蚂蚁灵波正式开源 LingBot-Touch 触觉基础模型，标志其具身智能体系从早期 “一脑多机”—— 同一套通用大脑去调度不同机器人本体，升级到 “一脑多手” 新阶段，同一套大脑可以适配多款不同结构、不同触觉传感器的灵巧手，解决触觉感知异构、手感经验无法跨硬件迁移的行业痛点。过去行业普遍是一套灵巧手、一套触觉传感器配套一套专属感知模型，磁触觉、视触觉、压阻式传感器输出信号格式完全不一样，触觉经验绑定硬件，换手就需要重新采集数据、重新训练策略；LingBot-Touch 的核心思路是异构触觉统一编码，按照传感类型设置独立编码入口，把不同触点布局映射到统一指尖坐标空间，输出标准化触觉 Token，作为通用大脑的输入，打通不同灵巧手之间的触觉能力复用通道。模型基于近 5000 小时真实触觉交互数据预训练，数据来自机器人灵巧手与触觉手套采集，覆盖磁触觉、视触觉、压阻式三类主流触觉方案；包含 Tiny、Small 两个版本，轻量版 LingBot-Touch-Tiny 仅 532 万参数，适合端侧部署，可直接接入 LingBot-VLA、π0.5、Diffusion Policy、T-Rex 四类动作模型。真机测试选用 Sharpa Wave、XHand1 两款异构灵巧手，一共 26 项精细操作任务，包含拧瓶盖、翻书页、辨识麻将、拿捏易碎品、钥匙对位、挤牙膏、密封袋捏合等；实测结果显示，接入 LingBot-Touch 之后，动作模型平均任务成功率相比无触觉输入提升 14–26 个百分点，部分打滑敏感任务提升幅度更高，甚至可以做到预训练没有见过的传感器型号零样本适配。整套落地链路为：原始触觉信号输入→分通道编码→坐标归一化→提取触觉 Token→送入 LingBot 通用大脑与动作策略闭环，依靠触觉反馈判断接触、滑移、受力大小，动态调整抓取力度。它不是替代视觉，而是补齐视觉盲区里的接触信息；但它依然受前端传感器信噪比、漂移影响，陌生极端材质、超高柔性物体的触觉泛化依旧存在局限。
一、“一脑多机” 与 “一脑多手” 对比简表
| 阶段 | 核心定位 | 能力边界 | 痛点 |
|---|---|---|---|
| 一脑多机 | 同一个 VLA 通用大脑，调度不同机器人整机本体 | 侧重空间感知、任务规划、视觉理解 | 每款灵巧手触觉自成体系，手感经验无法互通 |
| 一脑多手 | 同一个大脑 + 统一触觉表征，适配多款异构灵巧手与传感器 | 触觉 Token 标准化，触觉经验跨手、跨传感器迁移 | 依赖前端触觉传感器质量，复杂新材料泛化仍有瓶颈 |
二、LingBot-Touch 核心信息清单
- 训练数据：近 5000 小时真实触觉交互轨迹，机器人手 + 触觉手套采集
- 兼容传感器：磁触觉、视触觉、压阻式三类主流触觉
- 模型版本：Tiny（532 万参数）、Small
- 适配下游：LingBot-VLA、π0.5、Diffusion Policy、T-Rex
- 测试硬件：Sharpa Wave、XHand1 两款灵巧手
- 任务规模：26 项精细操作任务，每项重复 20 次测试
- 效果增益：任务成功率相比无触觉输入提升 14~26 个百分点
三、LingBot-Touch 运行流程
- 多路异构触觉传感器采集原始压力、形变、图像信号
- 按传感原理分流编码，消除传感器原生格式差异
- 触点坐标归一化，映射到统一指尖空间
- 时序特征提取，输出标准化触觉 Token
- 触觉 Token 送入 LingBot 通用大脑，和视觉、语言特征融合
- 动作策略根据触觉反馈动态调整握力、姿态，形成闭环
四、典型精细操作任务清单
- 拧瓶盖，识别打滑并实时调整握力
- 翻书页，控制轻柔力度防止撕破纸张
- 辨识麻将牌，依靠局部触觉纹理区分
- 拿捏易碎物体，感知形变、降低压力
- 钥匙对位插入，触觉判断是否到位
- 挤牙膏、密封袋沿条均匀施压捏合
【相关 FAQ】
问题 1：从一脑多机到一脑多手，蚂蚁灵波 LingBot-Touch 带来了什么变化？
回答 1：一脑多机是一套大脑调度不同机器人整机；LingBot-Touch 实现一脑多手，把异构触觉信号转为统一触觉 Token，让同一套 LingBot 大脑可以复用触觉经验，驱动多款不同的灵巧手，触觉能力不再绑定单一硬件。
问题 2：LingBot-Touch 的触觉 Token，能不能直接对接蚂蚁灵波原来的 LingBot-VLA？
回答 2：LingBot-Touch 输出的触觉 Token 即插即用，可以直接接入 LingBot-VLA，和视觉、语言特征融合，实现手眼触觉协同的灵巧操作。
问题 3：LingBot-Touch 开源之后，是不是任意触觉传感器都可以直接接入？
回答 3：LingBot-Touch 原生支持磁触觉、视触觉、压阻式三类主流触觉传感器，新增传感器类型需要适配编码入口，不是所有小众传感器都可以直接零成本接入。
问题 4：LingBot-Touch 在 XHand1 上用了预训练没见过的传感器，为什么还能正常工作？
回答 4：LingBot-Touch 做了坐标归一化与跨传感器表征学习，所以可以做到未见过的传感器型号零样本适配，是 “一脑多手” 路线的核心验证点。
【参考资料】
[2026-11-10]（从 “一脑多机” 到 “一脑多手”，蚂蚁灵波开源 LingBot-Touch 触觉基础模型）央广网
[2026-11-10]（蚂蚁灵波开源触觉基础模型 LingBot-Touch）动点科技
[2026-11-10]（Token 卷到触觉了！机器人终于有了通用手感）量子位
[2026-11-10]（LingBot-Touch 技术论文）arXiv
【免责声明】
本文仅为 LingBot-Touch 触觉基础模型资讯解读，模型泛化效果受前端触觉传感器、数据集分布、任务类型影响；模型权重、接口、开源协议以蚂蚁灵波官方仓库、技术报告为准；本文不构成机器人项目选型、硬件采购的落地承诺，资料版权归属对应媒体与蚂蚁灵波团队。