蚂蚁灵波开源触觉模型LingBot-Touch 提升机器人操作成功率

11月10日，蚂蚁灵波科技开源了触觉基础模型LingBot-Touch，为机器人的感知系统补上了关键的触觉能力短板。该模型基于近5000小时的真实触觉数据训练，覆盖磁触觉、视触觉、压阻式三类主流传感技术，能将不同传感信号转化为统一的触觉表征，供各类灵巧手和动作模型使用，让机器人在具备视觉识别、逻辑推理能力的基础上，进一步获得精细操作所需的触觉感知。

在通用大模型快速发展的背景下，推出面向物理操作闭环的触觉基础模型，体现了蚂蚁灵波对具身智能原生路线的持续投入与坚定信心。此前，蚂蚁灵波的通用机器人大脑已实现高精度空间感知、高动态环境交互和可泛化灵巧操作，让机器人看得更清晰、思考更明确、操作更高效。此次推出的LingBot-Touch已接入该通用大脑，将感知能力延伸至指尖，让机器人“触感更灵敏”，进一步提升了具身原生通用大脑的整体能力。

26项真机实测：任务成功率提升14至26个百分点

随着通用大模型的不断进步，机器人理解复杂任务、推理操作步骤的能力显著增强。但在真实物理场景中，机器人每完成一步动作，都需要感知物体和环境的变化并调整后续动作。在诸多精细操作里，机器人虽能看清物体位置、伸到正确位置，却未必能顺利完成任务——因为手指接触物体后的受力是否合适、物体是否滑移，仅靠视觉难以判断，必须依靠触觉提供补充信息。

以灵巧手拧瓶盖为例，深度信息可帮助手指对准瓶盖，但开始转动后，若瓶盖松动或指腹打滑，两种视觉相似的情况需要完全不同的动作调整。此时，指尖的接触位置、受力大小及其变化，成为动作模型的关键判断依据，而这些信息往往被手指和物体遮挡，视觉无法获取。

为验证触觉表征对实际操作的帮助，蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上开展了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，较未使用触觉时提升了14至26个百分点。

比如用T-Rex模型控制Sharpa Wave灵巧手拧瓶盖，未使用触觉时任务成功率为56.25%，直接输入传感器原始信号时成功率为62.5%，接入LingBot-Touch的触觉表征后，成功率达到90%。

统一触觉表征：让机器人“手感”跨硬件复用

给机器人安装触觉传感器，并不意味着机器人就能有效利用触觉。目前，商用触觉传感器仍处于发展初期，视触觉、磁触觉、压阻式等主流技术路线各有优劣，面向不同成本和使用场景，多种技术路线将长期并存。

更关键的是，不同传感器采集的数据难以通用：同样的接触动作，在不同传感原理和触点布局下会产生不同的原始信号。若模型仅学会解读某一种信号，更换传感器或灵巧手后，已有的数据和触觉经验就难以复用，需要重新采集、训练和适配。在硬件快速迭代的当下，这种绑定会造成重复开发，增加传感器厂商、整机团队和模型开发者之间的适配成本。

因此，触觉规模化落地的关键，是让触觉理解摆脱对特定传感器物理信号的依赖，使不同来源的数据可共同用于训练，让积累的触觉能力能跨传感器、跨灵巧手、跨模型和跨任务复用。

为此，LingBot-Touch针对不同传感原理设置了独立的编码入口，先处理各类原始信号，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，最终输出统一的触觉Token。这样，人戴触觉手套和遥操作灵巧手采集的数据可共同用于训练，不同动作模型也能利用训练好的模型提取接触特征。该架构还为未来接入新类型的触觉传感器预留了扩展空间。

在XHand1灵巧手上，团队进一步验证了触觉能力的跨硬件复用效果。XHand1采用的磁触觉传感器型号未出现在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。换到该灵巧手后，团队保持LingBot-Touch的参数不变，仅用XHand1的操作示范训练动作模型，便实现了良好的复用效果。

同时，LingBot-Touch在本次真机测试中接入了四种不同的动作模型，并不绑定蚂蚁灵波自研模型。它提供的是位于触觉传感器和动作模型之间的通用感知能力，而非某一硬件或策略的专用模块。对产业而言，传感器和灵巧手厂商可根据成本与任务需求选择硬件，整机团队也可保留自身的动作策略，从而减少每更换一种硬件与算法组合，就重新开发触觉能力的重复投入。

为兼顾感知能力与端侧算力，蚂蚁灵波提供了两种容量的模型。此次26项真机测试全部使用约530万参数的轻量版LingBot-Touch-Tiny完成，接入LingBot-VLA、π0.5和T-Rex后，模型参数量仅增加约0.13%至0.16%。

容量较大的LingBot-Touch-Small版本，在感知测试中展现出进一步提升的潜力——当预训练数据增至近5000小时时，模型仍能从新增数据中获益，说明触觉预训练还有持续扩展的空间。

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，以第六代Astra型大语言模型、Claude Fable 5.2型大语言模型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，这一点他们很关注，也在积极吸收。但产业一线的实践表明，要真正跑通操作闭环，物理操作的泛化性仍是绕不开的难题，很大程度上仍要依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是1+1＞2的协同关系：前者增强对任务和环境的理解、推理能力，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。

“模态输入的质量很大程度上决定了动作输出的质量，换句话说，没有好的输入就没有好的输出。”朱兴说，蚂蚁灵波将坚持具身原生路线，持续探索物理操作泛化性的新上限，打造跨构型的机器人行业通用大脑，推动视觉、深度、触觉乃至温度等更多物理模态在统一模型中对齐，并在推进商业化的同时持续向社区开源开放。

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