触觉数据不是采了就有效：戴盟从采集工具开始改“模型能学到什么”

——触觉是如何变成机器人能力的

2026年，触觉成为具身行业的焦点之一。含触觉的数据集和模型接连出现，给机器人装上传感器、接入触觉信息，正成为越来越多团队的选择。但比“有没有触觉”更难的问题是：
模型会不会用，又能不能用好？

比如一个正在把插头插进插孔的夹爪，画面看起来已经对齐，插头却卡在边缘。此时，再识别一次物体未必有用，机器人需要知道的是：哪里受阻，应该往哪个方向调整。

触觉能够提供这些线索，因此触觉正从高端选配成为具身标配——然而，模型却未必知道如何利用触觉。

在T-Rex等实验中，直接加入触觉反而降低了成功率，改变接入方式后才能改善结果。这不能证明触觉无用，却说明“多一种输入”不会自动带来“多一种能力”。

触觉热潮因此需要一个更具体的检验：机器人是否因为这些接触经验，做成了过去做不好的事？

戴盟近期发布的TacClaw-Infinity，为这一问题提供了直接证据：触觉数据能够提升机器人的操作能力，提升幅度最高可达44.7%。

更值得关注的是，这项工作呈现了对“如何用好触觉”的系统思考：从采集有价值的接触信息，到将其组织为可学习的经验，再让模型如何学会利用触觉进行推理、决策和行动，戴盟以一套贯通“感知-数据-模型”的完整解决方案，正在成为行业中最懂触觉的团队之一。

触觉的价值，要看机器人做对了什么

今年4月，戴盟发布全球最大规模含触觉全模态物理世界具身数据集Daimon-Infinity。该数据集由戴盟联合Google DeepMind、新加坡国立大学、清华大学等海内外数十多家研究机构共同采集（其中一万小时数据面向行业开放，已在Hugging Face和魔搭社区获得超过千万次下载）。

而TacClaw-Infinity则聚焦Daimon-Infinity体系中的采用视触觉UMI手持夹爪TacClaw采集的部分——

这是一个大规模、高多样性、多模态物理接触数据集，包含超过10,000小时、100万条操作轨迹、10亿帧数据，覆盖1,000多类任务。

比规模更值得关注的是机器人能力提升的结果验证。

研究在Tianji、RealMan和DM-Sparky三种机器人平台上，测试π₀.₅和StarVLA两类模型，任务包括三项：杯子堆叠考察pick and place，瓶子分类考察通过接触信息判断物体状态，花瓶擦拭则要求机器人随瓶身曲线动态调整动作，从而始终保持恰当力度的接触，在擦得干净的同时也保证不把花瓶推开。

通过触觉数据训练后，模型的操作成功率有了明显提升：π₀.₅的平均成功率从50.0%提高至74.0%，StarVLA从46.0%提高至72.7%。在更依赖接触的任务中，收益尤为突出：瓶子分类中，两类模型的成功率分别提高44.7%和43.3%；花瓶擦拭中，分别提高22.0%和38.7%。

而且，实验没有引入专门的触觉架构或控制器，只是将触觉观测以图像形式输入现有模型，就足以让模型的操作能力有明显提升。

这说明，数据中包含了充分有效的接触信息，能够被现有策略利用，转化为实际操作收益，而不仅仅只是为模型增加一个输入模态。

此外，TacClaw-Infinity可实现零本体迁移。通常模型使用无本体数据训练后，还需使用目标机器人的真机数据，完成进一步微调适配；但TacClaw-Infinity无需额外采集真机数据，直接用于模型训练就能达到能力的显著提升，这将为具身数据提供了一种大幅降低成本的使用方式。

实验所使用的三种机器人，在机械结构、运动范围和硬件配置上存在明显差异，π₀.₅和StarVLA的模型架构也不相同，表明TacClaw数据还具有跨本体迁移与跨模型泛化能力。

换句话说，TacClaw-Infinity证明物理交互经验可以与机器人本体解绑，成为可共享、可复用的经验资产，数据的价值由此从“记录了多少”，落到了“能帮助谁学会什么”。

高质量数据，从理解每一次接触开始

操作成功率的提升是接触数据价值的直接体现，而更有行业意义的是如何持续生产出这样的数据。TacClaw-Infinity公开了从采集工具、采集模式到数据处理的完整数据体系，其设计始终围绕一个问题：
怎样记录和组织接触经验，才能让模型真正用好触觉？

• 用好触觉的第一步，发生在训练之前：记录真实接触，让模型有可靠的依据可学。

人拿起纸杯时，会在刚碰到杯壁后调整力度。这些轻微变化看似不起眼，却可能决定杯子是被稳稳拿起，还是被捏瘪。如果采集工具无法准确传递这些接触感知，模型可能学到的就不是足够精准的操作经验。

TacClaw搭载戴盟自研的视触觉传感器，将接触产生的多种维度信息记录为高分辨率图像，并同步采集视觉、夹爪运动和开合状态。这样，模型能够把动作与反馈对应起来，学习“做了什么”以及“接触随之发生了什么变化”。

