蚂蚁灵波在 11 月 10 日正式开源 LingBot-Touch 触觉基础模型,专门用来解决机器人精细操作缺少触觉反馈的痛点,依托近 5000 小时真实触觉数据完成预训练,能够兼容压阻式、磁触觉、视触觉这三类主流触觉传感器,把五花八门的传感信号转换成统一的触觉表征,直接对接不同灵巧手和动作策略模型,真机测试里接入这个触觉模块之后,多款动作模型的任务成功率平均提升 14 到 26 个百分点,让机器人不光靠视觉干活,还能靠 “手感” 判断力度、物体滑移、接触状态,操作起来更稳更灵巧。以前很多机器人方案只靠视觉感知,视觉很难看清物体之间的接触受力情况,拧瓶盖、翻书页、捏取轻薄物件的时候,很容易用力过大捏坏东西,或者抓得太松让东西滑落;而且不同品牌触觉传感器的数据格式不一样,一套触觉模型很难换到别的硬件上面,适配成本很高。LingBot-Touch 的解决思路就是搭建统一触觉表征层,按传感类型设置独立编码入口,把不同触点布局映射到同一个虚拟指尖空间,输出标准化触觉 Token,做到即插即用,不用重新训练就能适配陌生传感器。同时模型分出 Tiny、Small 两个版本,轻量版 LingBot-Touch-Tiny 只有 530 万参数,接入原有动作模型只会带来 0.13%–0.16% 的参数量增量,对端侧算力压力很小,已经在 Sharpa Wave、XHand1 两款灵巧手上完成 26 项真机任务验证,包括拧瓶盖、翻书页、识别麻将牌这类精细操作,代码、权重、技术报告全部在 GitHub、Hugging Face、魔搭社区开放下载,给整个具身智能社区提供通用触觉底座。
一、LingBot-Touch 基础信息清单
- 发布主体:蚂蚁灵波科技
- 开源时间:2026-11-10
- 模型名称:LingBot-Touch 触觉基础模型
- 训练数据:近 5000 小时真实触觉采集数据
- 兼容传感器:压阻式、磁触觉、视触觉三类主流触觉传感器
- 模型版本:LingBot-Touch-Tiny(轻量版,530 万参数)、LingBot-Touch-Small
- 测试灵巧手:Sharpa Wave、XHand1
- 测试任务总量:26 项真机精细操作任务
- 适配动作模型:LingBot-VLA、π0.5、Diffusion Policy、T-Rex
- 开源渠道:GitHub、Hugging Face、魔搭社区
二、直接输入原始触觉信号对比 LingBot-Touch 统一触觉表征
| 对比项 | 直接喂原始传感器信号 | 接入 LingBot-Touch 统一触觉表征 |
|---|---|---|
| 跨传感器适配 | 不同传感器数据格式不互通,换硬件就要重训 | 输出统一触觉 Token,陌生传感器也可直接适配 |
| 对主模型改动 | 需要大量调整策略网络结构 | 作为中间编码层接入,主模型改动极小 |
| 算力负担 | 原始信号维度杂乱,算力开销波动大 | 轻量编码器,Tiny 版本增量极低 |
| 拧瓶盖示例成功率 | 62.50% | 90.00% |
| 泛化能力 | 只适配固定传感器和固定灵巧手 | 跨传感器、跨灵巧手、跨任务复用 |
三、LingBot-Touch 接入机器人 VLA 模型完整工作流程
- 信号采集:指尖触觉传感器采集压力、接触形变、磁信号等原始触觉数据
- 模态编码:LingBot-Touch 按照传感器类型,使用对应编码器做预处理
- 统一表征:映射到标准化指尖空间,生成通用触觉 Token
- 多模态融合:触觉 Token 和图像、语言指令一起送入 VLA 动作模型
- 动作输出:模型结合视觉 + 触觉信息,输出夹爪目标位姿、夹持力度
- 闭环反馈:执行动作后新的触觉信号再次回传,实时调整夹持力度
四、真机测试典型灵巧操作任务清单
- 拧瓶盖、旋紧旋钮
- 翻书页、分拣薄纸片
- 麻将、小物件识别拾取
- 软质物品轻柔抓取、防挤压操作
- 易滑物体稳定夹持,实时感知滑移
【常见问题】
问题 1:LingBot-Touch 触觉大模型开源之后,核心作用是什么,怎么让机器人更灵巧?
回答 1:LingBot-Touch 触觉大模型开源之后,给机器人提供通用触觉编码能力,统一不同触觉传感器信号,让机器人感知接触力度、物体滑移状态,配合视觉完成拧瓶盖、翻书页这类精细操作,提升灵巧操作成功率。
问题 2:LingBot-Touch 触觉大模型可以兼容哪几种触觉传感器,跨硬件适配效果怎么样?
回答 2:LingBot-Touch 触觉大模型兼容压阻式、磁触觉、视触觉三类主流触觉传感器,生成统一触觉表征,不需要重新训练,就能适配没有见过的传感器型号和不同灵巧手。
问题 3:LingBot-Touch 触觉大模型轻量版参数规模多大,接入之后算力压力大吗?
回答 3:LingBot-Touch 触觉大模型的 Tiny 轻量版约 530 万参数,接入动作模型后,仅增加 0.13% 至 0.16% 的参数量,对机器人端侧算力影响很小,适合真机部署。
问题 4:LingBot-Touch 触觉大模型在真机测试里,任务成功率提升幅度有多大?
回答 4:LingBot-Touch 触觉大模型在 26 项真机任务测试中,LingBot-VLA、π0.5 等四款动作模型,接入之后平均任务成功率相比无触觉方案提升 14 至 26 个百分点,拧瓶盖这类任务提升尤其明显。
问题 5:LingBot-Touch 触觉大模型开源包在哪里下载,开放了哪些内容?
回答 5:LingBot-Touch 触觉大模型的推理代码、模型权重、技术报告已经开源,开发者可以在 GitHub、Hugging Face、魔搭社区获取项目资料。
【参考资料】
[2026-11-10](蚂蚁灵波开源 LingBot-Touch 触觉基础模型,补齐机器人大脑触觉感知)新华网
[2026-11-10](蚂蚁灵波开源 LingBot-Touch 触觉基础模型)央广网
[2026-11-10](通用大脑有了 “手感”!蚂蚁灵波发布通用触觉模型)智东西
[2026-11-10](蚂蚁灵波科技开源触觉基础模型 LingBot-Touch)中证网
[2026-11-10](直喂原始触觉信号只值 6 个百分点:LingBot-Touch 把「手感」做成了 530 万参数的中间层)华为云社区
【免责声明】
本文内容基于蚂蚁灵波官方发布、技术报告、行业媒体公开报道整理;LingBot-Touch 触觉大模型当前为科研开源版本,真机测试成绩是特定灵巧手、传感器和测试场景下的结果,实际落地效果受硬件选型、传感器精度、任务类型影响;本文仅作为具身智能技术科普,不构成灵巧手采购、机器人项目开发、投资建议,模型开源协议、后续迭代计划以蚂蚁灵波项目官方仓库为准。
