1天前 触觉手套集中发布：机器人有了传感器，为什么还要让人戴手套？

机器人有触觉，不等于模型拥有“手感”

2026 年 8 月，多款触觉传感器、电子皮肤和数采手套集中亮相。传感器装在灵巧手上，数采手套却戴在人手上。乍看之下，这像是重复建设。

其实两者解决的不是同一个阶段。

机器人上的触觉传感器负责执行时感知：手指是否碰到物体、压力如何变化、有没有滑动。触觉数采手套负责记录策略训练所需的示范：人是怎样接近物体、在哪一刻接触、各手指怎样弯曲、接触后如何继续加力或卸力。

一个回答“机器人现在摸到了什么”，另一个回答“人类完成任务时，动作与接触是怎样共同变化的”。如果没有能与机器人执行端接上的人类触觉示范，策略仍要更多依赖真机采集与交互试错，才能学会“摸到这种状态后该怎么动”。

所以，这一波手套真正争的，不是谁能让人戴上，而是谁能把人类的接触经验变成可训练的数据。

手套采的不只是一串力值，而是一段同步发生的交互

拿擦桌子举例。只看视频，我们能看见手沿桌面移动，却很难判断海绵是否真的压住桌面；只记录压力，我们又不知道这股力发生在哪根手指、哪个姿态和哪个位置。

一条可训练的示范，至少要把三类信息放进同一条时间轴：

运动信息：手腕轨迹、手指关节或手部表面怎样运动；

接触信息：何处接触、压力或多轴力怎样变化，是否出现滑移；

场景信息：相机看见了什么物体、任务进行到哪一步。

ART-Glove 给出了一个偏“接触几何”的研究路线。它用 16 个刚性功能表面表示手掌和指节，记录 22 个自由度的表面运动，并以 2048 个触觉单元覆盖这些表面；运动与触觉信号以 120 Hz 同步采集。

图片说明：ART-Glove 把已知接触表面、22-DoF 运动和 2048 个触觉单元放进同一套记录系统。图片来源：ART-Glove 论文 Figure 1

这里真正关键的不是 2048 这个数字，而是每个信号有明确的物理归属：哪个表面，在什么姿态下，于什么时刻发生了接触。如果点数很多，却没有可靠的姿态、时间同步和接触位置，模型拿到的仍可能是一串难以解释的波形。

这也解释了动作捕捉手套与触觉数采手套的区别。前者主要回答“手怎么动”，后者还要回答“手怎样碰到东西”。对于抓取、旋拧、插接、擦拭这类接触密集任务，二者不能互相替代。

采到数据之后，还要跨过人机对齐

人手和机器人手的关节数量、指长、接触面积都不同；不同触觉传感器的量程、方向、布点和输出形式也不一样。把人的原始数据直接塞给机器人，等于让两个坐标系、两种身体和两套“触觉语言”强行对话。

这条鸿沟至少有三层。

第一层是时间对齐。相机、关节和触觉信号必须对应同一瞬间，否则模型可能把“尚未接触”的画面配上“已经受力”的标签。

第二层是动作对齐。人的手部姿态要经过重定向，变成机器人能够执行的关节目标。人的拇指能完成的轨迹，未必落在机器人手的可达空间里。

许多常见的两指平行夹爪以一个主动开合自由度完成夹持；多指灵巧手则要协调更多关节，而且机械自由度不一定都能被独立驱动。对夹爪，示范主要迁移末端轨迹与开合状态；对灵巧手，还要重新映射多根手指的协同姿态与接触关系。

第三层是触觉对齐。人手套上的某组电信号，不能天然等于机器人指尖传感器上的某个值。模型真正需要的是更稳定的共同语义，例如“拇指与食指形成夹持”“物体开始滑动”“持续压力不足”。

就人机触觉接口而言，现有研究至少展示了两条路。

一条是尽量让接口同构。OSMO在人手和机器人上使用同一套触觉手套，借此缩小触觉传感差异；再通过逆运动学把人手姿态转换为机械臂与灵巧手的关节目标。它在擦拭实验中只使用人类示范训练策略，没有加入真实机器人训练数据。论文以被擦除标记像素比例作为指标，触觉策略平均达到 71.69%，并减少了压力不足等视觉难以判断的失败。

