蚂蚁灵波又放大招！机器人通用大脑学会共享“手感”
智东西
具身智能正加速突破灵巧操作边界，但不同灵巧手间的触觉数据鸿沟仍是主要障碍。如何打破传感器数据壁垒，实现通用灵巧操作，成为行业关键痛点。
智东西11月10日报道，蚂蚁灵波正式开源面向灵巧操作的触觉预训练基础模型LingBot-Touch。该模型能统一处理压阻式、视触觉等异构传感信号，将其编码为可复用的触觉表征（Token），供不同灵巧手和策略模型共享使用。
真机测试显示，LingBot-Touch结合两款灵巧手与四种策略模型，在26项真实任务中均提升了平均成功率。其中，在Sharpa Wave灵巧手上，LingBot-VLA的平均成功率从45.60%显著提升至72.51%。此次发布补齐了蚂蚁灵波具身原生机器人通用大脑的通用触觉感知能力。
打破触觉数据壁垒，让不同灵巧手共享“手感”
拧瓶盖、翻书、装配等精细化任务要求机器人不仅感知位置，还需实时捕捉受力变化。然而，触觉数据采集成本高、规模有限，且磁触觉、视触觉、压阻式等主流传感器在精度、响应及成本上各具优劣，数据格式难以互通。
相较海外企业通过动作映射或跨本体研究积累物理经验，蚂蚁灵波聚焦于解决不同传感器间的数据壁垒。LingBot-Touch利用不同传感器背后物理接触信息的共性，学习统一触觉表征。
技术路径上，模型先分别处理三类传感器原始信号，再通过共享模型提取共同接触特征（如接触点、受力变化），最终编码为统一的触觉Token。策略模型无需处理复杂原始信号，可直接利用这些特征进行决策。
为掌握接触规律，蚂蚁灵波采用自监督学习方法，随机遮挡部分触觉信息让模型预测，无需逐一标注。预训练数据集涵盖4983小时真实触觉数据，包含约46.4万段交互记录、13.3亿帧数据，覆盖抓握、旋转、装配等多种操作。
26项真机任务验证，四种模型集体涨分
在Sharpa Wave和XHand1两款灵巧手上，针对翻书、拧瓶盖、拉拉链等26项任务，接入LingBot-Touch后，Diffusion Policy、π0.5、LingBot-VLA和T-Rex四种策略模型的平均任务成功率均达到最高水平。
具体数据方面：
- 在Sharpa Wave上，LingBot-VLA平均成功率由45.60%提升至72.51%（+26.91%）；π0.5由47.56%提升至68.58%（+21.02%）。
- 在XHand1上，π0.5平均成功率由49.71%提升至74.17%（+24.46%）。
典型案例显示，将触觉信号转化为有效特征是关键。在拧瓶盖任务中，T-Rex接入LingBot-Touch后成功率从56.25%（无触觉）和62.50%（原始数据）提升至90%。在拉拉链任务中，π0.5使用LingBot-Touch特征后成功率从39%（无触觉）和15%（原始数据，甚至下降）提升至59%。
此外，模型展现出良好的迁移能力。测试使用的XHand1搭载的磁触觉传感器型号及触点布局未出现在预训练数据中，但在固定LingBot-Touch参数、仅训练下游策略的情况下，任务成功率依然提升。这有望减少企业在数据采集、模型训练和硬件适配上的重复投入。
触觉模型走向真机，速度也是硬门槛
鉴于端侧算力有限且触觉需高频处理，蚂蚁灵波推出LingBot-Touch Tiny和Small两个版本，平衡模型规模与感知能力。
Tiny版本仅约532万参数，接入LingBot-VLA后整体参数量增加约0.13%，本次26项真机任务均由该版本完成。Small版本容量更大，数据显示Tiny版本在约4000小时数据预训练后性能趋于饱和，而Small版本在接近5000小时数据规模下仍能持续提升。
这种差异化设计为企业根据硬件条件和部署成本选择合适模型提供了空间，兼顾性能与效率。
结语：通用大脑再升级，让物理经验成为具身智能的共同资产
LingBot-Touch的加入，进一步完善了蚂蚁灵波机器人通用大脑的物理感知能力。延续其具身原生技术路线，蚂蚁灵波致力于将机器人完成任务所需的智能能力构建为可复用的基础模型。
通过沉淀真实世界经验，降低不同硬件间的迁移成本，通用基础模型将加速机器人能力向更多实际场景落地，推动具身智能规模化应用。
