让VLA更懂接触，优理奇UniTac让机器人拥有“触觉想象力”

让VLA更懂接触，优理奇UniTac让机器人拥有“触觉想象力”

入选ECCV 2026

henry 发自 凹非寺

量子位 | 公众号 QbitAI

机器人，也开始拥有“触觉想象力”了。

过去一年，随着具身基础模型的快速发展，机器人已经能完成不少轮廓清晰、位置明确的操作任务。

可一旦涉及柔性物体、易损物体或密集接触，机器人往往就开始力不从“脑”。

无论是捏起一颗葡萄而不将它捏破，还是抓住一只纸杯而不让它变形，视觉只能帮助机器人找到目标，想要完成任务，机器人还需要人类与物体交互时不可或缺的触觉感知。

也正因为如此，现在也有越来越多团队开始将触觉作为建构机器人大脑的重要模态。比如，UniTouch、AnyTouch尝试统一不同传感器的触觉表征，FuSe、Tactile-VLA把触觉送进通用策略与VLA，近期的TacImag则开始探索让机器人仅凭视觉和本体感觉“想象”触觉；NVIDIA也推出TacSL等视觉触觉仿真工具，加速触觉策略从仿真走向真机。

但这些路线仍各有边界：传感器异构让数据难以互通，触觉理解、生成与动作应用也往往分散在不同模型中。

最近，UniX AI（优理奇机器人）联合浙江大学、麻省理工、牛津、耶鲁以及上海交通大学，发布最新科研成果UniTac，提出一套统一的跨传感器触觉理解与生成架构，并进一步接入VLA，为机器人补上了“触觉想象力”。

（该工作已被ECCV 2026接收）

简单来说，UniTac让机器人获得了一种未触先感的能力，可以让机器人像人一样，在真正碰到物体之前，先“想象”出它摸起来是什么感觉，再决定怎么下手。

比如，面对一个软杯，机器人会先预测它受力后的形变，再决定从哪里接触、该用多大力。

对比来看，在未融合UniTac的情况下，VLA就会将纸杯捏扁。

这意味着，对于机器人来说，触觉第一次从碰到以后才知道”，变成了碰到之前就能预测。

而这背后，也对应着具身智能正在补上的一块重要能力：触觉。

机器人为什么需要学会“未触先感”？

如果把过去几年机器人基础模型的发展，看作一个不断把AI锚定到真实世界（grounding）的过程，那么我们大致可以将其分为三层。

VLM（视觉-语言模型）完成的是第一层grounding：把抽象的语言概念对应到现实世界，让机器人知道眼前看到的是什么；

VLA（视觉-语言-动作模型）再往前一步，把视觉语义和语言指令锚定到动作（轨迹），让机器人知道在任务场景时应该规划怎样的轨迹。

可当动作真正落地到物理世界时，往往还差着第三层grounding——

机器人必须知道，应该怎样完成这次接触。

因为对于机器人来说，“抓取”只是一个动作标签，但现实里的每一次接触，却完全不同。

抓起一块毛巾，需要判断哪里更容易捏住，毛巾的材质、大小、形状、表面粗糙程度都会导致机器人抓错或抓取失败；

例如，在未接入UniTac时，VLA就无法抓起下图所示的橙色毛巾。

也就是说，真正决定机器人操作成功与否的，不只是轨迹，而是接触过程本身。而这，正是当前VLA模型面对柔性物体、易损物体和接触密集型任务时的短板：

动作生成缺少对接触过程的预判与理解。

完全依赖视觉，机器人很容易对外观相似的物体采用同一套操作策略。而且如果等到接触发生后再根据触觉反馈修正，纸杯可能已经瘪了，薯片也可能已经碎了。

所以，如果机器人能够在真正碰到之前，就已经知道未来的触觉状态，那么第一次接触，就会变得安全得多。

为了实现这一点，UniTac先从大规模、多传感器数据中学习统一的触觉表征，再根据视觉信息预测潜在触觉状态，把触觉从“接触后的反馈”前移成“接触前的先验”，并送入VLA。

值得一提的是，这并没有取代接触后的实时反馈，而是在第一次下手之前，让机器人先预判这次接触可能带来的物理后果。

比如，在同样面对两块看起来差不多的毛巾时，基于UniTac的基础模型，就能提前预判毛巾的质感、颜色，从而规划、完成毛巾的单层抓取动作。

接下来，我们具体来看UniTac是怎么做到的。

跨传感器的理解与生成

为了让触觉进入基础模型，UniTac先处理了最难统一的数据问题。

触觉图像虽然看起来很像RGB图像，但产生方式却完全不同。

以GelSight、DIGIT、Duragel等视觉式触觉传感器为例，它们本质上是通过相机记录凝胶受压后的形变。

所以，一张触觉图像里通常混着两类信息：一类来自物体，包括硬度、粗糙度、纹理和接触形变；另一类来自传感器，包括光照、凝胶状态、Marker布局和相机参数。

这意味着，同一个物体，换一种触觉传感器，得到的数据可能完全不同。模型如果分不清哪些变化来自物体、哪些来自传感器，就很难实现跨设备泛化。