触觉经验，怎么转化为机器人的操作能力？ 作者 | 独林 编辑 | 漠影 机器人能看见一只花瓶，却未必知道擦拭时该用几分力；抓起瓶子，也不代表它能摸得出瓶身的纹理和材质。 从这个角度看，机器人要理解周围世界，光靠“看见”还不够——与物体接触后，接触面的形变、物体是否滑移以及受力变化，需要靠触觉来感知。 2026年，触觉开始成为具身行业的焦点之一，与触觉有关的模型不断出现，含触觉的多模态数据规模也快速增长。一个更实际的问题也随之而来： 这些触觉经验，究竟能不能转化为机器人的操作能力？ 机器人前瞻11月4日报道，近日，戴盟发布了关于TacClaw-Infinity数据集的研究成果。 这一数据集属于Daimon-Infinity数据集中的触觉UMI夹爪数据，戴盟此次公开了其从规模化采集、数据处理与结构化标注，到模型训练和真机验证的完整研究流程。 Daimon-Infinity数据集是戴盟今年4月发布的全球最大规模含触觉全模态物理世界具身数据集，联合Google DeepMind、新加坡国立大学、清华大学等全球数十家研究机构共同采集，面向行业开源一万小时， 目前在Hugging Face和魔搭社区的下载量已超过千万次。 他们选取了其中超过1万小时数据形成TacClaw-Infinity，包含100万条操作轨迹和10亿帧数据，覆盖1000多种任务类型。 大规模、高多样性、全模态， 是TacClaw-Infinity的三个主要特点，其汇集了视觉观测（visual observations）、指尖触觉信号（fingertip tactilesignals）、语言描述（language descriptions）与末端执行器轨迹（end-effector trajectories）等多模态信息，并通过分布式采集纳入不同环境、操作者、物体和接触状态条件下的任务数据。 但比数据规模和模态数量更关键的是研究工作展现的能力验证：数据不仅能够实现零本体迁移，仅用无本体数据就能在不同机器人上进行训练；而且在戴盟设置的三项操作任务中， 加入触觉数据后，模型的物理交互能力得到了较为明显的提升， π0.5的平均任务成功率由50.0%升至74.0%，StarVLA的成功率也由46.0%提高至72.7%。 顺着这组结果往下，更值得看的是接触数据如何被大规模采集，如何更贴近模型的训练需求，又如何教会不同机器人在物理世界中进行安全稳定的交互。 01. 有了触觉数据后， 机器人的能力大幅提升 对于具身数据的评价显然不会停在时长和轨迹数量上，它最终要回答的问题是 被用于模型训练后，能否提高模型的操作成功率，帮助本体更好地完成真实操作。 为了回答这个问题，戴盟设置了 跨本体、跨模型、跨任务 的实验，使用了Tianji、RealMan和DM-Sparky三类机器人，并训练了π0.5与StarVLA两类策略，避免实验结果仅来自单一设备或模型架构。 戴盟设计了三项任务，分别考察模型能不能“拿得准”“摸得懂”“擦得稳”：杯子堆叠侧重取放协调与长程任务衔接，瓶子分类要求机器人借助接触判断物体状态，花瓶擦拭则考察其在持续接触中依据反馈调整动作的能力。 还有一个关键的设计： 实验仅以触觉UMI夹爪采集的无本体数据进行训练，没有额外采集目标机器人示范。 行业进行本体训练时，通常在无本体数据的基础上，还需要以真机数据进行进一步的微调适配。 这种设计考验数据的 零本体迁移 （Zero-Robot Transfer Across Embodiments）能力，一旦成功，则意味着一份无本体采集的数据，可以复用到多个不同的机器人本体上，这将降低数据的训练成本，让数据成为跨平台共享的资源。 结果显示， 物理接触数据不仅能够在零本体迁移的前提下，提升不同机器人的交互能力，而且这种收益在接触密集型任务中更加明显。 在瓶子分类任务中，π0.5与StarVLA的成功率分别提高了 44.7 和 43.3 个百分点；在花瓶擦拭任务中，两类策略的成功率则分别提高了 22.0 和 38.7 个百分点。 值得注意的是，这次实验没有为触觉单独设计复杂架构或控制器，戴盟只是将触觉信息以简单的图像形式输入现有策略。 换句话说， TacClaw-Infinity记录的信息不需要改用一套触觉专用架构，就已经能够被模型利用， 数据本身的有效性得到了验证。 02. 超万小时触觉数据， 如何规模化高效采集出来？ 数据有效性的背后，是一连串关于数据构建的关键问题：如何可持续地扩展数据规模，如何最大化单位时间内的信息密度，如何为模型泛化提供足够的多样性，如何将人类经验组织为模型可学习的信息……这些环节共同决定了数据能为模型带来的能力增益。 TacClaw-Infinity通过无本体采集，首先解决了成本与规模化的问题。 如果每一条触觉数据都需