让触觉像视觉一样可规模化，哥大李昀烛团队 FlexiTac 的开源实践

首页

让触觉像视觉一样可规模化，哥大李昀烛团队 FlexiTac 的开源实践 | IROS 2026

AI科技评论

2026-10-05

导读：FlexiTac压阻式传感器可兼顾柔性、低成本与一致性。

FlexiTac压阻式传感器可兼顾柔性、低成本与一致性。

作者丨向欣

编辑丨岑峰

机器人的视觉能力正快速增强，但触觉仍然是具身智能系统中的薄弱环节。尤其是在精细操作场景中，当物体被遮挡、透明、易碎，或需要精确判断接触力与手内姿态时，仅靠视觉往往难以确认机器人是否真正抓稳了物体、是否发生了滑移，也难以实现可靠的力控与顺从交互。

与图像领域已经形成相对统一的传感器和数据体系相比，触觉研究尚未形成类似的「收敛」。不同实验室往往使用不同类型的触觉传感器，但它们都面临寿命、柔性、多维信息感知、分辨率、成本与一致性难以同时兼顾的困境。这使得触觉数据采集、算法研究以及不同系统之间的复现都变得更加困难。

如何让触觉像视觉一样，成为一种可以被更多机器人使用、被大量采集、被算法反复利用的基础感知能力？

针对这个问题，哥伦比亚大学李昀烛团队提出了开源柔性压阻式触觉传感器平台 FlexiTac。在本届 IROS 2026 的触觉专题研讨会上，李昀烛系统介绍了这一平台开源一年半后的进展与生态。

FlexiTac 是一套低成本、开源、可扩展的压阻式柔性触觉传感器，团队同时开源了完整 BOM、详细组装说明以及用于读取触觉数据的软件。

FlexiTac 采用 FPC 与力敏薄膜层叠结构，组装仅需 3 分钟，可弯曲、裁剪并包裹于不同几何表面，适配手套、指尖或机器人皮肤等多种形态。

其核心优势在于成本低、制作简单、高度柔性与可扩展、以及较好的长期稳定性和批次一致性，感知机制也足够简单，易于用弹簧-阻尼系统实现高保真仿真。

其技术栈可集成进主流的机器人学习框架中，门槛低到拥有即使是本科生，只要拥有一台可打印 SO-100 机械臂的 3D 打印机，也能轻松把触觉传感器装上机器人。

李昀烛提到，开源约一年半以来，FlexiTac 已在学术界与工业界获得广泛采用，衍生出多模态策略、可变形世界模型、四足移动-操纵、VLA 触觉反馈等多方向工作，他们与普渡大学合作的多指灵巧操纵工作 VTAP Gripper 还入围了本次 IROS 最佳论文奖。Analog Devices（ADI）正在推进其商业化版本，该版本触觉分辨率达到人类手指的五倍，基于半导体制造工艺量产。

以下为李昀烛在 IROS 2026 演讲的精编稿，AI科技评论基于原英文内容进行了不改原意的翻译编辑：

3 分钟组装、本科生可用

为了让传感器易于生产、成本低廉，我们最新的版本制造成本其实已经非常低，具体多低，取决于你同一批次生产多少片。

准备好所有物料后，你只需要花 3 分钟就可以把传感器装配完成，传感器随即就能投入工作。

我们这套方案是完全开源的：完整的物料清单，还有非常详尽的分步装配说明，同时也配套了可以读取、传输传感数据的对应软件。

除了传感器和配套软件本身，我们也还把这套软硬件技术栈集成到非常流行的机器人学习框架 LeRobot 里。

这样一来，任何人，哪怕只是本科生，只要手头有能够打印出低成本 SO-100 机械臂的 3D 打印机、都可以轻松地把我们的触觉传感器集成进去，然后开展相关研究，探索触觉感知如何帮助机器人理解手内物体状态，完成复杂操作任务。

在我们开源这套传感器大约一年半之后，我们欣喜地看到，这项技术已经在学术界与工业界得到广泛应用。

更让我们振奋的是，大家正在沿着不同方向继续推进、拓展整个生态：如何制造更好、能力更强的硬件；如何基于我们的触觉传感器构建更好的感知、学习和推理系统；以及如何设计真正包含触觉的大规模数据采集流程。

我们也在与亚德诺半导体（Analog Devices，ADI）展开合作，由他们开发这款传感器的商业化版本。他们已经在多场会议上演示了商业化样机，其中就包括 GTC 大会，演示内容是一些很有代表性的机器人操作任务。

