对于机器人来说，抓取一个鸡蛋而不捏碎，或是在黑暗中拧开瓶盖，一直是个难题。核心瓶颈不在于视觉，而在于触觉——机器人缺乏“手感”。近日，新智具身与复旦大学联合发布三份研究报告，并开源了总计3万小时的触觉数据集与模型。这一举措，为具身智能的精细化操作补上了最关键的一块拼图：让机器人真正“摸”得清世界。
3万小时触觉数据：从“看见”到“摸清”
以往机器人学习主要依赖视觉感知，但视觉在遮挡、光照变化或物体变形时容易失效。触觉则能提供力、纹理、温度、滑动等直接接触信息，是安全操作、精细装配的刚需。然而，收集高质量的触觉数据极其困难——需要传感器、机械臂、操作场景的协同，且数据具有多模态、高维、时序依赖等特点。
新智具身与复旦团队此次开源的触觉数据集，总时长达到3万小时。这相当于一个机器人持续不断地触摸、抓取、滑动、按压超过3年积累的数据量。数据采集覆盖了数百种日常物品（如餐具、工具、水果、织物），以及多种操作场景（如抓取、放置、旋转、捏合、堆放）。传感器类型包括压阻阵列、电容式触觉、力矩传感器等，同时同步记录视觉、关节角度和力反馈，形成多模态对齐的“触觉-视觉-运动”序列。
这一规模在国内外公开的触觉数据集中首屈一指。此前，资源多为实验室小规模或单一任务数据，难以支撑泛化学习。3万小时的数据量，足以让模型学习到触觉信号的时空模式，例如不同材质在滑动时的振动频谱、不同握力下物体的形变响应，从而在未知物体上实现零样本或小样本的触觉预测。
三连发报告：从数据到模型再到应用
此次发布的三份报告，分别对应数据基础设施、核心算法模型和系统应用验证，构成完整的技术闭环。
第一份报告详细介绍了触觉数据采集系统、标注协议和数据集结构。团队设计了一套自动化数据采集流水线：使用七自由度机械臂搭载多种触觉传感器，在设定轨迹下反复操作物体，同时记录高分辨率触觉图、视频、关节角度和力/力矩数据。数据标注采用半自动方式，通过物体三维模型和操作序列自动生成标签，再人工校验。报告还提供了数据集的统计特性、分布情况和基准测试结果，便于后续研究者使用。
第二份报告提出了一种名为“触觉基础模型”的算法框架。该模型基于Transformer架构，将触觉信号、视觉图像和运动指令编码为统一表征，通过自监督预训练捕捉触觉时序中的物理规律。预训练后，模型可微调用于多种下游任务：抓取稳定性检测、物体材质识别、滑动预测、力控路径规划等。实验表明，在6个标准触觉任务上，该模型性能相比现有方法平均提升35%以上，尤其在零样本泛化到新物体时表现突出。
第三份报告则展示了该模型在真实机器人平台上的应用效果。团队在双臂协作机器人上部署了触觉模型，进行精密装配（如插入USB接口、拧螺丝）、柔软物体操作（如叠衣服、捏面团）以及盲操作（仅靠触觉完成抓取）。结果显示，在视觉受限或物体变形场景下，触觉反馈使成功率从不足50%提升至90%以上。同时，机器人能根据触觉信号自适应调整握力，避免损坏脆弱物体。
开源生态：降低门槛，加速产业落地
三份报告所涉及的数据集、模型权重和训练代码均已开源，并在GitHub上提供详细文档和示例。这意味着任何实验室、创业公司甚至个人开发者，都可以直接下载使用，无需重复建设昂贵的采集系统。对于行业而言，这极大降低了触觉感知技术的研究门槛。
触觉感知是具身智能从“实验室炫技”走向“工厂/家庭落地”的关键一环。目前，工业机器人多依赖精密夹具和预设程序，缺乏柔性适应能力；服务机器人则因无法感知接触力而容易伤人。有了大规模触觉数据，机器人可以学习到“轻拿轻放”的直觉，从而在医疗康复、高端制造、物流分拣、家政服务等场景中发挥更大价值。
此外，开源策略也有助于构建技术生态。更多研究者加入触觉建模的优化，更多企业提供真实场景的反馈数据，形成数据-模型-应用的飞轮效应。对比过去几年视觉基础模型的成功（如CLIP、DINO），触觉基础模型有望复制类似路径，成为机器人智能的又一个“新基建”。
此次新智具身与复旦的联合发布，标志着具身智能的触觉感知迈入“数据驱动”时代。3万小时触觉数据，不仅是数字的积累，更是机器人获得“手感”的起点。当机器能真正“摸清”世界，那些需要精细操作的任务，将不再只是人类的手艺。