团队还优化了机械传动，让接触反馈更直接地传到操作者手部。对照测试显示，操作者使用TacClaw能够察觉更轻微的接触，为自然、细致的操作示范提供基础。

• 其次，让接触经验足够丰富，模型才有机会学会应对变化。

同一个杯子，抓杯口、握杯身，或者从不同方向拿起，都会产生不同的触觉反馈。只反复记录一种拿法，即使积累很多数据，也难以教会机器人应对其他情况。

这意味着，规模化采集需要同时回答两个问题：如何获得更多示范，如何让新增示范带来不同的经验。

TacClaw的便携性与无需目标机器人参与的采集方式，让数据生产能够走出固定场地。

戴盟开创了外发式数据采集模式，与海内外20多家机构合作，将200台设备部署到全球50多个地点，覆盖家庭、实验室、工业场所、商店和户外。

在同等300小时预算下，这种多地点采集比单地点采集平均多覆盖约201个“动作-物体”组合。

由此增加的不只是数据量，还有场景与操作者、任务与动作、物体，以及触觉交互状态等方面的多样性。对模型而言，这些变化提供了更广泛的学习材料，帮助它学习不同条件下如何接触、判断和调整，而不是只重复固定场景中的动作。

• 最后，以接触为锚点解构操作轨迹，让人类经验成为模型容易学习的资料。

记录下来的操作，并不会自动变成高质量训练材料。

常见的数据标记会将“拿起杯子”这一操作轨迹视为一个整体；但从机器人学习的角度，这包含了几个完全不同的阶段：伸手接近杯子、手指与杯子接触、夹紧并移动杯子、松开杯子。

每个阶段，模型主要依赖的模态也各不相同：

接触发生前，机器人主要靠视觉判断位置；

接触发生后，触觉则成为判断是否抓稳、是否滑动以及是否需要调整动作的重要依据。

因此，TacClaw-Infinity以接触事件为共同依据，对轨迹的时间、语言、空间进行划分。

这样，连续记录就有了更清楚的结构：什么时候碰到物体，这一段正在做什么，动作围绕哪个对象展开。触觉不再只是外部输入的信息，而是模型用于理解数据的依据——模型学到的不只是“最后完成了任务”，还包括任务是怎样一步步完成的，这些信息是如何被组织起来的。

这套数据体系体现了戴盟对“用好触觉”的理解：从一开始就围绕模型需要什么来设计数据，让关键接触被记录，让不同交互被覆盖，再让经验以清楚、可靠的形式进入学习过程。

有了触觉之后，模型如何把它用得更好？

高质量的接触数据为模型能力提供增益，而反过来，模型架构如何设计，则决定了这些接触信息的价值能否得到最大化的利用。

触觉包含有用的信息，不代表模型自然知道这些信息该在什么时候、以什么方式发挥作用。

视觉与触觉提供的线索并不相同：机器人伸手拿杯子之前，需要先看清位置；握住之后，则需要判断是否抓稳、有没有滑动；接触中的细小变化，有时还要求机器人迅速调整，不能等待一次完整的任务重新规划。

因此，用好触觉，需要把问题问得更具体：

哪些时刻需要接触反馈？哪些判断不能只凭外观推理？接触反馈出现后，应该改变整体计划，还是只微调眼前的动作？

这些问题没有适用于所有任务的统一答案，也不能靠增加输入量解决。

戴盟今年发布的全球首个触觉锚定世界模型Daimon-TWM（Tactile-grounded World Model），正是在探索“模型如何用好接触信息”。

该模型将物理认知、推演决策和瞬时操控纳入同一模型框架，每一部分都以触觉为基座，赋予模型物理交互能力，从而让触觉的价值落到模型的具体决策中。

• 在物理认知板块
  

Daimon-TWM让触觉成为模型认识物体、判断状态的依据。

例如，一个物体看起来坚硬，摸起来却柔软，模型就需要依据真实接触修正外观带来的判断。通过触觉推理，模型从受力、形变等反馈中识别硬度、粗糙度等物理属性，并为后续操作提供依据。

触觉的价值由此从“感受到变化”，推进到“理解变化意味着什么”。

• 在推演决策板块
  

Daimon-TWM进一步利用触觉，预判动作可能带来的物理后果。例如，插头遇阻后，继续推进可能加剧卡阻，调整方向则可能改善接触。模型将当前接触状态与后续动作联系起来，预测接触如何变化，为行动选择提供依据。

触觉因此不仅用于确认已经发生的事，也参与判断接下来应该怎样做。

• 在瞬时操控板块
  

Daimon-TWM利用高频触觉反馈，在执行中及时修正偏差。触觉是一种高频率模态，往往视觉尚未观测到，触觉已经感知到了；这些视觉难易察觉的细微受力变化、局部滑动或接触失稳，往往会直接影响操作成败。模型通过触觉实时反馈，迅速识别动作偏差，提供及时的小幅动作修正。

触觉由此转化为持续纠偏的能力，帮助机器人在接触变化和外部扰动中维持稳定操作。

这让戴盟的数据与模型研究形成呼应：数据体系研究哪些接触经验值得保留，模型研究则检验这些经验如何发挥作用；模型暴露的不足，又可以为下一轮采集和标注指明方向。

数据与模型因此可以相互反馈，逐步回答“下一轮该采什么、该怎样训练”，从而实现数据与模型的双向同步迭代。

真正懂触觉，是能把接触变成能力

把这些工作放在一起，戴盟的特点就更清晰了。它既研究传感器能看见什么，也研究数据应当留下什么，以及模型如何据此判断和行动。

这也是戴盟将触觉硬件、数据与模型连接起来的意义：

理解接触的物理意义，知道哪些经验值得保留，也能用真机操作证明模型从中受益，最终让真实世界中的交互经验逐步转化为机器人可学习、可理解、可使用的操作能力。

当这种全链路能力被打通，才能成为真正会用触觉、知道怎么用触觉、用好触觉的企业——从这个角度来说，戴盟可以说是具身行业中最懂触觉的团队之一。

Ref

TacClaw-Infinity

来源：深蓝具身智能