在 3C 产线上，让机器人把一根 USB 线插进毫米级的接口，难点藏在视觉看不到的地方。插没插正、有没有卡滞、该加力还是收手，答案都落在指尖与工件接触的瞬间。精密装配、柔性物体抓取、插拔等任务，是自动化产线上价值最高、也最难被机器人替代的一批工序。这类过去依赖老师傅手感的工序，正把触觉推到具身智能的台前。视觉解决「看到了什么」，触觉解决「碰得怎么样」。VLA 模型在真实任务里反复碰壁后，越来越多团队意识到，仅依靠视觉感知推进到一定阶段后，性能天花板就会出现，核心短板正是缺少触觉信息。有具身厂商创始人打了个比方：如果让一个人度过三天无触觉的生活，他会活得非常痛苦，抓个杯子都不知道该使多大劲。触觉赛道里，视触觉是热度最高的分支之一，高端灵巧手几乎把它当成标配。资本也闻风而动，视触觉厂商今年都完成了大额融资：戴盟机器人两个月内完成亿元级 A 轮与蚂蚁集团领投的数亿元战略融资；一目科技 7 月完成超 10 亿元 E 轮融资，投后估值超百亿元；千觉、纬钛今年也拿到亿元级融资。有人认为，视触觉不过是「摄像头+硅胶」，容易复制；有人认为，光学结构决定了它做不薄，帧率也很难提升；还有观点担心，大量视觉数据会带来算力、存储、线束和功耗压力，柔性表面也很难经受工业场景的长期使用。不过，不少争议未必是中肯的行业预警，很多已经与实际情况脱节，甚至演化成对整条路线的误解。成本、厚度、一致性、耐久性，以及触觉数据如何真正进入模型训练体系，确实是这条路线目前还没有完全跨过的坎。但把视触觉从原理、产品、数据到落地场景完整拆开，会发现，市场上流传的很多判断，已经跟今天的产品进展出现了偏差。带着「视触觉究竟走到了哪一步」的疑问，我们与戴盟、一目、纬钛、千觉、模量等视触觉厂商聊了聊，把市面上的产品参数和各家的技术生态梳理了一遍，试图拆开那些被简化、被误读、被低估的环节。视触觉的工作原理并不复杂：传感器表层是一层透明弹性体，内部装着光源和微型相机。物体压上来，凝胶发生形变，形变在内部变成明暗图案，相机拍下图像，算法再从中重建接触几何、力分布与滑动。这条路线真正起源于 MIT。2009 年，MIT CSAIL 的 Edward Adelson 团队在 CVPR 上提出 GelSight，最初只用于观测物体表面的微观形貌，和机器人没有关系；2014 年，团队推出全球首款超高分辨率指尖 GelSight 传感器，视触觉第一次装上机器人指尖，那篇论文的第一作者李瑞，后来回国创立了纬钛机器人。2020 年，Meta（当时 Facebook）开源 DIGIT 触觉传感器全套硬件设计，大幅降低了视触觉的科研门槛；2021 年 Meta 与 GelSight 达成合作，由后者负责 DIGIT 的量产商业化，视触觉从这个阶段开始进入全球实验室并衍生出 OmniTact 等变体，光学路线逐渐成为触觉研究的主流技术路线之一。源自视觉算法与图像处理，也让视触觉常被质疑「没有自己的算法」。实际上，虽然光度立体法本身来自计算机视觉，但 GelSight 将其与弹性体反射涂层和多角度可控照明深度结合，形成了视触觉标志性的高分辨率几何重建范式；此后针对凝胶非线性、剪切力解耦、标记点跟踪的定制改进，也都围绕触觉的物理特性展开，并非拿视觉工具、算法简单套用。视触觉的另一个质疑，是表面沾上油污会不会弄脏图像。其实，传感器的光学腔体封闭，相机向内拍摄，油污进不了内部，也不会像污染摄像头镜头那样糊掉画面。污染真正影响的是凝胶表面的力学与光学耦合特性，改变局部变形、间接拉低精度与寿命。