具身智能企業Robbyant於2026年11月10日宣佈開源觸覺大模型。機器人觸覺智能邁入全新發展階段。該模型依託近五千小時真實物理世界觸覺傳感數據訓練而成。系統創新統一了磁觸覺、視觸覺與壓阻式觸覺三大傳感模態。機械臂精細操作任務成功率最高提升兩成六。
統一三大主流觸覺傳感模態打破機器人看得清卻拿不穩物理死穴
在過去很長一段時間內。具身智能機器人在視覺感知和語言理解方面取得了飛速進展。但在實際接觸物體的物理交互瞬間往往頻繁滑落。技術痛點長期未決。
傳統機械臂主要依賴視覺伺服控制，一旦手指與物體表面發生遮擋接觸。機器人便陷入“觸覺盲區”。不同廠商生產的觸覺傳感器在信號格式上截然不同，導致算法無法跨硬件通用。Robbyant團隊開發的LingBot-Touch創新引入了“觸覺通用令牌”（Tactile Token）編碼架構。算法兼容性極佳。Robbyant首席科學家在發佈會上發表講話。發言人指出：“觸覺是賦予機器人真實物理實體感的關鍵紐帶。通過統一跨模態傳感接口並開源訓練代碼。我們正在打破機器人從能看到能拿的最後一道物理鴻溝。”。官方闡釋了觸覺大模型的底層架構。
無論機械爪搭載的是磁性凝膠傳感器還是微陣列薄膜壓敏傳感器。模型均能將其統一轉化爲高密度的三維法向力與剪切力特徵張量。硬件跨平臺遷移極其便捷。
五千小時真實物理交互數據訓練二十六項嚴苛操作測試全線達標
爲了構築堅實的物理世界基礎模型。研發團隊歷時十八個月採集了高達五千小時的真實機器人觸覺交互序列。訓練規模創行業之最。
數據集涵蓋了金屬精密裝配、柔性織物摺疊、易碎生鮮抓取及複雜線纜插拔等上百種工業。家庭典型場景。數據分佈廣泛均衡。在獨立的第三方二十六項真實物理抓取基準測試中。搭載LingBot-Touch的雙臂機器人在兩款不同構型機。械手上的任務成功率較傳統強化學習算法提升了整整二十六個百分點。抓取動作流暢輕柔。對易碎草莓與生雞蛋的無損抓取成功率達到百分之百。
國際頂級機器人自動化頂級學者高度評價該成果。稱讚其解決了長期困擾機器人學界的“觸覺感知碎片化”世紀難題。開源模型資源已在GitHub與Hugging Face同步上架。
支持全球具身智能開發者加速推動人形機器人進駐複雜製造產線
隨着模型權重與推理代碼的全面開源。全球人形機器人開發團隊與自動化集成商將能夠零門檻獲取工業級觸覺推理能力。技術普及迎來新起點。
目前該觸覺大模型已在三家跨國消費電子頭部製造廠商的表面貼裝（SMT）。高精密微螺絲擰緊工位開展落地試跑。工業級驗證穩步推進。得益於毫秒級的觸覺閉環力控響應。機械臂在微小電子元器件插接過程中的不良報廢率下降了百分之四十二。工藝合格率顯著提高。
斯坦福大學人工智能與具身機器人實驗室主任發表評論指出。發言人指出：“觸覺基礎模型的開源意義不亞於大語言模型領域的羊駝革命。它爲全球機器人學界提供了一個通用的觸覺感知基座。將極大地加速人形機器人從演示舞臺走向精密車間與家庭看護的商業化歷史進程。”。後續面向醫療外科手術機器人的高精度衍生版本正在加緊研發。
