让机器人触觉不再奢侈，一目科技跨过量产门槛

作者｜孙芮
微信｜lombredeau

机器人走向真实场景，首先要解决的是对物理世界的理解。

这种理解不只包括物体的外观、位置和运动，还包括接触之后产生的三维受力、形变、位移、摩擦、材质和温度等信息。前者可以通过视觉获得，后者则往往只有在真实接触中才会出现，也很难仅凭图像准确判断。

因此，触觉成为机器人进入真实世界的重要感知能力，也被视为 Physical AI 基础设施的重要组成部分。

近期，为机器人提供通用“感官”的一目科技完成超过10亿元E轮融资，投后估值突破100亿元。本轮融资由多家一线人民币基金、头部美元基金和知名产业方联合参与，所融资金将用于具身智能触觉感知材料、芯片、算法和模型的研发，以及规模化量产与订单交付。

这笔融资背后，是机器人产业对触觉感知能力不断增长的需求。目前，一目科技已经推出的视触觉传感器厚度低于3毫米，达到了全球最薄可量产水平。

这是一家有十年历史的企业，早期主要深耕微流控、微光谱等底层技术。随着具身智能产业兴起，公司将长期形成的光学、传感和算法能力延伸至仿生视触觉领域，并逐步搭建起覆盖传感器硬件、触觉数据采集、理解算法和模型训练的完整技术体系。

想象一下，一台人形机器人正准备把一杯热水递到你手中。

首先，它需要通过视觉识别水杯的位置，规划抓取路径。当机械手接触杯身后，它还需要判断水的温度、杯子的材质和重量，控制手指施加合适的力度，既不能因为用力过大捏变形纸杯，也不能因为力量不足导致杯子滑落。

拿起水杯后，机器人还要持续感知杯身是否发生偏移、水面晃动是否影响稳定性，并根据反馈实时调整抓取姿态，最终平稳地将水递到你的手中。

在这个过程中，视觉能够告诉机器人水杯在哪里、外观如何，却很难准确判断水温、接触后产生的受力、形变和摩擦。视觉看到的是物体表面的二维信息，触觉则进一步提供三维力、三维位移、接触状态乃至温度等物理信息。对机器人来说，这些信息直接决定了它能否在真实世界中完成精细、稳定的操作。

因此，触觉正在从机器人的“可选项”变成“必需项”。

过去，行业一度认为视觉和语言能力已经足以支撑机器人理解环境，但随着机器人进入抓取、装配和复杂操作场景，仅靠视觉无法获得完整的物理信息。缺少高精度触觉，机器人难以获取真实的接触反馈，Physical AI 模型的能力上限也会受到限制。

这也是触觉被资本市场重新关注的重要原因。触觉既服务于机器人本体，让设备能够根据接触反馈实时调整动作，也服务于数据采集和模型训练，为 Physical AI 提供视觉无法替代的物理世界数据。

所以，真正决定人形机器人能否迎来“GPT3.0 时刻”的，除了模型本身，还包括模型能否持续获得足够丰富、精确的物理反馈。

围绕机器人触觉，目前行业主要有压阻式、电容式和视触觉三条技术路线。压阻式和电容式发展较早，前者结构简单、成本较低，后者灵敏度较高，但在空间分辨率、环境适应性和长期稳定性方面各有局限。

相比之下，视触觉提供了一种更接近人类皮肤的立体感知方式。它在传感器内部集成微型光学系统，当机器人手指与物体接触时，柔性表面的细微形变会被转化为图像，再由 AI 算法解析为压力分布、剪切力、接触位置和滑动状态等触觉信息。

由于能够在较小面积内获取形状、纹理、压力和剪切力等多维信息，视触觉更适合抓取、装配和精密操作等复杂任务。基于光学成像的技术路线也具备较好的耐用性和稳定性，为其长期部署在工业机器人、人形机器人等真实场景中提供了基础。

