机器人不仅仅能“看得清楚，想得明白”，还能有真实的“触觉”和“手感”了。11月10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。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，可将不同信号转化为同一套触觉表征，供不同灵巧手和动作模型使用，进一步补齐精细操作所需的触觉感知能力。将感知能力延伸到“指尖”，可以让机器人“摸得更灵敏”，具身原生通用大脑能力再提升。

26项真机测试 任务成功率提高14至26个百分点

在真实物理世界中，机器人每执行一步动作，都要感知物体和环境发生的变化，再修正下一步动作。许多精细操作中，机器人能看清物体在哪里，也能把手伸到正确的位置，却未必能顺利完成任务，因为手指碰到物体之后，受力是否合适、物体是否滑移，仅靠视觉难以判断，需要触觉提供补充。

以灵巧手拧瓶盖为例，深度信息可以帮助手指对准瓶盖。开始转动后，瓶盖可能已经松动，也可能指腹正沿着盖壁打滑。这两种情况在画面中相似，却需要不同的动作调整。此时，指尖的接触位置、受力大小及其变化，都成为动作模型的重要判断依据，而这些信息往往被手指和物体遮挡，视觉难以获得。

为了验证触觉表征对真实操作的帮助，蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上进行了26项真机测试，涵盖翻书页、拧瓶盖、辨识麻将牌等精细操作。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较无触觉时提高约14至26个百分点。

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

给机器人装上触觉传感器，并不等于它就能用好触觉。目前，商用触觉传感器整体仍处于较早的发展阶段。触觉走向规模化落地的关键，是让触觉理解摆脱对特定传感器物理信号的依赖，使不同来源的数据能够共同用于训练，让积累的触觉能力可以跨传感器、跨灵巧手、跨模型和跨任务复用。

为此，LingBot-Touch按传感原理分别设置编码入口，先处理不同的原始信号，再将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。由此，人戴触觉手套和遥操作灵巧手采集的数据可以共同用于训练，不同动作模型也可以利用训练好的模型提取接触特征。这一架构还为未来接入新类型的触觉传感器留出了扩展空间。

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

坚持具身原生，与通用大模型协同推进

针对近期具身大模型技术路线的演变，蚂蚁灵波CEO朱兴表示：“以GPT-6 Astra、Claude Fable 5.2为代表的数字世界大语言模型进展，确实让机器人的复杂任务推理和物理操作能力更强，这一点我们很关注，也在积极吸收。但产业一线的实践告诉我们，要真正跑通操作闭环，物理操作泛化性这块硬骨头还是绕不开，很大程度上仍要靠具身基础模型自身的突破。”

在他看来，通用大模型与具身基础模型更接近1+1＞2的协同关系：前者增强对任务和环境的理解、推理，后者提升物理感知和闭环操作能力，两者各自突破、相互促进，共同加速具身智能产业的成熟。

目前，LingBot-Touch的技术报告、模型和代码已开源，开发者可在Hugging Face、GitHub和魔搭社区访问和下载。

校对 吉启雷