3万小时触觉数据开源，机器人补手感

具身智能开始补上最容易被忽视的一块感知拼图

新智具身与复旦大学团队近日连续发布三项触觉方向成果，核心内容包括约3万小时触觉数据，以及配套项目和模型的开源。按照截至2026年7月26日的公开信息，这批成果把触觉数据规模推到了“万小时”量级，试图解决机器人长期以来看得见物体、却摸不准物体的问题。

**触觉数据是机器人在接触物体时，对压力、形变、滑移、纹理和接触位置等物理信号的连续记录。**它与图片、视频最大的差别在于：视觉告诉机器人“这是什么、它在哪里”，触觉则告诉机器人“是否已经碰到、夹得是否稳定、物体有没有滑走”。

**具身智能模型是通过感知环境、规划动作并与真实世界交互来完成任务的模型。**过去两年，视觉—语言—动作模型，也就是常说的VLA，已经能把摄像头画面和自然语言指令映射为机械臂动作，但许多系统本质上仍然主要依赖视觉闭环。只要遇到透明杯、反光金属、柔软织物、遮挡区域或者需要精细控制夹持力的任务，视觉就很容易失灵。

这次开源的价值不只是多了一套数据，而是触觉模态第一次有机会按基础模型的思路被系统化训练。3万小时意味着研究者可以从零散的实验室采样，转向跨任务预训练、统一表征学习和下游适配；项目、数据与模型同时开放，也比只发表论文或展示演示视频更有复现价值。

3万小时的意义，不只是数字看起来大

**3万小时相当于连续采集约1250天的数据。**如果把它简单理解成视频时长，容易低估工程难度，因为触觉数据通常不是单一传感器流，而是需要与图像、机器人关节状态、末端位姿、动作指令和任务结果进行时间同步。

一段真正可用于训练的触觉轨迹，至少要回答几件事：机器人何时接触物体、接触发生在哪里、夹持力如何变化、物体是否滑移、动作最终成功还是失败。任何一条时间轴错位，都可能让模型学到错误因果关系——例如把“加大夹持力”误认为滑移的原因，而不是阻止滑移的动作。

**万小时数据让触觉模型有机会从任务专用网络升级为通用表征模型。**小规模数据往往只能支持“识别几种材质”或“判断是否滑动”这类单项任务；更大的数据集则可以尝试把接触状态、几何结构、材质属性和控制反馈压缩到同一个潜在空间，再迁移到抓取、装配、整理和工具使用等任务。

不过，3万小时不能直接等同于3万小时高质量训练样本。触觉数据的有效信息密度取决于物体种类、动作多样性、接触覆盖范围、失败案例比例和传感器标定质量。如果大量轨迹来自重复动作、固定物体或近似环境，名义时长很大，实际覆盖的物理状态仍可能有限。

公开材料目前突出强调了总时长和全面开源，但没有给出足够完整的分布统计，例如不同传感器、机器人本体、物体类别和任务类型分别占多少小时。因此，这一数据集是否真正具备“基础数据集”价值，不能只看3万小时，还要看长尾覆盖与跨硬件泛化能力。

视觉能认出杯子，触觉决定会不会把杯子捏碎

**视觉与触觉不是互相替代的两种方案，而是处理不同不确定性的互补模态。**视觉擅长远距离感知和全局定位，触觉擅长接触后的局部反馈；前者类似人类的眼睛，后者更接近手指皮肤与本体感觉形成的闭环。

机器人抓取一个透明塑料杯时，摄像头可能无法稳定估计杯壁边缘，也很难仅凭画面判断杯中是否装有液体。触觉信号则能直接反映夹爪是否接触杯壁、两侧压力是否均衡，以及杯体是否开始形变。模型不必先完整理解杯子的三维结构，也能根据接触反馈及时减小力度。

机器人整理柔软衣物时，触觉的作用更加明显。衣物会折叠、拉伸和自遮挡，同一件衣服在不同状态下几乎没有固定几何形状；只看RGB图像，模型很难判断夹爪捏住的是衣角、单层布料还是多层褶皱，而触觉能够提供局部厚度、摩擦和受力变化。