视触觉也是一目科技所选择的技术路线。

以 GelSight 为代表的研究和产品，也验证了视触觉在高分辨率接触感知和机器人操作中的技术可行性。

但实验室验证可行，并不意味着能够真正进入产业应用。

机器人需要的是能够长期部署在真实环境中的触觉传感器。它们需要安装在机械手、灵巧手甚至整机表面，在持续抓取、装配和搬运过程中反复工作。

视触觉真正需要跨越的，是一系列工程化难题。

首先是制造一致性。视触觉传感器本质上是一套微型光学系统，内部包含光源、成像器件和弹性材料等多个精密组件。实验室可以依靠人工调试获得理想效果，但当进入批量制造阶段，每一颗传感器都需要保持相对一致的光学性能和成像质量，这对微纳制造和光学设计提出了更高要求。

其次是长期可靠性。机器人不会像实验室演示那样只完成几十次抓取，而是要在工厂、物流仓储等场景中连续工作数百万次。传感器不仅要承受持续按压和摩擦，还要在长期使用过程中保持稳定输出，这对材料寿命、结构设计和封装工艺提出了更高要求。

与此同时，AI 算法也需要面对真实世界的复杂性。

实验室里的测试对象通常相对标准，但真实环境中的机器人可能接触不同材质、形状和尺寸的物体，也会受到温度、光照和工作环境变化的影响。算法不仅要识别压力和剪切力，还需要具备足够的泛化能力，在各种未知场景下保持稳定表现。

最后，也是产业化过程中最现实的一道门槛——成本。

早期实验室使用的视触觉传感器往往造价高昂，难以支撑机器人大规模部署。只有当制造工艺、供应链和良率不断提升，成本下降到产业能够接受的水平，触觉才真正具备规模化应用的可能。

这些问题很难依靠某一项单独技术解决，而是涉及光学设计、微纳制造、传感器集成、算法和供应链体系的协同能力。

这也是一目科技过去十年持续积累的方向。微光谱研发中形成的光学设计能力可以用于控制传感器内部的光路和成像效果，微型传感器的制造经验帮助器件的小型化、封装和批量生产。数据工程和 AI 算法能力，则负责将接触产生的图像变化，转换为压力、剪切力和滑动状态等触觉信息。

一目科技的触觉传感器 ，正是这些能力协同落地的结果。它所体现的是传感器在厚度、一致性、可靠性和规模化生产之间的平衡。对于机器人产业而言，这种综合工程能力，才是高分辨率触觉传感器能否真正走出实验室的关键。

不过，规模化部署传感器只是第一步。

当前机器人模型的训练数据仍以视觉、语言和动作轨迹为主。手指在触摸后，会产生一系列的神经交互、大脑处理。那么机器人，该如何回答接触后发生的问题？例如机器人用了多大的力、物体是否正在滑动、材料发生了怎样的形变，以及一次抓取为什么成功或失败。

触觉数据补充的正是这部分物理信息。只有将这些数据持续采集、解析并用于模型训练，触觉才能从一项传感能力，进一步转化为机器人操作能力的一部分。

围绕这一目标，一目科技搭建了由硬件感知、触觉理解算法和模型训练组成的三层架构。

最底层是硬件感知层。视触觉传感器安装在机器人手指或其他接触部位，通过拍摄柔性材料在接触过程中的微观形变，记录压力分布、剪切力、滑动状态、表面纹理和物体形状等多维物理信息。

这一层解决的是机器人能否感知接触。但传感器直接输出的仍然是连续变化的触觉图像和原始信号，机器人并不能直接理解这些信息。它还需要知道，图像中的变化意味着什么，又应该如何据此调整动作。

因此，在硬件之上，一目科技进一步搭建了触觉理解算法层。

其中，Tactile Transformer Encoder 负责对原始触觉数据进行编码和解析，将接触过程中的图像变化转化为压力、形变、滑动状态和物体属性等机器可以理解的信息。