这个问题与压阻、电容等软体触觉方案面对的污染问题类似，属于表面材料工程，谈不上视触觉独有的原理缺陷。回到价值本身。传统的触觉传感器，本质上是通过布置一个个离散的感知单元来获取压力或形变。感知点越多，意味着需要塞进更多物理器件，因此在密度上存在天然限制。而视触觉的触觉信息点的密度由相机分辨率决定，这正是视触觉最突出的长处。纬钛机器人创始人李瑞介绍，640×480 的图像就有 30 万个像素点，每一个对应一个触觉信息点，若传感器面积是3平方厘米，每平方厘米就是上万个点甚至更多。一目科技创始人李智强用人体做对比：人手指尖约 1.2 万个触觉点，一目可以做到 24 万个，已经超过人手。对比之下，传统压阻式传感器每平方厘米只有几十个点，电容、霍尔方案在百个上下。感知维度上，视触觉同样能拉开差距，李瑞概括了视触觉传感器的三个优势：能同时测法向力、切向力与滑动，能操作衣服、线缆、食物这类柔性物体，不受温湿度与电磁场干扰。「最类人」是他们共同给出的理由，视触觉跟人的感知能力最接近。有厂商认为，这条路径会是触觉传感器的终极方案。专业视触觉厂商中，国外有GelSight，国内有戴盟机器人、一目科技、纬钛机器人、千觉机器人、模量科技、叠动科技、知行具身；另有一批灵巧手厂商选择自研，如 Sharpa、曦诺未来、拾玥科技。它们的出身也各异：GelSight 与纬钛源自 MIT ，戴盟孵化自香港科技大学机器人研究院，千觉的创始人是上海交大副教授马道林，叠动核心团队也来自港科大，一目从光谱芯片业务转来，模量创始团队来自香港城市大学、厦门大学等高校。其一，都朝系统级公司走，产品边界超出传感器本身，纷纷向上游数据采集、底层算法平台以及数据集、末端执行器延伸，试图打造系统级的能力闭环。戴盟、一目、千觉、纬钛都做了数采设备、数据集与模型，模量发布了数采手套，连成立最晚的叠动也推出了集成算力的夹爪。一方面，尚未成熟的地带是厂商的潜在业务增长点。千觉联合创始人、CTO 赵浩南解释， 传感器、数据、模型几个环节环环相扣，在特别好的硬件或模型出现之前，这些接口地带就是大家的机会。另一方面也是行业所处的早期阶段使然，一目科技创始人李智强判断这是「先全栈、后往回收」的过渡阶段，最终会走向分工；戴盟相关负责人也认为，全栈不是目的，出发点始终在触觉上，适合合作的部分会找做得好的厂家，不过，触觉数据处理链路与触觉模型能力必须自己做。戴盟的股东覆盖汇川技术、中国移动、中国电信、蚂蚁集团、联想、招商局创投；一目背后有小米系顺为资本、TCL 与博世旗下博原资本；纬钛的天使轮由小米战投领投，Pre-A 轮有韦尔股份旗下韦豪创芯；千觉的天使轮由智元机器人领投，理想汽车、吉德电器随后加入。翻看股东名单，会发现家电与消费电子产业方出镜率最高。小米系资本、TCL、松霖、吉德都位列其中，家电产品迭代快、型号多，产线需要机器人适应更多变化，而插接、装配、抓取等任务又高度依赖接触反馈；车企、半导体产业方看中产线精密装配，蚂蚁、联想等大厂在押注数据与生态。落到场景上，各家都在啃高价值工序：戴盟在 3C 产线承担 USB 插拔、标签张贴，纬钛与小米及多家世界 500 强合作，千觉已服务 300 多家头部客户，夹爪类产品去年完成量产，订单量级在千套至万套之间。其三，不少产品补齐了防水防尘能力，帧率基本都能达到百Hz级别。戴盟传感器做到 IP67 防护，通过 500 万次按压与 20 万次摩擦测试；纬钛夹爪款视触觉传感器具备 IP54 防护，还可以升级防护等级，工作温度覆盖零下 25 ℃到 80 ℃；一目 Sentra T0 系列达到 IP65 防护，工业寿命超五百万次按压，并宣称无惧温漂；千觉正在研发防水款传感器。