不同感知路线的能力边界可以概括如下：

| 感知路线 | 主要输入 | 优势 | 典型短板 | 更适合的任务 | |---|---|---|---|---| | 纯视觉策略 | RGB、深度图、视频 | 覆盖范围大，现有数据和模型成熟 | 遮挡、透明物体和接触状态判断不稳定 | 导航、粗粒度抓取、目标定位 | | 力矩反馈策略 | 关节力矩、六维力传感器 | 控制频率高，适合碰撞和受力检测 | 难以获得细粒度接触位置与纹理 | 插拔、打磨、阻抗控制 | | 视触觉策略 | 图像、触觉阵列、机器人状态 | 能同时理解物体与接触结果 | 硬件差异大，数据同步成本高 | 精细抓取、柔性物体操作、装配 | | 语言—视觉—触觉—动作模型 | 指令、图像、触觉、动作轨迹 | 有机会统一任务理解与闭环控制 | 训练复杂，缺少统一数据格式和评测 | 通用机械臂、家庭服务、工业柔性操作 |

**触觉最关键的贡献是把机器人控制从“预测下一步”变成“接触后立即纠错”。**模型可以在视觉规划阶段决定去抓杯柄，在触碰杯柄之后再根据压力分布调整手指位置，这比一次性生成整段动作更接近人类操作物体的方式。

开源数据、项目和模型，比单独开放权重更重要

**完整开源意味着外部团队不仅能下载模型，还能检查数据结构、训练流程和评测方法。**对于触觉研究来说，这一点尤其重要，因为模型效果经常与传感器标定、采样频率、时间同步和数据清洗绑定，单独拿到权重未必能在另一套机械臂上复现结果。

根据公开报道，新智具身与复旦团队此次强调项目、数据和模型均开放，这一策略降低了三类门槛：没有条件长期采集数据的团队可以直接训练算法，拥有机器人平台的团队可以验证跨本体迁移，传感器厂商也可以研究自家硬件与既有触觉表征的兼容性。

**开源触觉数据还可能成为机器人领域的“共同中间层”。**当前不同实验室使用的触觉硬件差异很大，有的输出压力矩阵，有的利用相机拍摄弹性介质形变，还有的读取振动、温度或六维力信号。统一模型若能把这些输入映射到相近的接触表征，下游策略就不必为每一种传感器完全重训。

这也是本次发布比单一任务演示更值得关注的地方。机器人在演示视频里完成一次抓取并不难，难的是让第三方用另一台机械臂、另一款夹爪和另一批物体得到接近的结果。数据、模型与工程流程一起开放，至少为外部验证提供了入口。

真正困难的是跨传感器迁移，而不是把触觉接进模型

**触觉硬件缺乏统一标准，是大规模触觉模型面临的第一道壁垒。**两台相机拍摄同一物体时，经过颜色校正与分辨率调整后仍能得到相似图像；两种触觉传感器接触同一物体时，输出形式却可能完全不同，一种是二维形变图，另一种是数十路压力值。

传感器还会随使用时间发生漂移。弹性材料老化、表面磨损、温度变化和安装角度偏差，都可能让同一个接触动作产生不同读数。模型如果记住的是某一批硬件的噪声特征，而不是接触过程中的物理规律，就会在更换传感器后迅速失效。

**触觉数据的采样频率也会直接影响模型能否捕捉滑移。**缓慢变化的压力可以用较低频率记录，但物体开始滑落时的振动往往发生得非常快；采样不足会像低帧率视频漏掉关键动作一样，让模型只看到“原本抓住”和“已经掉落”两个状态，却看不到中间的预警信号。

数据集还必须包含足够多的失败轨迹。成功抓取告诉模型什么动作可行，失败轨迹则告诉模型什么时候需要纠偏；如果训练数据中过度筛掉掉落、碰撞和夹持失败，机器人在真实环境中遇到异常时反而缺乏恢复能力。

因此，后续评估这批开源成果时，开发者应该重点查看以下指标，而不是只看数据总时长：

• 训练集包含多少种物体、材质、形状和软硬程度；
• 是否覆盖抓空、滑移、碰撞、过度夹持等失败案例；
• 触觉、视觉、关节状态和动作的时间戳是否严格对齐；
• 模型能否迁移到未见过的物体、传感器和机器人本体；
• 评测是否同时报告成功率、最大受力、完成时间与恢复次数；
• 数据许可是否允许研究、微调和商业场景使用；
• 是否提供原始传感器流，而不只是加工后的特征。

