导语
机器视觉之所以能进入基础模型时代，前提是全世界相机的输出都是同一个东西——二维 RGB 阵列。触觉长期不具备这个前提：视触觉（GelSight 类）看弹性体形变，磁触觉读磁场变化，电阻阵列测压力分布，taxel 阵列输出时序向量——它们之间的差距接近"相机 vs 麦克风 vs 压力板"，而非"iPhone 相机 vs 三星相机"。正因如此，触觉策略换个传感器就得重训，触觉数据无法跨实验室聚合。2026 年 6 月底，两篇背靠背的论文用几乎相同的思路打破了这一僵局：为每种传感器配一个轻量编码器，把所有模态投影进同一个共享潜空间。同期，首个通用触觉基础策略与百万小时级含触觉数据集相继出现——触觉终于等到了自己的基础模型时刻。
技术要点
HTT：异构触觉的统一骨干。 Heterogeneous Tactile Transformer（arXiv 2606.29948，2026-06-29，新加坡国立大学与卡内基梅隆大学等）构建了 Heterogeneous Paired Tactile（HPT）数据集，含 160 万同步配对的触觉帧，覆盖四种商用传感器：GelSight Mini 与 9DTact（光学）、Xela 与 TAC-02（阵列式）。"配对"指两种传感器装在同一夹爪上、同时观测同一次接触事件——这是跨模态对齐所需的关键监督信号。架构上，每种传感器配备专用编码器（光学用轻量 ViT、阵列用 CNN），后接共享 Transformer 主干，训练目标为逐模态掩码重建（保留传感器细节）+ 跨模态对齐（拉近同事件的不同传感器嵌入）。结果：物体分类总体准确率 66.20%、三维力估计 MAE 0.636、滑移检测 macro-F1 56.35；真实机器人上，玩具螺丝插入成功率 95%、豆腐抓取 55%，显著优于仅用关节角与力/力矩基线的方案。
TactX：跨物理原理的零样本迁移。 TactX（arXiv 2606.31236，2026-06-30，加州大学圣迭戈分校、首尔大学与 Amazon 等）处理更困难的版本：统一三种物理原理完全不同的传感器——Daimon（视触觉）、eFlesh（磁式）、FlexiTac（电阻式）。每种传感器各有编码器与解码器，但全部投影到同一个 16 维共享潜空间；三重目标联合训练：对比对齐（拉近配对接触事件）、自重建（潜变量可还原自身信号）、交叉重建（传感器 A 的潜变量能被传感器 B 的解码器解码）。第三项是关键——它迫使潜变量保留"接触语义"而非"传感器身份"。
FTP-1：通用触觉基础策略。 由 Sharpa 联合清华大学、UC Berkeley、上海交通大学、ETH Zurich 等提出，基于约 3000 小时、来自 26 个数据来源、21 种触觉传感器（7 种图像型、5 种阵列型、9 种状态量型）的数据预训练。核心是形态感知触觉词元空间（MTTS），把任意触觉输入映射到语义一致的 24 个手部功能区域 token；配合独立的触觉 Transformer 专家模块，避免干扰原有视觉-语言知识。结果是跨具身平台可迁移，在预训练未见过的传感器上成功率提升超过 31 个百分点。
成本墙被推倒。 触觉传感器价格在过去十年下降两个数量级：BioTac 类的 5000–10000 美元 → GelSight Mini 约 499 美元、与 Meta AI 合作的 DIGIT 约 350 美元 → 开源 GelSlim 自制约 122 美元。价格下降直接解锁了采集规模。
数据侧同步放量。 戴盟机器人（DAIMON）2026 年 4 月联合全球数十家机构发布 Daimon-Infinity 全模态数据集，规模达百万小时级，覆盖 80 余个真实场景、2000 余项人类技能，其中 1 万小时开源；其视触觉路线把触觉信息转换为图像格式，从而自然接入现有视觉 AI 框架，并由此提出把 VLA 扩展为 VTLA（Vision-Tactile-Language-Action）的概念。
关键突破
- •跨传感器零样本迁移被实证：HTT 与 TactX 两条独立路线同时验证，触觉数据可以像视觉一样跨硬件聚合，这是触觉规模化的数据前提。
- •触觉首次具备"基础模型 + 大规模数据集"的组合：FTP-1 提供可复用策略，Daimon-Infinity 提供语料，二者互补。