千觉机器人联合创始人、 CTO 赵浩南解释，研发防水款传感器，是为了适应机器人进入家庭后的真实需求，洗碗、洗水果、拿抹布等涉水任务，都要求传感器能够在水环境中正常工作。而防尘更多是基于工业场景的需求，总体而言，防水防尘，目的是延长凝胶寿命与标定长期有效。行业里「视触觉帧率只有 30 到 60 fps」的说法也已过时。戴盟夹爪款 120 Hz、灵巧手款180Hz，千觉的采样帧率最高可到 150 Hz，模量工业夹爪可到120Hz，叠动甚至可以把全系采样频率拉到400Hz以上。其四，产品形态多样，并且已出现不少曲面产品。做曲面的视触觉传感器一度被认为是难题，其实如今的视触觉传感器可以做到仿生曲面，有的已接近指腹形态。一目有方形、楔形与指尖三类形态，千觉的视触觉传感器精灵为仿生指尖，夸克 N1 与夸克 W1 为仿生曲面，光子为楔形平面。厂商一多，同质化的说法随之而来，甚至有观点认为在电商平台买齐零件就能手搓出产品。但把各家的产品放在一起看，同质化判断其实站不住脚。开源方案确实降低了入门门槛，但真正商用的产品对凝胶配方、光学校准、批量一致性、可更换设计与软件栈上都有极高要求，这些环节决定产品能否离开实验室、走进产线。取舍不同，厂商产品也不同。- 空间分辨率与深度精度：决定能「看」到多细的纹理与形变，直接影响对物体表面特征（如芯片引脚、头发丝分叉）的识别能力；
- 力感知性能：包括法向力、切向力、力矩的测量范围与精度，决定能否感知滑动、判断抓取稳定性，其中切向力非常关键；
- 帧率与延迟：影响动态操作中的响应速度，高频操作（如装配、插拔）需要百Hz级别的实时反馈；
- 尺寸与集成性：决定能否嵌入灵巧手指尖、能否适配不同构型的末端执行器；
- 耐久性与环境适应性：决定产品在产线上能扛多久，包括防水防尘等级、按压寿命、抗穿刺与抗腐蚀能力。
把市面上各类视触觉传感器的产品参数都盘了一遍后，我们发现行业里参数标注并不统一，横向对比有难度，不过仍然可以根据各家强调的指标，简单看出他们打法差异之处。戴盟把功夫下在耐用性和一致性上。产品具备 IP67 防护能力，能够防水防溅、抗尘耐污，具备强抗电磁干扰，特别标注了灵敏度、零漂、输出时漂、非线性等指标，传感器表面可以承受划、刺、刮等操作。 这背后很大程度上是材料工艺的结果。传感器并非单一材料构成，而是由外层保护层、中间透明层以及贴合工艺等多层结构组成，每一层都需要针对实际使用场景进行调整。一目最突出的标签是薄，靠自研超表面硅光感光芯片压缩光路，把产品压到 10 毫米以内，第二代做到 3 毫米。一目科技相关负责人介绍，一目团队多名核心成员有华为背景，优势在于具备强大的工程化能力，据公司披露今年已拿下多家行业头部客户订单，应用于灵巧手的仿生指尖款触觉传感器已经开启量产。千觉在参数上强调一致性和精度表现，全系带自标定算法，自动校准保障片与片之间的稳定，其整手触觉方案中跨传感器一致性超过 97 %；对产品的合力精度、变形场精度标注细致。纬钛的产品明显能看出有面向场景的取舍，夹爪款采样频率相对低但工作温度范围宽，指尖款频率高、面向 0 到 50 ℃环境；GF225 的法向力与切向力量程都到 30 N，在几家公开标注中最高。模量走视触觉与压阻多技术融合路线，以视触觉做指尖高精度，以压阻做手掌大面积覆盖。