触觉数据的规模化，卡在三笔成本上。第一笔是硬件：传感器要装在某台具体机器人的手上，还要标定、对齐时序、处理走线。第二笔是采集：要让机器人动起来，就得有遥操作台、有操作员、有一段稳定占用的机时。第三笔是人：演示本身得有人来做，而且要做得够多、够杂。三笔钱叠在一起，触觉数据集这些年就停在几千条示范的量级，而纯视觉的机器人数据集早就破了百万。

这篇论文的取舍很干脆：它把三笔成本里最重的那一笔——目标机器人——整项删掉了。采集用的是一台手持设备 TacClaw，操作员拿着它直接做演示，现场不需要任何机器人。这样一来，“装传感器”和“等机时”两笔成本一起消失，只剩下人力这一笔——而人力恰好是唯一可以靠人海横向铺开的一笔。

于是就有了这本账：10,000+ 小时、100 万 episodes、10 亿帧、1,000+ 任务类型，由 200 台设备在 20 多家机构、50 多个物理场地上采出来。更关键的是第三层：这份数据同时给出时间、语义、空间三套结构化标注，并且在完全不使用机器人自带演示的前提下，让同一套策略在三种异构机器人上跑出了可用的成功率。下面我按它的技术脉络走一遍。

三重成本叠在一起，触觉数据就停在了几千条

先看问题的形状。插入、对齐、拧、擦、塞这类接触密集操作，有一类关键状态是视觉很难给出的：遮挡下接触与否、持续接触中力是否稳定、抓握是否已经在打滑。这些量恰恰触觉能直接测到，所以“给 VLA 模型加上触觉”一直是明确的方向。

但方向明确不等于能做大规模。既有路线基本都要把传感器装到具体机器人身上，每换一个本体就重来一遍集成与标定；采集依赖遥操作，数据量正比于机时；人工演示的稀缺又压低了多样性。论文在相关工作里把这件事归纳得很直白：现有的大规模数据集大多以视觉为中心，或者依赖机器人一侧的采集，同步的高分辨率触觉数据仍然稀缺。

UMI 这条线提出了一个漂亮的绕行方案：用带夹爪的手持采集器在真实环境里采集，同时保持与下游机器人部署兼容的观测与动作接口——也就是所谓“没有机器人的野外教学”。后续工作沿这条路推进：FastUMI 简化了硬件与位姿跟踪，FastUMI-100K 把规模推到十万级示范，另一些工作专门处理视觉域差异与轨迹同步精度。触觉版本也陆续出现，论文表 I 把它们排在一起（表 1）。

数据集	采集方式	Episodes	触觉 / 结构化标注
Open X-Embodiment	真机	1M+	无 / 无
DROID	真机	76K	无 / 无
UMI	手持 UMI	1.4K	无 / 无
ViTaMIn	触觉 UMI	747	有 / 无
exUMI	触觉 UMI	1.7K	有 / 无
Touch in the Wild	触觉 UMI	2.7K+	有 / 无
FreeTacMan	触觉 UMI	10K+	有 / 无
TacClaw-Infinity	触觉 UMI	1M+	有 / 有时间·语义·空间

这张表要看两列：Episodes 这一列，触觉 UMI 路线此前的最好成绩是 10K+；触觉那一列打勾的七行里，没有一行同时提供集内的结构化监督。 论文要填的正是这两个格子的交集：把触觉 UMI 从 10⁴ 推到 10⁶，同时第一次补上三层结构化监督。这个定位不是做“又一个触觉数据集”，而是回答“触觉数据能不能像视觉数据那样规模化”。

图 1｜手持式触觉采集接口在家庭、实验室、工厂、零售与户外场景中分布式采集同步的视觉、触觉与动作数据，最终支撑跨三种异构机器人的零机器人演示迁移。

TacClaw：把机器人从采集回路里拿掉的接口

TacClaw 是一台触觉增强的 UMI 风格手持接口（图 1）。它集成腕部相机、双目相机、惯性测量单元、夹爪编码器和一颗 DM-Tac X 视触觉传感器，后者以最高 120 Hz 采集接触区域的三轴触觉信号。每台设备记录一路单目腕部 RGB、三路共配准的指尖触觉模态——形变、剪切、深度——以及自身末端轨迹，全部同步在 30 Hz。双臂 episode 由两台设备加一路自我中心视角组成，并配一段 episode 级语言描述。