- •工程化方法同步成熟：FARM（ICRA 2026）用改装的 UMI 手持夹爪集成 GelSight Mini 采集人类演示，策略同时预测位姿、夹持宽度与夹持力，在高力/低力/动态力三类任务上优于基线——力被显式纳入动作空间，而非夹持指令的副产品。
- •触觉数据开始被证明能直接改善产线指标：公开案例显示，在工业机床上下料任务中引入强化学习后吞吐提升 42%、交接任务成功率从 80% 升至 98%、双臂料箱搬运从 78% 升至 99%，而残余失败主要来自接触细节——触觉正是补齐这一环的关键。
对产业的影响
第一，触觉从"可选配件"变为"数据资产"。当触觉可以与视觉在同一潜空间中被处理（VTLA），多模态采集设备的价值从"多一个传感器"升级为"多一个模态的数据资产"。采集设备厂商应把触觉通道纳入标准化设计，并同步记录时间戳与标定参数。
第二，跨传感器统一潜空间降低了数据聚合门槛，意味着拥有多型号传感器采集能力的一方，其数据的可复用性与议价能力更高。建议在数据卡中显式标注传感器型号、采样率与配对关系，便于未来接入共享潜空间。
第三，力/触觉标注将成为新的质量维度。行业数据集过去主要标注视觉与轨迹，触觉、力/力矩、失败标签的覆盖率正在成为差异化指标（RoboMIND 2.0 已含触觉与失败示范标签）。对采集方而言，这既是技术门槛，也是溢价来源。
配图建议
图 1（放置：导语之后）
- •画面描述：四种/三类触觉传感器的并列实物示意与输出形态对照：视触觉（弹性体形变图像）、磁式（磁场矢量变化）、电阻式（压力热图）、taxel 阵列（时序曲线）。每种下方用小字标注"测量物理量不同 → 无法直接聚合"，右侧用红色叉号表示"传统方案：一一配对重训"。
- •图注：图 1｜触觉传感器的异构性：测量原理不同导致数据无法直接聚合（GelSight / Xela / 9DTact / TAC-02 / Daimon / eFlesh / FlexiTac 等）。
图 2（放置："技术要点"中 TactX 段落后）
- •画面描述：共享潜空间架构图。左侧三个不同形状的传感器输入块（图像、磁场、电阻），各自经专用编码器（不同颜色小方块）投影到中间同一个 16 维/统一潜空间球体；从球体出发三条箭头分别指向"对比对齐""自重建""交叉重建"三个训练目标；右侧输出策略头。
- •图注：图 2｜HTT / TactX 的共享触觉潜空间：专用编码器 + 统一主干 + 三重对齐目标（架构示意，维度以原论文为准）。
图 3（放置："关键突破"最后一条之后）
- •画面描述：价格下降阶梯图（对数刻度）：BioTac 类 $5,000–10,000 → GelSight Mini $499 / DIGIT ≈$350 → 开源 GelSlim 自制约 $122。右侧配一个"传感器数量 × 采集小时数"的增长箭头，说明成本下降如何解锁规模。
- •图注：图 3｜触觉传感器价格在十年间下降两个数量级，采集规模的前提被打通（价格为公开报价区间，随渠道与批量浮动）。
来源与时间
- •HTT / Heterogeneous Paired Tactile（HPT）数据集：arXiv 2606.29948，2026-06-29，NUS 与 CMU 等。
- •TactX：arXiv 2606.31236，2026-06-30，UCSD、SNU 与 Amazon 等。
- •FTP-1：Sharpa 联合清华大学、UC Berkeley、上海交通大学、ETH Zurich（2026，公开发布）。
- •Daimon-Infinity：戴盟机器人联合多机构，2026-04 发布，部分开源（1 万小时）。
- •FARM / Tactile-Conditioned Diffusion Policy：ICRA 2026，TU Darmstadt 等。
- •传感器价格区间：公开报道整理（2026）；工业产线强化学习提升数据来自 Humanoid 公开报告（2026）。
标注说明：HTT/TactX/FTP-1 的指标均引自原论文自报结果，评测协议与硬件配置不同，跨工作横向比较需谨慎；价格区间随渠道与批量浮动，属参考值。工业提升数据为企业案例口径，非第三方审计结果（待核实）。