大家可以访问我们的项目网站，查阅硬件、软件方向的各类学术与产业应用成果。

核心优势：可扩展、柔性、一致性

但话说回来，我们这款传感器只是众多触觉传感方案的其中一种方案。

触觉领域常常被诟病的一个问题是，整个领域至今未形成统一标准。和发展成熟的计算机视觉不一样，不同实验室往往采用完全自研、互不兼容的触觉传感器。

所以，我们的传感器有几个比较重要的优势。

第一是可扩展性。它既可以做成大面积，也可以做成小尺寸。

第二是柔性。它就像一张纸，可以弯折、裁剪，还可以包覆在各种异形曲面结构上。

第三是高度可定制化。我们内部已经完成原型验证，可以把传感器定制成触觉手套、指尖传感器、机器人皮肤等多种形态。

另一项优势是一致性和鲁棒性，可以从两个维度来看。

第一个维度是时间维度：信号会不会随时间发生漂移，即长期的稳定性。

这里举一个实例：我的学生 Binghao 主导了很多相关工作，他 2024 年夏天在实习期间，为录制视频制作了四块传感器。时隔一年半之后，直接使用这套传感器，用一年前采集的数据训练出来的模型依然可以正常工作。

第二个维度是不同批次制备之间的一致性：不同批次加工出来的传感器，输出信号能否保持一致。

这是很多触觉传感器的痛点，尤其是结构中包含橡胶材料的传感器；而我们这款传感器在这一点上表现出不错的一致性。

我们也正和亚德诺半导体合作，探索如何规模化生产这类传感器。

优异的仿真适配能力

我们触觉传感器的另一个关键优势是仿真适配性。

我们可以很方便地把这款触觉传感器接入仿真环境，借助仿真做规模化算法迭代。

下面我要介绍的后续工作正是基于这一点。因为传感机制简单，仿真实现只需要构建一个简单的弹簧‑阻尼系统，只需要标定 3 个超参数。

左边是真实物理交互场景，后方屏幕可以看到触觉信号的实时可视化；右边是仿真环境，运行完全相同的策略，执行相同任务。

不仅状态演化过程高度吻合，仿真端屏幕输出的触觉信号也和真实信号匹配度很高。

当然，你可能会说，这只是定性结果。那么定量结果表现如何？

我们的做法是，先在真实环境中采集一批随机交互数据，然后把真实环境里的交互动作在仿真环境中复现回放。

然后，我们分别收集真实环境和仿真环境得到的全部触觉数据，并绘制成直方图。

标定工作的核心目标就是对齐这两组直方图，而二者实际对齐效果非常理想。

这和计算机视觉里白平衡校准是相通的思路。

这里我想特别强调一点：仿真与真实对齐得越精确，你在仿真中需要做的随机化就越少，sim-to-real 的迁移也会越精准。

所以，在仿真环境中，我们可以进行大规模随机化，然后把训练出来的策略迁移回真实环境。

同样的框架也可以应用到不同本体的机器人上。我们在实验室的双臂装配任务中进行了验证，也在英伟达的人形机器人上使用了同样的 sim-to-real 迁移框架，让机器人完成类似的任务。

真实数据规模化：

给 UMI 补上缺失的触觉

接下来，我想讲的是如何实现真实世界数据的规模化采集。

很多人应该都熟悉 UMI 这套手持遥操作设备，它被用于野外场景的数据采集。

用过 UMI 夹持器的人应该会注意到：设备内部的机械弹簧会给人类操作者提供触觉反馈，但原版 UMI 的设计只会记录精准的位姿跟踪信息，并不会存储这套触觉反馈。

接入我们的触觉传感器恰好补上了这一短板。它可以间接把人类操作者感受到的触觉反馈，记录为传感器输出的触觉信号。

借助这套改造后的手持设备，我们可以到各类不同场景完成大规模数据采集。

采集到的数据可以同时包含视觉和触觉信息，而且两者是时间同步的。去过哥伦比亚大学校园的同学或许能认出其中部分场景。

我们拿到视觉‑触觉配对的同步数据之后，可以用来做预训练，也有人称之为中间训练，取决于工作流的定义。

之后，我们还可以继续采集遥操作数据，用于机器人策略的后续微调训练。

这个案例是一项实验室自动化任务：机器人需要对试管做姿态重定向，过程中会有人为施加外部扰动。机器人必须持续调整试管姿态，才能够完成插入操作。右侧是策略模型的输入，包含腕部相机图像以及触觉传感信号。

