机器人要长出老师傅的手感，差的是触觉数据

作者｜李沐蓉

端午节前后，一段机器人包粽子的视频引起关注。

画面里，这台机器人连续完成取粽叶、折漏斗、填米装馅、棉绳斜扎、真空封装、礼盒打包等 13 道工序，看似是流程化的重复劳动，但每一个动作的背后，都在持续考验同一个能力，触觉反馈。

取粽叶，力大了叶子会撕裂，力小了又夹不稳；折漏斗，角度偏差一丁点，米粒就会从缝隙漏出；棉绳斜扎，既要保证松紧适度，又不能勒破粽叶。

这些看似简单的操作，本质上都指向同一个问题：机器人是否知道自己碰到了什么，以及应该用多大的力。

今年以来，触觉相关赛道持续升温，帕西尼完成超 10 亿元融资，估值突破百亿；戴盟机器人也在短期内连续完成数亿元级多轮融资。

同时，灵初智能、途见科技、新智具身等超过25家触觉传感与数据采集公司相继获得资本支持。

触觉，正在从一个长期被低估的细分赛道，变成行业的新焦点。

视觉遇到天花板，触觉决定操作能力的上限

过去一段时间，具身智能的主线是几乎可以概括为「让机器人看得更清楚」，更高分辨率的摄像头、更复杂的视觉算法以及基于大模型的视觉理解与空间推理能力，不断提高机器人对物体识别、位置判断和动作规划的能力上限。

但当机器人真正走进物理世界、开始执行操作任务时，问题也随之浮现，它只能看见，却无法确认是否「接触正确」。

在暗光或复杂反光环境中，视觉系统在抓取易碎物体时稳定性显著下降；面对有洗洁精的盘子，即便看清了位置，也无法判断合适的接触力度与摩擦状态。

拧瓶盖是个典型案例，视觉可以告诉机器人瓶盖在哪里、路径如何规划，但在实际拧动过程中，力度是否足够、是否发生打滑、螺纹是否已咬合，这些关键信息，视觉无法提供。

换句话说，视觉擅长解决的是在哪里、是什么的问题，它以离散图像帧的形式呈现物体位置、形状与空间结构。但当任务进入接触阶段后，机器人需要面对的是连续变化的物理过程。

而触觉，正是这一阶段补上的关键变量。

它描述的是接触发生后的连续物理状态，接触力的变化、表面形变的分布、摩擦系数的波动、微滑移趋势，以及材料在受力过程中的动态反馈。

因此，当机器人从「看见并移动物体」走向「接触并改变物体状态」时，仅靠视觉不能解决问题。

对人类而言，很多精细操作本质上都建立在触觉反馈之上。

尤其在工业精细作业场景里，所谓老师傅靠手指感知齿轮啮合时的阻力变化，靠指尖在移液时控制力度的细微差异，本质上就是人类对这套高维触觉信号的长期习得，是长时间形成的「手感」。

视觉数据能记录动作轨迹，却无法还原力度反馈；没有力度反馈，机器人就无法真正理解物理交互过程，更难形成类似人类的操作经验。

这就是 2026 年触觉重新被放到核心位置的原因：

视觉已经把能做的都做了，但精细操作的最后一公里，依然没有被解决。

要实现毫米级乃至亚毫米级的作业能力，获取触觉数据是必要条件。黄仁勋也曾明确指出，精细操作技能的实现极为困难，而触觉是补齐这一短板的关键。

此外，触觉数据的价值也在模型训练中得到初步验证。

过往真机数据仅涵盖视觉、运动数据，缺失触觉维度数据，导致模型「看得见、摸不准」。

帕西尼感知专项实验数据显示：

融入触觉数据的 VTLA 模型，可大幅提升机器人作业成功率；其中普通夹爪作业成功率提升 21.9 个百分点至 96.9%，六自由度灵巧手作业成功率提升 6.2 个百分点，直接达到 100%。

戴盟机器人 CEO 段江哗也指出，用含触觉信息的数据进行训练，所需训练次数明显少于纯视觉数据，触觉数据的引入显著降低了机器人对训练数据总量的要求。

可以看到，触觉不仅提升了「做得更好」的上限，也在降低「学会事情」的成本。

简而言之，当机器人开始遇到视觉的天花板，而真实世界的物理交互仍然充满不确定性时，触觉数据也从「有会更好」变成「必须拥有」。

触觉数据采集，为什么比视觉难一个数量级

触觉数据的重要性已经在行业内形成共识，但一个更现实的问题也随之浮出水面，规模化采集高质量触觉数据，本身就是比视觉数据难一个数量级的工程问题。

这一难度并不是单一环节造成的，而是同时来自「触觉本身的物理属性」和「数据采集体系」的双重叠加。

首先从触觉本身来看，它与视觉数据的生成机制不同。

视觉可以在远距离通过相机持续采集，而触觉数据必须发生在真实接触瞬间。这意味着每一条触觉数据，都必须建立在真实的力学交互之上，而不是被动观测。

这也直接抬高了硬件门槛。触觉传感器不仅需要高分辨率、高采样率，还必须在高频接触环境中保持长期稳定性。

但现实情况是，这类设备往往被安装在机器人指尖或夹爪末端，长期反复碰撞、挤压与摩擦，会不可避免地带来材料老化、信号漂移甚至结构损耗，使得同一套系统在不同时间段采集到的数据分布持续变化。

更根本的问题在于，行业至今没有形成统一的技术路线。当前主流方案包括电阻式、电容式、光学视触觉，以及基于六维力传感与磁编码的方案，各路线在灵敏度、分辨率、集成难度和成本上差异显著。

