聲進入訓練集；

并通過高密度柔性觸覺陣列提升接觸信息分辨率，使微小力變化與滑動趨勢都能被記錄。

三條路線，技術路徑各有側重：

有的在解決感知密度，有的在解決數據完整性，有的在解決采集的真實性與耐用性。技術路徑雖然不同，但指向同一個目標，讓觸覺數據從實驗室樣本，走向可持續、可規�；�的真實世界生產。

這恰恰也是當前行業真正的分水嶺。

今天，具身智能真正稀缺的不是模型本身，而是支撐模型理解物理世界的「經驗」。

在大模型時代，競爭的是互聯網數據，誰擁有更多文本、圖像、代碼，誰就能訓練出更強的模型。

到了具身智能時代，數據的來源開始發生根本變化，互聯網數據不再適用，物理世界數據成了新的競爭焦點。

在這個過程中，視覺數據是競爭的第一階段，目前已經建立起相對成熟的數據采集體系，但同時也開始觸及僅靠視覺無法完成操作的能力邊界。

因此，現在進入了第二階段，觸覺數據成為競爭焦點，正在從具身智能拼圖中的一個補充模塊，成為機器人理解世界拼圖最關鍵的最后一厘米。

       原文標題 : 機器人要長出老師傅的手感，差的是觸覺數據