触觉的定义与意义在今年的WAIC上体验搭载触觉传感器的按摩机器人感觉很舒服。不禁思考黄仁勋所说“触觉是具身智能的最后一块拼图”是否属实机器人有了触觉是否更强大、干活更聪明为何多数机器人仍无触觉市场上有哪些路线与冲突。机器人需要触觉如在一堆花生中有假花生仅靠视觉人难分辨搭载触觉传感器的机器手能挑出人上手摸也能快速分辨因假花生由石头制成有其特点。行业实验显示给正常人手打麻药使触觉感知神经短暂麻醉后人手操作会失灵。业内人士指出无触觉机器人任务成功率高不代表可用性强仅用视觉时机器人可多次尝试完成任务此时力很重要。触觉包含对“力”和“形态学”的感知力的感知分静态力和动态力形态学的感知是分辨不同材料。触觉实现路径五种路径目前市面上触觉传感器方案主要有压阻式、压电式、电容式、光学式和磁感应。压阻式是传统成熟路线材料受力形变电阻值改变通过测电阻变化反推压力电子秤是此原理其优势明显但只能测垂直方向力且会随温湿度漂移。压电式中特殊材料受力产生电压信号类似打火机放电器只对变化的力敏感适合检测高频动态信号难测静态力。前两种将“力”转化为“电信号”后三种把“力”转为“形变量”能检测三维的力。电容式基于平行板电容器原理灵敏度高但动态范围有限、易受电磁干扰。光学式也叫视触觉可同时解算接触形貌和接触力是热门且精度高的方式但成本较高。磁感应方式结构与光学式类似但易受电磁干扰分辨率有限。还有不太常用的方式不同方式各有优劣多传感器结合或许是更好方案。多传感器结合人类全身肌肤有感知机器人若要达人类水平全身布满触觉成本难控且不同部位要求不同同一种技术路径难以适用全身。如指尖精度要求高光学式方案合适手掌、手臂等部位精度要求低用昂贵的光学式不划算。在简单应用场景下可选择精度不高的路径如WAIC展会上电容式触觉传感器已批量用于工厂产品分拣与检测因其成本低。同一部位未来有机会融合多种技术但需技术成熟。广义的触觉还包括振动、材质感知等需其他传感器补足。目前行业最前沿、精度最高的是光学式一目科技选择了这个方向。走进实验室光学式4大难点2000年前后研究人员尝试让触觉像视觉一样被摄像头“看见”2009年MIT教授Edward Adelson领导的团队提出GelSight使机器人拥有类似“视觉”的触觉能力。光学式分辨率高已超过人类但实现有代价下面从材料、结构、算法、成本四个方面分析。材料材料有特别软、耐磨、尽量薄三大要求但这三点相互矛盾被称为“不可能三角”只能寻找平衡或新方法。材料实验室里通过混合不同液态原材料使成型材料达目标性能研发难点不仅在于配方比例还需全面研究。目前行业出现“可恢复性材料”划破后能自愈设计配方时需保留特殊官能团研发的一种新材料触感接近人类皮肤。结构手指越小越灵活要求触觉传感器尽可能小。一目科技产品体积小厚度和SIM卡相当。光触觉需感光芯片或摄像头为看清视场需一定距离这是底层物理制约因素。要使传感器变小需材料薄且优化摄像头。照明层的光路设计是难点手指形态有弯曲弧度需精细设置照明灯珠排布照射光路要做大量仿真防止光之间互相干扰。一目科技有自研的BSDF测试装置用于测量产品表面材料的光学特性。照明灯珠市场有单色和多色两种方案与算法有关。算法光学式识别触觉主要有标记点法、纹理分析法、光度立体法三种方式。标记点法算法简单、制造容易但精度上限低。纹理分析法硬件制造简单但算法复杂、计算量大、响应延迟高。前两种算法用单色照明方案即可。光度立体法兼顾前两者优缺点是较好折中方案算力要求介于前两者之间精度较优。成本光学式结构复杂导致成本较高目前单指单价为千元级产量增加有降成本可能且后续算法、算力要求也更高。视触觉流行但视觉模型对算力要求高。高成本对应高上限实验室对比显示带视触觉的夹爪有优势。业内人士认为现阶段应优先验证路径可行性。数据采集机器人训练数据稀缺触觉领域几乎没有可用数据。此前高保真传感器缺失传统方法采集的数据与人的感受差异大、保真度低。触觉领域尤其需要真机数据但真机数据获取存在三大难题。真机采集三大难题戴厚手套拿豆腐难掌控力度因厚手套屏蔽触觉这也是触觉数据采集的最大悖论。采集人的触觉会屏蔽人的触觉影响示范质量和训练效果。