不同方案采集到的数据本质并不一致，有的输出压力分布图，有的输出形变图像，有的输出六维力向量，导致触觉数据在底层就缺乏统一的表征空间。

正如戴盟机器人 CEO 段江哗所指出的：「视觉的数据表征方式已经相对统一，而触觉没有标准，也缺乏大规模、多模态的真实采集体系。」

再看数据采集层面，遥操作、UMI 以及 Ego 等方式是当下主流的数据采集方式，但在这些方式都难以重现人类手指协同的精细操作，触觉数据无法被完整获取。

以 UMI 为例，操作者手持夹爪完成作业，通过末端相机和传感器记录操作轨迹，优势在于便携、低成本、数据可跨机器人复用。

但夹爪难以复刻五指协同的精细动作，触觉信息也被压缩到最低限度，本质上更接近动作轨迹数据，而非完整的接触物理数据。

遥操作系统虽然更接近人类手部动作，但由于机械传递结构的延迟与衰减，力觉信号会经历延迟、衰减与非线性滤波，真实指尖触觉在传输过程中往往被弱化，也难以完整还原操作中的微小力变化。

即便解决了单模态采集问题，多模态同步仍是另一道难关。

视觉信号以帧率为单位，触觉信号以毫秒计，关节角度与位姿数据又有各自的时间基准。

一旦同步精度不足，视觉捕捉的是动作 A 发生时的画面，触觉记录的却是动作 B 的力度变化，模型训练就会出现灾难性的错位。

这也解释了为什么尽管行业热度迅速上升，触觉数据整体仍处于早期甚至是实验室阶段，公开可见的触觉数据集十分有限。

今年年初，纬钛机器人联合国家共建人形机器人创新中心联合触觉传感器企业发布了「白虎-VTourch」数据集，数据集规模超 60000 分钟，为具身智能补齐了缺失的物理理解拼图。

4 月，戴盟发布了 Daimon-Infinity 数据集，以「百万小时」为目标构建全模态触觉数据体系，试图将触觉数据采集推进到更大规模、更高维度的阶段，为机器人精细操作补足长期稀缺的物理交互信息。

从数据丰富度和信息完整性来看，这也是目前行业内分辨率最高、信息最完整的触觉具身数据。

即便如此，无论是数据规模、开放程度，还是跨场景泛化能力，现有数据集距离产业级模型训练需求仍有较大差距。

归根结底，触觉数据面临的并非单点技术难题，而是一个系统性工程挑战。

从传感器路线尚未统一，到采集方式仍在演进，从多模态对齐困难，到标注体系缺失，每一个环节都在持续放大触觉数据生产的复杂度。

谁在补齐触觉数据，走向规模化

当下触觉数据面临的难点仍然存在，但僵局也正在被打破。

行业开始尝试将触觉数据采集从「定制实验」转向「标准化生产」，一个更清晰的方向逐渐浮现：轻量化触觉手套，正在成为触觉数据规模化生产的重要入口。

相比传统采集方案，触觉手套具备三大核心优势：

一是成本优势显著，无需整机设备与专业操作台，大幅降低整体数据采集成本。

二是自由度更高，多模态触觉、温度、形变信息可同步采集，覆盖全品类抓取与交互动作。

三是便携易推广，佩戴者可自由进入真实生活与工作场景，数据不再局限于实验室，能够快速扩充数据样本池。

围绕这一切口，帕西尼、他山科技、途见科技等企业也相继推出面向不同类型的触觉手套，形成了各自的技术路线。

首先是高密度多维触觉感知路线，这一路线追求触觉信息的极致精度与空间分辨率。

帕西尼是这一路线的代表企业，PXCap 系列手套搭载 10 个自研的 6D 霍尔阵列触觉传感器，在多指结构中形成高密度感知网络。

五指版内置 30 余个六维触觉模组，覆盖 82 个自由度，可采集超过 3000 路触觉信号，每个自由度还都配备了编码器。

在帕西尼看来，触觉数据的价值不仅来自力的变化，更来自力发生的位置。失去位置信息的触觉数据，实际应用价值几乎为零。

同样处于这一路线的猿声先达，实现小体积、薄封装的同时，还能保证单位空间内极高的感知点数量与多维力感知精度。

但与帕西尼不同的是，走的是空间编码的多维压阻技术路径，布局不限于指尖、手部，更延伸至全身电子皮肤，为机器人提供全域触觉感知能力。

另一条路线是全链路交互采集路线，更关注间交互过程的完整性和触觉信息的完整表达。

如他山科技的 TactileEcho Capture 数据采集指套，将人类操作过程中从接近→接触→施压→操作→脱离的完整交互链路，转化为可训练、可同步、可标注的结构化数据。

支持三维力感知、滑动感知与接近觉感知，实现接触发生前的预判能力。

第三条则是高保真接触路线，追求数据与真实手感的高度一致，强调低干扰、高耐久。

代表企业途见科技以「本征可拉伸材料」作为核心差异化方向，其自主研发的柔性材料可拉伸超过 100% 并完全恢复，一定程度上解决了长期穿戴与高频使用下的耐久性问题。

其触觉手套在指尖、指腹、手掌等关键区域形成多点触觉感知网络，通过「空抓无信号」来过滤无效数据，避免噪声进入训练集；

并通过高密度柔性触觉阵列提升接触信息分辨率，使微小力变化与滑动趋势都能被记录。

三条路线，技术路径各有侧重：

有的在解决感知密度，有的在解决数据完整性，有的在解决采集的真实性与耐用性。技术路径虽然不同，但指向同一个目标，让触觉数据从实验室样本，走向可持续、可规模化的真实世界生产。

这恰恰也是当前行业真正的分水岭。

今天，具身智能真正稀缺的不是模型本身，而是支撑模型理解物理世界的「经验」。

在大模型时代，竞争的是互联网数据，谁拥有更多文本、图像、代码，谁就能训练出更强的模型。