蚂蚁灵波开源LingBot-Touch 破解灵巧手触觉数据壁垒

具身智能在灵巧操作领域的发展正面临一个关键瓶颈：不同机器人灵巧手之间存在难以跨越的触觉数据壁垒，导致不同硬件无法共享感知经验，限制了通用操作能力的提升。

为打破这一壁垒，相关团队推出了面向灵巧操作的触觉预训练基础模型LingBot-Touch。该模型能够统一处理压阻式、视触觉等多种类型的传感信号，将其编码为可复用的通用触觉表征，供不同灵巧手和策略模型使用。

为验证模型效果，团队在两款不同灵巧手（Sharpa Wave和XHand1）上开展了26项真机任务测试，覆盖翻书、拧瓶盖、拉拉链、分拣物体等精细操作，同时接入了四种不同策略模型进行对比。

测试结果显示，接入LingBot-Touch后，四种策略模型在两款灵巧手上的平均任务成功率均达到最高水平。其中，在Sharpa Wave灵巧手上，LingBot-VLA的平均成功率从45.60%提升至72.51%，π0.5从47.56%提升至68.58%；在XHand1灵巧手上，π0.5的平均成功率从49.71%提升至74.17%。

具体操作中，模型带来的提升尤为显著：在Sharpa Wave的拧瓶盖任务中，T-Rex模型不使用触觉信息的成功率为56.25%，直接输入原始触觉数据的成功率为62.50%，接入LingBot-Touch后成功率提升至90%；而在拉拉链任务中，π0.5模型使用LingBot-Touch提取的触觉特征后，成功率从39%提升至59%。

除了提升成功率，LingBot-Touch在新硬件上的迁移能力也值得关注。测试使用的XHand1搭载了未出现在预训练数据中的磁触觉传感器，且触点布局与训练设备存在差异，但固定模型参数仅训练下游策略模型后，成功率依然得到提升。

为适配不同部署需求，团队推出了两个版本：Tiny版本仅有约532万参数，侧重降低计算开销，本次26项任务均使用该版本完成；Small版本拥有更大容量，能进一步提升感知性能，在接近5000小时数据规模下仍能持续优化。

此次发布的LingBot-Touch，为具身智能领域提供了统一的触觉感知基础，有望帮助不同机器人灵巧手共享感知经验，减少数据采集、模型训练和硬件适配的重复投入，加快灵巧操作在更多实际场景的落地。