知行具身换了感知范式，把相机换成了事件相机：只检测亮度变化的区域，变化即输出，绕开了传统视触觉传感器「逐帧快照」的物理限制，输出方式的改变也减少了大量重复图像数据的输出，带宽小而无需外挂算力设备。叠动则把 MEMS 工艺引入视触觉，全系采样频率拉到 400 Hz以上，在频率上形成了差异化。戴盟是目前技术生态布局最完整的厂商，从传感器到数据采集设备、数据集、评测基准到 VTLA 模型、世界模型均有布局。模型方面，戴盟2024年在业内率先提出 VTLA（视觉-触觉-语言-动作）架构，后续不少厂商跟进。戴盟近期又发布了触觉锚定世界模型 Daimon-TWM。数据方面，公开数据集的有四家，戴盟的 Daimon-Infinity 是全球最大规模含触觉数据集，并开源其中 1 万小时数据；千觉的 TacVerse 1k是首批 1000 小时真实交互数据；纬钛的白虎-VTouch 超6万分钟，强调跨本体；一目在联合斯坦福推进开源项目 TouchNet。此外，一目还着力于降低模型厂商用触觉数据的门槛：触觉基座负责采集，Tactile Transformer Encoder 把不同硬件采到的原始信号编码成与视觉、语言对齐的通用表征，做基模的人不再需要理解底层细节。仿真方面的探索也有不同。戴盟把仿真能力用在评测上，与银河通用联合发布评测基准RobOmni，更希望定义行业标准；一目自研触觉仿真平台，千觉发布全球首个触觉仿真工具Xense_Sim，填补切向力模拟空白；纬钛与光轮智能合作，把传感器数据接入人类示教平台，记录轨迹之外的手感数据。厂商选择各异，行业对「触觉该长成什么样」还没有标准答案。关于应用节奏，业内比较一致的判断是装上视触觉传感器的夹爪会先行。夹爪装上机械臂就能用，控制难度比灵巧手低不少，补上触觉就补齐了抓取闭环的关键拼图。而灵巧手各家构型不同，对传感器的形状与曲率要求各异，这种高度定制化要求，也是部分灵巧手厂商选择自研视触觉传感器的原因，因为内部迭代效率更快。不过，各厂商口径都称自己的灵巧手款传感器正在进入量产阶段。一只五指灵巧手需要的传感器数量远多于两只夹爪，需求起来后出货量会可观得多，但视触觉要过的关也不少。第一道坎是成本和厚度。国外代表产品 DIGIT 售价约 355美元；有灵巧手厂商透露，国产夹爪型视触觉传感器单价一千多元，指尖型三四千元，一只整手仅视触觉传感器成本就可能上万。厂商对此的态度比较一致：先解决性能，再谈成本，产品成熟了，规模化过程中自然会降本。这个价格区间也正在被拉平。戴盟透露，其视触觉传感器不管夹爪款还是指尖款，单价都在一千多元。另一方面，视触觉的成本也要换个算法，要拉长到整个生命周期来看。戴盟相关负责人介绍，视触觉是唯一表面材料可替换的技术方案，其他方案花 500 元买传感器，三个月坏了，再花 500 元换新的，视触觉虽然一开始贵，但表面坏了，后续只需要几十元换一片硅胶就能接着用。这个账，很多人一开始没算过。一目科技还透露，自家视触觉传感器已进入可规模化量产的成本区间；能降本主要得益于自研解算芯片与供应链能力。厚度则是视触觉从实验室进入灵巧手时绕不开的问题，但它的进展经常被低估。最初的 GelSight 接近一个30厘米见方的盒子，2014 年的指尖版仍有 60 毫米厚，DIGIT 做到 18 毫米。今天，戴盟产品已经做到 5 到 8 毫米；叠动产品做到 7 到 9.8 毫米；一目则将产品从第一代的 10 毫米以内迭代到第二代的 3 毫米；知行具身的产品最薄仅 3–4 毫米。视触觉因为有摄像头，所以永远做不薄的说法并不成立。