让机器人手拥有触觉的那些传感器

一台相机可以看着上千台机器人工作，自己却永不磨损。一枚触觉传感器只分到一只手，感受这只手抓过的每一个物体，并在接触中慢慢损耗至死。把一台科研机器人的指尖，在连续几周的抓取与放置之后揭开，你往往会看到一层被磨花的凝胶、一片撕裂的膜，或是一根悄悄漂移出标定范围的电极。这种不对称，廉价而不朽的眼睛，对上脆弱而寿命有限的皮肤，正是机器人触觉在成为一个数据问题之前，首先是一个硬件问题的原因。

视觉收敛到了同一种器件上。地球上几乎每一台相机，都用同样的方式把光变成一格一格的数字，任意两台之间说着一种叫作「图像」的共同格式。触觉从来没有过这样的时刻。去问五个实验室它们的机器人如何感受一段螺纹，你会得到五种物理上截然不同的答案：一张会改变电阻的薄片、一枚测量被挤压的空气腔的芯片、一块从内部被拍摄的凝胶。没有哪一种占据主导，而这些差异一直贯穿到底层的物理原理。

接触不是单一的量。把指尖按在桌面上，既有直直压入的法向力、横向拖拽的剪切力、掉落之前那一丝微小的滑移、被读作纹理的高频振动，有时还有跨越接触边界流动的热量。每一种触觉技术，都是在赌该干净地捕捉其中哪几样、又放弃哪几样。下面就看看主要的几大门类各自测量什么、代价是什么，以及为什么它们始终没能像相机那样，孕育出一份大规模的共享数据集。

把一次挤压变成一个数字

大多数机器人皮肤是电学式的。它们用 taxel（触觉像素）铺满一个表面，读取某种在表面被按压时会发生变化的属性。

电阻式与压阻式皮肤是主力。被按压的材料导电性发生变化，一张由这类结点组成的网格，就能以很低的成本给出一张粗糙的压力图。它们能做得很薄，能包裹在弯曲的手指上，也能廉价地扩展到大面积。代价是信号质量：会漂移，有迟滞（压下去时的读数和松开时对不上），而且很难把剪切与法向载荷区分开。

电容式阵列测量的是两层导电层之间、隔着一层软介质的间距。挤压介质，电容就上升。这正是手机屏幕底下的那种技术，被缩小、加硬后用到指尖上，灵敏且低功耗。为追求分辨率而把 taxel 排得越密，相邻单元之间就越会串扰，布线数量也随之飙升，这正是密集电容皮肤难以铺满整只手的原因之一。

气压式与 MEMS方案，把一枚量产的压力芯片藏在一个橡胶穹顶之下。力挤压被封住的液体或空气，气压计芯片把它读出来，于是你继承了一个为手机和汽车而以十亿计量产的零件所具备的坚固与低价。不过一枚芯片就是一个 taxel，因此除非你在手上塞满芯片、连带塞进随之而来的布线，否则空间分辨率就很粗。

压电式与磁式方法补上了剩下的空档。压电薄膜会因压力变化而产生电荷，这让它们极擅长捕捉快速的东西，振动、滑移起始、纹理，却对稳稳托住一个重量无能为力，因为恒定的力不产生变化的电荷。像 ReSkin 这样的磁式皮肤，把磁性颗粒悬浮在一层软弹性体里、置于 Hall 效应传感器之上，再从磁场的变化中读出剪切力与法向力；那层弹性体是一种廉价的消耗品，磨损了就揭下来换掉。

一台朝内看的相机

另一大门类，把整个问题反了过来。与其给一个表面布线，不如在一台小相机上盖一层透明软胶，从内部打光，拍下软胶压在世界上时发生的形变。GelSight 开创了这条路，DIGIT 做出了紧凑、低成本的开源版本，TacTip 追踪的是一圈内部的销钉，而 Toyota Research Institute 的软气泡夹爪则把同一个思路铺展到了一层充气的膜上。它的输出不是几个数字，而是一张稠密的触觉图像。

