触觉经验如何有效转化为机器人操作能力，成为了当前机器人研究领域的重要议题。虽然机器人能够识别并“看见”物体，例如花瓶，但它们并不一定具备恰当施加力量的能力。此外，抓取物体并不意味着机器人能够感知物体的表面纹理和材质特征。因此，从这一角度来看，仅凭视觉信息不足以使机器人全面理解周围环境，触觉感知在此过程中显得尤为重要。

根据行业观察，触觉感知已逐渐成为具身智能领域的研究重点，相关模型的发布频率不断增加，触觉相关的多模态数据也正在迅速扩展。近期，从戴盟公司发布的TacClaw-Infinity数据集的研究成果中，我们获得了重要见解。该数据集属于Daimon-Infinity系列，专注于触觉UMI夹爪数据。戴盟详尽介绍了数据采集、处理、结构化标注、模型训练及实际验证的综合研究流程，该数据集是全球最大规模的全模态触觉数据集之一，于今年四月发布，并与多家研究机构合作，共同采集并向行业开放1万小时的数据，迄今为止其在Hugging Face及魔搭社区的下载量已超千万次。

TacClaw-Infinity数据集的显著特征包括大规模、高多样性和全模态数据。该数据集涵盖了视觉观测、指尖触觉信号、语言描述及执行轨迹等多维信息，同时还通过分布式数据采集融入了多种环境、操作员、物体及接触状态下的任务信息。然而，研究的核心在于如何验证这些数据对机器人操作能力的提升。实验表明，在戴盟设计的三个操作任务中，加入触觉数据后，模型的物理交互能力明显增强，其中π0.5模型的平均任务成功率从50.0%上升至74.0%，而StarVLA模型的成功率则从46.0%提升至72.7%。 吉祥体育下载

在进一步探索触觉数据用于模型训练的有效性时，进行横跨本体、模型和任务的实验，不仅使用了π0.5和StarVLA两类策略，而且引入了三种不同的机器人平台（Tianji、RealMan和DM-Sparky）。所设计的三个任务包括杯子堆叠、瓶子分类和花瓶擦拭，分别考察了机器人在取放协调、接触判断及基于反馈调整行为的能力。此外，值得关注的是，本实验专注于使用触觉UMI夹爪采集的无本体数据进行训练，未使用目标机器人的实物示范数据。这一设计突显了零本体迁移能力的验证，即仅靠无本体采集的数据便能在不同机器上进行有效训练，从而减少了数据训练的成本，推动了跨平台数据共享。

结果表明，物理接触数据在提高机器人交互能力方面表现出明显的优越性，尤其是在接触密集型任务中效果更为显著。在瓶子分类任务中，π0.5和StarVLA的成功率分别提高了44.7个百分比和43.3个百分比，而在花瓶擦拭任务中，两类策略的成功率则分别提升了22.0个百分比和38.7个百分比。此外，本次实验的设计未特别为触觉开发复杂的模型架构，表明TacClaw-Infinity的触觉信息能够通过现有机制被有效利用，的数据效能得到了实质性验证。

综上所述，触觉数据的有效性及其在机器人操作能力提升中的应用，使得研究的关键问题转向如何高效且可持续地扩展数据规模。TacClaw-Infinity通过无本体采集解决了数据收集中的成本和规模化问题，未来的研究应当关注如何进一步最大化单位时间内的信息密度及多样性，为模型的泛化能力提供更为丰富的支持。此领域的研究将对机器人在多样化场景下的表现产生深远的影响。 吉祥体育下载