图片说明：OSMO 将同一手套作为人和机器人的触觉接口，以降低传感通道差异；图中结果只对应论文的擦拭任务。图片来源：OSMO 论文 Figure 1

另一条路是承认传感器不同，再学习映射。TactAlign先分别学习人手套和机器人传感器的触觉表示，再把人的表示映射到机器人触觉空间，让两类示范可以共同训练策略。它不要求每段人类数据都与机器人数据严格逐帧配对，而是用手—物交互形成的近似对应关系完成对齐。

图片说明：从左到右依次是人类与机器人示范、各自的触觉表征、跨传感器映射和联合策略训练。图片来源：TactAlign 论文 Figure 1

在论文 Table I 汇总的旋转、插入和盒盖闭合三项任务、三类对象中，完整方法的总体平均成功率为 79%；去掉触觉对齐、直接使用未对齐特征时为 28%。这组结果不能外推到所有机器人，但它说明了一个容易被忽略的问题：触觉不是加进模型就有用；语义不一致的触觉，反而会干扰学习。

手套采完数据，机器人仍然需要自己的触觉

触觉手套不是用来替代机器人传感器的。它更像训练阶段的示范记录器。

以擦拭为例，完整过程可以这样回述：人戴手套完成任务，系统同步记录图像、姿态和接触；姿态被转换成机器人动作标签，触觉被清洗并映射到机器人能够理解的表示；模型学习“看到什么、摸到什么时，下一步该怎样动”；部署时，机器人再用自己的相机、关节状态和触觉传感器形成闭环反馈。

也就是说，手套提供的是经验，机器人本体传感器提供的是现场状态。只有训练与执行两端的表示能够接上，人类示范才会变成机器人能力。

触觉输入这么多，训练会不会更难？会，但问题不只是模型“吃不下”大量数据。更麻烦的是，触觉通常只在局部接触和短时间变化中有效：多数传感点可能没有接触，同一个点的输出还会受到佩戴、形变和零点漂移影响；模型既要判断哪里发生了接触，也要理解“接触—加力—滑动—调整”的连续过程。

因此，工程上通常不会把所有原始通道不经处理地直接拼进模型。OSMO 先按通道做分位数归一化和差分处理，再用独立编码器提取触觉特征；TactAlign 则分别编码人和机器人的触觉，再学习跨传感器映射。处理后的表示才能与视觉、关节状态一起进入策略学习。难点不是触觉数据单纯太多，而是这些数据很难在时间、空间和不同本体之间保持同一种含义。

规模扩大后，这个问题会更明显。H-Tac 报告了 160 小时、300 余项任务和 13.5 万段人类触觉—动作数据。其 TTP 方法没有把不同设备的原始值直接混在一起，而是把不同本体的触觉投影到统一的手部表面表示，并在预训练和机器人后训练阶段保持同一套动作与触觉接口。

数据量影响模型见过多少交互，对齐方式影响这些交互能不能被同一个模型理解。这也是触觉数采从硬件产品走向数据基础设施时，必须跨过的一步。

判断一双触觉数采手套，先追问这六件事

产品发布往往先展示传感点数、分辨率、重量和材料。这些参数有用，但不足以判断数据能否训练机器人。结合目前公开研究，我更建议按数据链追问六件事：

1.到底采了哪些量？只有压力，还是同时包含三轴力、滑移、手部姿态、腕部位姿与视频？

2.不同模态怎样同步？相机、关节与触觉的采样频率、时间戳和延迟是否可追溯？

3.接触位置是否有稳定几何对应？同一传感点换人、重新穿戴或手套变形后，还指向同一块手部表面吗？

4.长时间数据怎样校准和清洗？零点漂移、重新穿戴、手套形变和非接触噪声如何识别？

5.怎样迁移到目标机器人？是依赖相同传感器、统一表面坐标，还是有经过验证的跨传感器对齐模型？

6.是否做过下游策略验证？展示热力图只能证明信号被采到；若要说明这批数据对机器人策略有效，还需要给出明确任务、基线和指标下的下游结果。

这六问没有要求所有手套走同一条技术路线。不同传感原理和结构可以有不同取舍。共同门槛只有一个：从人手上采回来的信号，能否稳定地经过处理和对齐，在目标机器人上产生可复现的策略收益。

触觉传感器让机器人“有感觉”，触觉数采手套则试图把人类已经掌握的接触经验交给它。真正稀缺的从来不只是一块更灵敏的皮肤，而是从人类示范到机器人执行之间，那条不断裂的数据链。