蚂蚁灵波开源 LingBot-Touch 触觉模型，助力机器人提升精细操作能力
11 月 10 日，蚂蚁灵波科技宣布开源其触觉基础模型 LingBot-Touch。这项新发布的成果旨在为机器人的“通用大脑”补齐触觉感知短板，使其具备更敏锐的“手感”。通过技术升级，机器人能够在执行动作时更精准地感知环境变化，从而提升在真实物理世界中完成复杂任务的能力。
该模型的核心优势在于其强大的数据处理与复用能力。研发团队利用近 5000 小时的真实触觉数据进行预训练，涵盖了磁触觉、视触觉和压阻式三类主流传感原理。LingBot-Touch 能够将不同来源的传感器信号转化为统一的触觉表征。这意味着，无论使用何种灵巧手或动作模型，之前积累的触觉经验都可以直接跨硬件和跨任务复用，避免了重复训练的成本。
在视觉无法判断物体受力细节的场景中，触觉信息变得至关重要。以拧瓶盖为例，视觉虽然能定位瓶盖，但无法区分瓶盖松动还是手指打滑。指尖的接触位置和受力变化是决定操作成败的关键。LingBot-Touch 正是为了解决这一问题，它让机器人能够依据触觉反馈及时调整动作，弥补了视觉在精细操作中的局限性。
为验证模型效果，团队在 Sharpa Wave 和 XHand 两款灵巧手上进行了 26 项真机测试，任务包括翻书页、辨识麻将牌等。测试结果显示，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提高了约 14 至 26 个百分点。例如在 T-Rex 控制 Sharpa Wave 拧瓶盖的任务中，成功率从无触觉时的 56.25% 提升至 90%。
针对触觉传感器种类繁多且信号差异大的问题，LingBot-Touch 采用了统一的编码架构。它按传感原理设置编码入口，将不同布局的触点映射到统一坐标空间，输出通用的触觉 Token。这种设计不仅支持不同传感器数据的混合训练，还允许在更换硬件后保持参数不变，仅通过新的操作示范即可适配新设备，极大降低了开发门槛。
为了平衡性能与端侧算力，官方提供了两种规格的模型。测试中主要使用的约 530 万参数轻量版 LingBot-Touch-Tiny，在接入不同动作模型后仅增加 0.13% 至 0.16% 的参数量，对硬件负载影响极小。而容量更大的 LingBot-Touch-Small 版本则展示了更强的扩展潜力，表明随着预训练数据量的增加，模型性能仍有进一步提升空间。此次开源标志着具身智能在触觉模态上的重大进展。