经常有人提出一个问题：既然已经有腕部相机，我们还需要触觉吗？腕部相机的信息难道还不够用吗？这个任务就是很好的反例。

如果试管是透明物体，仅依靠腕部相机，很难精确判断试管的姿态与位置；但下方的触觉信息就可以对机器人手内物体的状态做出精准估计。

除此之外，我们还完成了很多其他任务：比如铅笔在手内姿态调整、把铅笔插入卷笔刀；还有需要精准力控的任务：控制夹持器张开吸取液体，但又不能张得过大导致玻璃器皿脱落；还有经典的恒力控制任务，比如白板擦拭。

以上就是我们目前一直在做的诸多工作。

我们从一套已经发展数十年的简易传感机理出发，尽最大努力把这套传感器推广给更多研究者，我们把这件事情称为「让触觉感知大众化」。

我们在努力地推进这件事情，看到这套传感方案被广泛采用，也由衷感到高兴。

而在 AI 的世界里，我们也一直在思考如何通过仿真、真实物理环境两条路径，把触觉感知的规模进一步做大。而这一切仅仅只是开始。

在此基础之上，我们实验室还在推进多条技术路线。

其中一项工作是与普渡大学的合作者共同完成的。我们不再只使用单一类型触觉传感器，而是把不同类型的触觉传感器结合起来，包括我们实验室的压阻式传感器，以及基于视觉的触觉传感器，并把它们集成到多指夹爪中，实现高灵巧度操作任务。

这篇论文会在本次 IROS 上进行报告，同时也是最佳论文奖的入围作品之一。如果各位对该方向感兴趣，欢迎和我们交流。

我们实验室另一项重要工作围绕世界模型展开。如大家所料，我们也在探索如何将触觉感知融入世界模型。

大家现在看到的是基于动作条件的交互式 3D 视频预测，全程没有用到物理仿真，全部由真实数据训练得到。这套模型可以输出帧率 15fps、同时包含视觉点云与触觉点云的预测结果。

仔细看指尖部分可以发现：在三维空间中，触觉点云可以和物体底层几何结构实现很好的对齐。模型还可以识别滑移：当两件物体对位不够好时，可以检测到滑移现象；当试管和支座对位精准，就可以完成插头插入试管的动作。

触觉预测与视觉预测可以很好地协同对齐，这对于手内物体状态测量、估计这类高精度任务至关重要。

我的报告到此结束，欢迎大家提问。

Q&A 问答环节

▎听众 A：我有一个关于触觉传感器切向力的问题。首先，你们的传感器能否测量切向力？其次，如果本身不做切向力测量，背后是什么原因？切向力对策略的成功是否重要？另外，在 UMI 数据集里，触觉传感器是如何生成动作标签的？如果去掉UMI内部的机械弹簧结构柔顺机构，触觉到动作标签的映射还能否正常工作？

李昀烛：这些问题非常好。

第一个问题关于剪切力：压阻材料本身并不能直接测得剪切力。但我们发现，如果传感器的空间分辨率、时间分辨率足够高，就可以对剪切力做近似估计。我们亚德诺半导体的合作团队正在提升传感器分辨率，我记得目标分辨率至少是现有版本的 5‑7 倍。他们发现在传感器表层覆盖一层极薄的软材料，材料发生形变之后，就可以实现对剪切力的近似估算。读取触觉数据的时候，即便处于静态剪切状态，你也能看到力分布发生偏移；动态剪切当然也可以捕捉。

所以我们认为，在传感器设计中引入剪切力测量拥有巨大研究潜力。他们已经有两篇相关论文被 CORAL 会议接收，会在 CORAL 做报告。其中一篇专门研究如何用压阻材料检测滑移。

你的第二个问题，关于把传感器集成到 UMI 夹持器：对于触觉可以发挥巨大价值的任务，尤其是需要柔顺特性、力级推理与力控操作的场景，触觉感知会起到至关重要的作用。

这也是为什么我们的传感器和 UMI 夹持器兼容性很好：夹持器的手指本身具备柔顺特性，同时内置机械弹簧，给夹持机构带来柔顺能力。我坚信，对于现实世界绝大多数有价值的机器人任务，这种柔顺特性都是必不可少的。谢谢。

为了方便大家抱团交流、互通会议消息，我们专门建了 IROS 2026 参会交流群！进群你会解锁这些「福利」

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——

路线导航：场馆分布、报告厅怎么走，群里随时问；

议题共读：热门 session、Keynote 探讨，错过也能追；

Poster 汇编：现场海报精华整理，一键收藏不遗漏；

约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

【声明】内容源于网络

AI科技评论

聚焦AI前沿研究，关注AI工程落地。

内容 8982

粉丝 0

AI科技评论聚焦AI前沿研究，关注AI工程落地。

总阅读265.7k

粉丝0

内容9.0k