🌀 AIBB-Flywheel

新闻数据飞轮
← 返回文章列表
ithome 时政 采集 2026-11-10T04:08:42+00:00

蚂蚁灵波开源触觉基础模型 LingBot-Touch

原始标题:蚂蚁灵波 LingBot-Touch 触觉基础模型开源,为通用大脑接入“手感”

来源
ithome
发布时间
2026-11-10T02:46:47
采集批次
2026-11-10-04
字数
1244
URL 指纹
84e577e98d7af69e

📌 AI 总结(182 字)

蚂蚁灵波科技开源触觉基础模型 LingBot-Touch,旨在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,兼容磁触觉、视触觉和压阻式传感路线,可将不同传感器信号转换为统一触觉表征。团队在两款灵巧手开展26项真机测试,接入模型后,四种动作模型平均任务成功率较无触觉时提高约14至26个百分点,证明高质量触觉信息能显著改善机器人精细操作。
📄 正文(1244 字)
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,可将不同信号转化为统一触觉表征,使积累的触觉经验能够跨传感器、跨灵巧手、跨模型和跨任务复用。

在物理环境中,机器人执行动作时需要持续感知物体和环境变化并及时调整策略。拧瓶盖等精细操作中,即使视觉系统能够定位瓶盖,也无法准确判断瓶盖是否松动、手指是否打滑。接触位置、受力大小及其变化往往被物体遮挡,必须依靠指尖触觉信息辅助决策。

为验证触觉表征的实际效果,团队使用 Sharpa Wave 和 XHand 两款灵巧手开展26项真机测试,涵盖翻书页、拧瓶盖、辨识麻将牌等任务。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。其中,在 T-Rex 控制 Sharpa Wave 拧瓶盖时,无触觉条件下的成功率为56.25%,直接输入传感器原始信号时为62.5%,使用该模型的统一触觉表征后则达到90%。

商用触觉传感器仍处于较早发展阶段,不同技术路线各有优势和局限,可能长期并存。同一接触在不同传感原理和触点布局下会形成不同信号,模型若只适配一种传感器,更换硬件后往往需要重新采集、训练和适配。

为此,LingBot-Touch 按传感原理设置不同编码入口,将各类原始信号及触点布局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,最终输出可供不同动作模型使用的统一触觉 Token。这一架构允许人戴触觉手套与遥操作灵巧手采集的数据共同用于训练,并支持不同动作模型提取接触特征。

在 XHand 上,团队还验证了跨硬件复用能力。XHand 所用磁触觉传感器型号未出现在预训练数据中,模型中的磁触觉经验均来自人戴手套采集的数据。迁移至 XHand 后,团队保持 LingBot-Touch 参数不变,仅使用该灵巧手的操作示范训练动作模型。

该模型定位为传感器与动作模型之间的通用感知能力,不绑定某一硬件、灵巧手或动作策略,厂商可按成本和任务需求选择设备,整机团队也可保留自有策略,减少更换软硬件组合时的重复开发。团队还提供两种容量版本,26项测试均使用约530万参数的轻量版 LingBot-Touch-Tiny;接入 LingBot-VLA、π0.5 和 T-Rex 后,动作模型参数量仅增加约0.13%至0.16%。容量更大的 LingBot-Touch-Small 在感知测试中展现出进一步提升潜力,数据扩充至近5000小时后仍能从新增数据中受益。

蚂蚁灵波表示,机器人身处真实物理世界,除深度等空间感知外,还需要处理触觉、力觉、温度等接触模态。触觉模型的发布体现了其「具身原生」技术路线,也反映出高质量感知输入对机器人动作质量的重要影响。