触觉基础模型不会立刻让机器人变成灵巧手

**触觉模型解决的是感知和表征问题，但灵巧操作还需要动作控制、机械结构与实时系统共同配合。**一台只有两指夹爪的机械臂即使能准确识别接触状态，也无法完成五指旋转、单手重抓和复杂工具使用；软件能力不会自动突破硬件自由度的上限。

实时性同样不能忽略。语言模型可以用数百毫秒甚至数秒生成回答，抓取中的滑移控制却往往需要更短的闭环周期。如果触觉信号先上传、再经过大型多模态模型推理，延迟可能已经足够让物体掉落，因此实际系统通常需要把高层规划与低层快速控制拆开。

**更现实的技术架构是“大模型定目标，小模型保稳定”。**上层多模态模型理解“把玻璃杯放到托盘上”这样的任务，生成抓取区域和动作阶段；下层触觉策略以更高频率监测压力和滑移，在不重新请求大模型的情况下即时调整夹持力。

这意味着触觉基础模型的价值未必表现为一个模型包办全部动作，而可能表现为更好的预训练编码器、更通用的接触状态表示，以及更低的数据适配成本。对开发者而言，这种能力虽然没有端到端演示那么吸睛，却更容易进入工业控制与真实产品。

这批成果最可能先影响工业操作，再影响家庭机器人

**结构化程度较高的工业场景更适合率先消化触觉模型。**连接器插拔、精密装配、线束整理、表面检测和易碎品分拣都有清晰的成功标准，也更容易建立受控数据闭环；企业可以量化成功率、节拍和损坏率，从而判断触觉硬件是否值得增加成本。

家庭环境则更加开放。机器人可能同时面对湿滑餐具、柔软衣物、透明容器和形状不规则的生活用品，触觉的潜在价值更高，但安全要求、硬件耐用性和泛化难度也同步上升。3万小时数据能够改善预训练起点，却不代表模型已经覆盖真实家庭的长尾状态。

**触觉传感器的成本与耐久性将决定这项技术能否从论文走向规模化部署。**如果高分辨率触觉模块价格过高、耗材更换频繁或难以清洁，整机厂商仍可能选择便宜的力矩反馈方案；只有当模型收益能够稳定转化为更低损坏率、更高任务成功率或更少人工接管，触觉才会成为机器人标配。

判断：这是重要的数据基础设施，但还不是触觉版的“ImageNet时刻”

**3万小时开源数据把触觉研究向基础模型范式推进了一大步。**它解决了学术界和创业团队最现实的痛点之一：触觉数据难采、难同步、难复用，单个团队很难独立积累足够规模的数据。

但把这次发布称为触觉领域的决定性拐点仍然太早。ImageNet之所以改变计算机视觉，不只是因为图片数量多，还因为它建立了清晰任务、统一标签和可持续比较的评测体系；触觉领域目前仍缺少跨传感器、跨机器人和跨任务都被广泛接受的统一基准。

**这批成果是否真正具有行业影响力，将由第三方复现而不是发布规模决定。**如果外部团队能在不同硬件上复用模型，并用更少的新数据完成抓取、装配或柔性物体操作，它就可能成为视触觉基础模型的重要底座；如果模型只能在原始传感器和原始平台上维持优势，3万小时更像是一套大型专用数据资产。

短期看，这次开源最直接的受益者是触觉算法研究者、机器人策略团队与传感器厂商。长期看，它指向的方向更重要：下一代具身模型不能只会理解语言和画面，还必须理解摩擦、压力、形变与滑移。机器人真正进入物理世界，不只是要“看懂”，还得知道自己摸到了什么。

参考来源

• Hugging Face Datasets 文档：用于了解开源数据集的组织、加载、流式读取与发布方式；本文不据此认定涉事项目的具体仓库地址。
• GitHub：开源项目常用的代码与版本管理平台；截至发稿，所给参考材料未包含可核验的项目仓库直链，因此本文不虚构具体地址。

注：事件事实依据2026年7月公开报道整理；无关的影视搜索结果未作为本文信源。公开材料未明确披露的模型名称、参数规模、传感器构成和基准成绩，本文均未作推测性填写。