蚂蚁灵波11月10日开源触觉基础模型LingBot-Touch，尝试用统一触觉表征解决机器人“手感”难以跨硬件复用的问题。
该模型基于近5000小时真实触觉数据预训练，数据来自触觉手套与机器人手，覆盖磁触觉、视触觉和压阻式三类主流传感器。技术报告、模型和代码已在Hugging Face、GitHub和魔搭社区开放下载。
不同触觉传感器的原始信号形态差异很大。磁触觉输出三轴磁场变化，压阻式输出电阻标量，视触觉输出图像强度，触点布局也各不相同。
如果模型只学会解读某一种信号，更换传感器或灵巧手后，此前积累的数据和经验往往需要重新采集与训练。
LingBot-Touch的做法是按传感原理分别设置编码入口，先将异构信号各自处理，再把不同布局的触点映射到统一的指尖坐标空间，输出统一的触觉Token。
这一层表征承担的是传感器与动作模型之间的翻译角色，而非绑定某一款硬件或某一套动作策略。
蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上完成了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，较无触觉输入时提升约14至26个百分点。
拧瓶盖任务提供了一个更细的对照。T-Rex控制Sharpa Wave时，不使用触觉的成功率为56.25%，直接输入传感器原始信号为62.5%，接入LingBot-Touch的触觉表征后达到90%。
原始信号带来的提升有限，说明“有触觉数据”和“能把触觉数据用好”是两个不同环节，中间的表征层是差距的主要来源。
跨硬件复用的一个具体验证出现在XHand1上。其所用磁触觉传感器型号不在预训练数据覆盖范围内，模型参数保持不变，仅用操作示范训练动作模型，触觉表征仍可接入使用。
灵波方面也明确，LingBot-Touch不绑定其自研动作模型，定位是位于触觉传感器和动作模型之间的通用感知层，供不同灵巧手和动作策略调用。
本次真机测试使用的是约530万参数的轻量版LingBot-Touch-Tiny，接入后动作模型参数量仅增加约0.13%至0.16%，蚂蚁灵波同时提供容量更大的版本供不同算力条件选择。
从开源内容和测试口径看，LingBot-Touch要回答的问题集中在触觉能力能否从特定传感器的物理信号中剥离出来，变成可迁移、可复用的表征。这一方向的实际效果仍需更多硬件组合与任务场景的独立验证。
［本文作者i黑马，i黑马原创。如需转载请联系微信公众号（ID:iheima）授权，未经授权，转载必究。］
