蚂蚁灵波开源LingBot-Touch触觉基础模型

驱动中国11月10日消息，蚂蚁灵波科技开源触觉基础模型LingBot-Touch，为机器人大脑补齐触觉感知能力。该模型基于近5000小时真实触觉数据预训练，覆盖磁触觉、视触觉和压阻式三类主流传感原理，可将不同原始信号转化为同一套触觉表征，使积累的触觉能力跨传感器、跨灵巧手、跨模型和跨任务复用。

官方介绍显示，在Sharpa Wave和XHand两款灵巧手上开展的26项真机测试中，接入LingBot-Touch触觉表征后，LingBot-VLA、π0.5、Diffusion Policy和T-Rex四种动作模型的平均任务成功率较无触觉时提高约14至26个百分点。测试任务涵盖翻书页、拧瓶盖、辨识麻将牌等精细操作。

在T-Rex控制Sharpa Wave完成拧瓶盖任务时，不使用触觉的成功率为56.25%，直接输入传感器原始信号时为62.5%，接入LingBot-Touch触觉表征后，成功率达到90%。实验表明，高质量触觉信息输入可为机器人动作成功率带来提升。

此前，蚂蚁灵波LingBot系列模型已构建覆盖高精度空间感知、高动态环境交互与可泛化灵巧操作的全栈技术体系。此次LingBot-Touch将通用大脑的感知能力延伸至指尖，为机器人在接触受力、物体滑移等场景中提供判断依据。

真实物理操作中，机器人每执行一步动作，都需要感知物体和环境变化，再修正下一步动作。视觉可帮助手指对准物体，但接触后受力是否合适、物体是否滑移，往往难以仅靠画面判断。以拧瓶盖为例，深度信息可帮助手指对准瓶盖；开始转动后，瓶盖松动或指腹沿盖壁打滑在画面中相似，却需要不同动作调整。指尖接触位置、受力大小及其变化，是动作模型的重要判断依据，而这些信息常被手指和物体遮挡。

商用触觉传感器整体仍处于较早发展阶段，视触觉、磁触觉、压阻式等路线各有优势和局限。面向不同成本和使用场景，多种路线可能长期并存。同样一次接触，在不同传感原理和触点布局下会形成不同原始信号；若模型只学会解读其中一种，更换传感器或灵巧手后，已有数据和触觉经验可能难以复用，需要重新采集、训练和适配。

LingBot-Touch按传感原理分别设置编码入口，先处理不同原始信号，再将不同布局的触点映射到统一指尖坐标空间。共享模型学习接触位置、受力及其随时间变化，输出统一的触觉Token，供不同动作模型使用。该架构允许人戴触觉手套和遥操作灵巧手采集的数据共同用于训练，不同动作模型也可利用训练好的模型提取接触特征，并为未来接入新类型触觉传感器留出扩展空间。

在XHand上，团队进一步验证触觉能力的跨硬件复用。XHand采用的磁触觉传感器型号不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。