厚度问题上，各家解法不同：戴盟可以靠材料与结构优化，一目用自研芯片压缩光路。至于灵巧手指尖究竟需要多薄，行业还没有共识，多数产品仍在迭代阶段。第二道坎是一致性与耐用性，这其实比成本和厚度更重要。视触觉数据要进入模型训练，前提是同一批传感器对相同输入给出相近读数；一致性差的传感器，采出的数据进模型反而成为噪音。戴盟从材料、结构和防护入手提升耐用性，千觉用自标定算法解决一致性。一目科技具身产品 PDT 经理周爱第把这个问题归结为系统工程能力：只做好传感器某一个零件做好还不够，材料、光学、算法、制造和标定全部需要协同。「网上买零件就能手搓一个视触觉」的说法，只能说明原理验证的门槛并不高，却不能说明产业化门槛低。如果一只灵巧手上部署多个传感器，持续输出高分辨率数据，算力、存储和通信压力确实会增加。但工程上并不意味着所有原始图像都必须完整保留下来。一目工程师介绍，面对较大的数据量，实际使用时通常会先进行下采样，或者用轻量级网络（如ResNet）提取特征，再交给下游模型。李瑞给出的解法是适当降低分辨率，认为 240×240 就够了，甚至 120×120 也行。每个手指 240×240，五个手指加起来比一个 640×480 的摄像头还少。知行具身则改变了成像架构，通过基于定制的微型事件相机模组由内而外重构了整套传感系统，使传感器在高速感知下仍能保持较低的数据率，无需外挂算力盒。而且，视触觉把几何与力统一在同一个传感器里，比起「力传感器再加一路视觉」的系统，整体链路反而更省力。真正需要比较的，是增加的计算成本，能不能换来足够高的任务收益，并不是视触觉的数据量大不大。第四道坎，是触觉数据如何融入模型。这或许才是行业下一阶段最大的变量。现在很多 VLA 模型仍然是先把视觉和语言体系做起来，再尝试把触觉补进去。千觉机器人把这种做法比作补作业，传感器格式不统一，数据融合度不够，多设备延迟不同，延迟越高，长序列任务越容易断裂。戴盟 2024 年提出 VTLA，把触觉放到与视觉平级的位置，千觉也是类似思路，是让触觉作为原生模态，传感器、数据规则、数采设备与模型训练保持同一套体系。不过，戴盟相关负责人认为，数采硬件本身难度不大，真正的壁垒在数据链路：时间戳对齐、多模态打通、后处理管线，决定数据能不能用、好不好用。上半年各家还在卷数据集时长，下半年开始有人转向卷质量，厂商开始越来越多地讨论数据质量、一致性、同步精度以及数据能否真正训练模型。正如赵浩南所说，时长再长，质量不够，只会越采越污染。模量科技联合创始人周建林也提到，触觉感知行业的竞争，最终是数据的竞争。训练一个真正能完成灵巧操作的模型，到底需要什么规模的触觉数据？需要包含哪些维度的触觉数据？目前没人能交出一份准确的答卷，视触觉厂商和具身本体、模型公司都在探索，这是一个需要合力才能解决的难题。对爆发时点，乐观者认为今年下半年就会掀起触觉风潮，保守的预判是灵巧手明年或后年先放量，触觉传感器随后跟上。共识在于，视触觉的节奏绑在灵巧手的成熟度上。对厂商而言，眼下要做的事排序清晰：把一致性与耐用性做到位，把数据管线打通，再逐步压低厚度与成本。每一步都不轻松，但和一两年前相比，方向已经清楚许多。视触觉需要的，其实只是时间，以及更多耐心。雷峰网(公众号：雷峰网)
可独家畅览：
专家演讲PPT
大会报告全文
热门论文解读
学术新星访谈
扫描上方二维码
或点击「阅读原文」关注专区。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