这张图像正是它的卖点。一块被拍摄的凝胶，能分辨出比人类指尖更细的表面纹理，能重建出正压在它上面之物的三维形状，还能通过观察印在上面的标记点如何滑动来还原剪切。它还收敛到了这个领域早已懂得如何量产和读取的那一种传感器上：相机。而代价是物理性的。凝胶体积大，需要几毫米的余隙和一条光路，会随使用而撕裂、发浑，而且每一帧都是一整张图像，因此相比一张薄薄的电阻片，它的带宽与算力开销都很重。你是用一个布线问题，换来了一个光学加磨损的问题。

每一门类能感觉到什么、又感觉不到什么

没有哪一种技术全胜。每一门类都在接触信号的一部分上很强，在其余部分上则是盲的，这正是认真设计的手，往往会同时搭载不止一种传感器的原因。

把代价那一列从上往下读，一个规律浮现出来。便宜、可铺贴、耐用的选项，都很粗糙；丰富、高分辨率的选项，则要么笨重、要么脆弱、要么数据量大。并不存在一个像「够用的网络摄像头」那样，同时做到便宜、标准又细致的东西。

为什么那份语料迟迟不出现

就在这里，硬件变成了一个数据的故事。视觉之所以能扩展，是因为相机是外置的、可互换的、不被消耗的：你把同一款网络摄像头拧到上千台机器人上，每一段片段都落进同一种共享格式里。触觉一下子把这三条属性全打破了。

相机的寿命长过它所记录的数据，触觉传感器却被它所记录的数据耗尽。这一个事实，比任何建模上的差距都更能解释：为什么触觉没有自己的 ImageNet。

传感器必须住在手里，因此你若不同时把它们的手指也标准化，就无法把数据跨机器人汇集起来。标定是逐台进行且会漂移的，所以一个以传感器计数表示的原始读数，除非映射到牛顿，否则对下一个实验室毫无意义。最糟的是，仪器会被测量这个行为本身所摧毁：会发浑的凝胶、会磨损的弹性体、会疲劳的电极，都会在一次采集过程中途改变自己的响应。一份视觉数据集，明年还能从同样的素材里重新提取；而一份触觉记录，绑定的是某一天某一枚已经磨损的特定传感器，而且跨两个实验室，「一次触觉读数」到底算什么，至今仍没有共享的模式。

于是这个领域拥有一份庞大的视觉语料，一份在 Open X-Embodiment 这类工作里不断增长的「视觉加本体感觉」语料，却几乎没有任何大规模的触觉操作数据集。硬件的碎片化并不是这种稀缺的一个脚注，它就是原因本身。

与碎片化共处

最有希望的应对，是让触觉长得像视觉。DIGIT 这样的光学传感器，推动开放、可复现的硬件，好让两个实验室至少共享一种格式，也就是一张触觉图像，哪怕它们的凝胶磨损方式各不相同。像 Hugging Face 的 LeRobot 这样的开放工具包，给触觉数据流提供了一个能与视频、动作并排安放的标准去处。从 Physical Intelligence 到 Toyota Research Institute，做灵巧操作的团队都把接触当作一等通道，而不是事后加装的附件；而像 IEEE Spectrum 这样面向工程师的报道，也在持续追踪从机器人文献里冒出来的一款款新皮肤。但这一切，都还没有为触觉带来属于它的 ImageNet 时刻。

给机器人一台相机，它就继承了一个世纪的成像技术和一整个星球的像素。给它一种触觉，你却仍要抉择该相信哪一套物理、仍要一根手指一根手指地把它手工接进去、还要看着它在工作中被磨损殆尽。算法已经准备好去感受了。真正还有待建造的，是那些仪器，以及它们本可以书写出来的那份共享记录，而这只能一只手接一只手地做出来。