一目科技的数采设备与真实世界有差距虽可通过算法弥补但仍与人的操作不同。采集设备复杂会影响采集员操作多数数采设备笨重、尺寸大、穿戴麻烦。解决此问题一方面要研发更薄的传感器如一目科技下一代触觉传感器仅3毫米另一方面需设计更舒适、符合人体工学的采集设备这需要多学科领域交叉。行业里的织物采集手套数据密度不够抓取小物体时效果差。触觉行业早期各家公司数据采集格式不统一难以形成大规模训练集硬件不成熟导致算法无法演进形成恶性循环。仿真合成的原理与局限仿真是在虚拟环境模拟真实场景可同时批量采集不同数据。英伟达搭建了Isaac Lab框架。触觉公司训练时加入真实物理特性和触觉传感器特征模拟推算采集数据仿真结果会与现实表现对比修正。今年五月《Tabero》论文提出复用已有机器人数据生成完整数据但计算量太大。学术界提出简化计算方式如英伟达2025年发布的《TacSL》论文介绍的视触觉仿真方式。仿真和现实有差距一目科技Eric称仿真准确率约90%以上可针对柔性物体补充后训练数据提升准确率。《TacSL》论文训练策略使在真机上实现零样本迁移在插拔销钉任务上成功率达82.7%。所以仿真主要作为真机数据补充两者搭配训练短期内仿真数据可能占多数。业内人士认为训练带有触觉的基础模型所需数据远低于基于视觉的基础模型当有超过10万小时数据模型会逐渐有泛化能力。算法模型的应用挑战应用挑战今年6月伯克利、英伟达、斯坦福等机构的知名学者联合发布《T - Rex》论文实验表明将触觉信号直接输入π0.5模型各项任务成功率下降。这说明增加模态不意味着模型表现变好如何利用触觉信号是目前最大挑战。此前触觉应用有三大挑战一是触觉无法用规则定义二是触觉信号维度多直接输入模型会成为噪声三是触觉和其他模态频率不匹配。模型算法触觉近两年火热是因为AI算法演化和端到端模型实现促进了触觉利用。端到端是将信号直接输入神经网络让模型自主学习解决了第一个挑战。用编码器前置处理触觉信号打包数据输出完整语义理解用自监督学习方式训练编码器可将不同类型触觉模态甚至视觉结合一目科技的触觉Transformer编码器对触觉信号进行语义理解后再进入主干网络大模型判断。《T - Rex》论文提出的MoT方式解决频率不匹配问题MoT架构构建三个专家该系统重要思想是“异步执行”使机器人既保留大模型理解能力又获得类似人类触觉反射的快速响应能力。业界对触觉模型训练存在分歧Eric认为触觉模型可单独训练于弢认为触觉和其他传感器必须同时训练由于触觉行业处于早期多条路线同时探索无绝对优劣之分。量产的“一致性”挑战量产最大难题是性能的一致性。在2026年维也纳举行的ICRA上测试发现多数公司的触觉传感器性能不一致。手指调整动作微小精密操作时输出力稍有偏差就可能导致任务失败而触觉传感器精密参数不同会导致算法难以计算正确数值。走进一目科技试产车间第一步将凝胶材料放入模具固化操作需在超净工作台进行制备完成后先视觉筛选再经上位机判断筛选。最后将零部件集中到产线组装总装前对触觉传感器进行成像检测。每个批次的试产样品还需经过自动化测试验证工艺参数稳定性。目前试产阶段很多步骤依赖手工操作触觉量产需考虑上下游需求要定制化操作。自动化量产线稳定交付标准品试产线承接定制化需求和新工艺验证两条线协同运转是行业走向成熟的标志。2026年受访嘉宾表示触觉处于爆发前夜今年需求大幅上涨大家认识到触觉数据对物理AI训练模型的重要性未来触觉还将应用于实验室精密操作项目。美国银行预测到2030年人形机器人出货量将达120万台若都装配触觉传感器触觉市场需求将提升到千万级别。一目科技Eric认为触觉的下一个里程碑节点在今年或明年年初。掌握“人类的第一语言”采访中Eric提到触觉是让机器人类人甚至超越人的“最后一块拼图”它让机器人掌握了“人类的第一语言”。人类婴幼儿出生后最先通过触觉探索世界Adelson提出GelSight的灵感源于观察小孩。如今我们教机器人触摸物体每一次触摸都让它对物理世界的理解更进一步。或许多年后机器人融入我们的生活转折点就是触觉普及之时那时机器人才真正开始理解世界。