经过算法处理后，机器人获得的不再只是一组传感器读数，而是对当前接触状态的判断，比如手指是否已经碰到物体、抓取力度是否合适、物体是否存在滑落风险，以及下一步应该继续加力、减力还是调整姿态。

这些触觉信息还可以进一步与视觉、语言和动作信息融合。视觉告诉机器人物体在哪里，语言模型帮助它理解需要完成什么任务，触觉则补充接触之后发生了什么。不同模态共同构成机器人执行真实任务所需的环境信息。

第三层是模型训练层。机器人在不同场景中执行任务时，传感器持续采集接触数据，触觉理解算法对数据进行解析，再将接触状态、机器人动作和任务结果对应起来，形成可用于模型训练的数据。

例如，在一次抓取任务中，系统不仅能够记录机器人采取了什么动作，还可以记录手指施加了多大的力、物体是否发生滑动，以及最终抓取是否成功。随着这类数据不断积累，模型可以逐渐学习不同物体、材质和任务所对应的操作策略。

由此，硬件部署、数据采集和模型训练之间形成持续迭代的闭环。

不过，当越来越多设备开始产生触觉数据，新的问题也随之出现，这些数据能否在不同传感器、机器人和任务之间被统一使用？

触觉数据规模的扩大，到模型能力的提升之间，还有一条复杂的路要走。

不同传感器的硬件结构、数据格式和标注方式存在差异。同一个接触动作在不同设备上，也可能呈现出完全不同的信号。如果缺少统一的数据标准，这些数据就很难被汇总、比较和复用，最终仍会分散在不同企业和实验室中，形成新的数据孤岛。

视觉 AI 的发展曾受益于 ImageNet 等大规模标准化数据集。统一的数据结构、任务定义和评测方法，让不同团队能够在相同基础上训练和比较模型，也推动了视觉识别能力的快速迭代。

进入 Physical AI 阶段，触觉领域同样需要一套能够被广泛使用的数据基础。

围绕这一目标，一目科技正在推进与斯坦福等国际顶尖机构合作推进开源触觉数据集项目 TouchNet，希望逐步建立覆盖触觉数据采集、标注、存储、评测和使用的统一标准，并将部分数据与工具能力向行业开放。

当触觉数据能够按照同一套标准被记录和评价，它们才有可能在不同机器人设备、任务场景和模型之间流动。开发者可以基于统一的数据基础训练和验证算法，机器人企业也不必为每种设备和场景重复搭建触觉数据体系，从而加快触觉模型的迭代和应用。

从传感器硬件到触觉数据标准，TouchNet 补上的是 Physical AI 数据基础的一环。在此基础上，一目科技还希望继续向机器人设备和技能生态延伸，形成一套更完整的能力体系。

这套布局可以概括为三个阶段。

第一步，是通过视触觉传感器和理解算法，构建 Physical AI 的“感知和神经系统”。

第二步，是让触觉系统进入更多机器人设备和真实场景，在具体任务中持续产生数据。

第三步，则是构建机器人技能生态。触觉数据的最终价值，是将操作过程沉淀为可以积累、迁移和复用的技能。

例如，机器人在一种设备上学会稳定抓取易碎物体后，相应的触觉反馈和控制策略，可以进一步迁移到其他机器人或相似任务中。

这需要将感知数据、动作策略和任务结果组织在同一套体系中，使机器人技能不再依附于某一台设备或单一场景。随着可复用技能不断积累，开发者可以直接组合和调用已有能力，降低机器人适应新任务的训练成本。

从视触觉传感器到 TouchNet，再到机器人技能生态，一目科技试图构建一条贯穿感知硬件、触觉数据、理解算法与模型能力的技术链路。

此次超10亿元的大额融资，一定不只是关注触觉传感器本身，还有其背后连接物理世界与 AI 系统的基础设施能力。

触觉补上的，是机器理解物理世界的关键一环。更长远来看，Physical AI 的目标是让智能走出屏幕，在真实世界中感知、行动，并通过持续交互不断进化。

点个“爱心”，再走吧