位姿估计走双目模块加硬件同步 IMU 的视觉惯性里程计。这里有个我觉得很聪明的细节：为了把两台手持设备和自我中心相机统一到公共坐标系，每台 TacClaw 的背面都贴了一个基准标记，采集时能被自我中心相机看到；同时观测到两个标记，就能把三套局部坐标系配准到同一参考系。这不仅提高相对位姿精度，更是跨视角标注能够成立的前提——空间标注要往每个视角投影同一个三维锚点，坐标系对不齐就无从谈起。

真正让我多读一遍的，是它对夹爪机械结构的那段论证。作者先立一个物理假设：夹爪的传动方式决定了多少接触力真正传到操作员手上。UMI 的触发式机构会让手指偏离捏合点，滑环式指环也有类似偏置；而操作员靠手感调节施力，这种衰减直接限制了“一条演示能被做得多轻”。TacClaw 让手指通过一条短而刚性的路径直接作用在夹爪上，中间不经过机构。

我认为这段话的价值不在于结论，而在于它把一个产品级选择变成了可被实验证伪的命题。先立假设、再设计对照、最后用统计检验收口，这个顺序在数据集类论文里并不常见。

分布式采集：200 台设备怎么铺到 50 多个场地

有了“不需要机器人”这个前提，采集的物理边界就被打开了：200 台 TacClaw 被部署到 20 多家机构、50 多个物理场地，覆盖家庭、实验室、工业现场、零售店和户外。任务来源分两条腿：一条是共享任务目录，保证常见技能有足够重复演示；另一条是采集者与合作方按自己的兴趣自定义，贡献出一条长尾。

这个分工我很认可：目录式采集保证分布主体可控、可复现；开放式采集则把“场景与物体的多样性”外包给了几十个不同背景的团队。两个例子能说明两条腿各自长什么样：pick-cup 这一个任务由 192 位采集者、在 8 个机构的 9 种场景设置下实例化；place-block 则横跨 56 台设备、6 个场景，积木本身覆盖 9 种颜色、3 种材料、5 种形状，再加 11 种空间关系和 11 种行为模式。

不过“分布式更好”只作为直觉讲出来没有说服力，所以论文做了一次预算对齐的对照：把分析限制在“采集者自选任务”的开放式录制上，以隔离站点覆盖与任务协议两个因素；然后在 25 到 300 小时的不同预算下随机无放回地抽取总时长匹配预算的 episodes，分别从全部站点（多站点）与单一站点（单站点）抽取，统计覆盖到的不同“动作–物体对”数量，重复 2,000 次估计置信区间。

结果在 300 小时预算下，多站点采集比单站点多覆盖 201 个动作–物体对，95% 置信区间为 [60, 335]。区间下界离零很远，说明结论是稳的；而作者选择报告区间而不是点估计，也让这个论断带上了不确定度。换成我自己的理解：分布式采集买的不是更多数据，而是更宽的组合空间。

图 2｜接触锚定的结构化标注：触觉接触与释放事件切分出操作阶段，指间接触点作为空间锚点投影到每个相机视角，从而在无需语义识别的前提下定位被操作物体。

从原始流到可训练数据：管线里的四件事

几十个团队、上百台设备采回来的东西质量一定不齐：轨迹参差、传感可靠性不一，很多示范对目标机器人来说根本执行不了。论文因此把流程切成两段——轨迹整理与数据标注。

轨迹整理的核心是本体感知的可行性过滤。作者搭了一套统一的跨平台动作空间评估框架，覆盖三台目标机器人：Tianji Marvin M6S Lite、DM-Sparky One 和 RealMan RM75-b，做法是先把示范的 TCP 位姿变换到各目标机器人基座系，再做两项评估。

• 可达性：对每个目标位姿解逆运动学得到关节配置，再用正运动学重构位姿。只有位置重构误差小于 5 mm 且旋转重构误差小于 3° 时，这一帧才算可达；双臂轨迹要求两条手臂同时满足。

• 可操作性：对每个可达配置，用加权几何雅可比的各向同性指标衡量局部笛卡尔运动能力，其中旋转分量按 0.30 m·rad⁻¹ 缩放。基于对所有评估机器人的扰动实验，作者取 0.04 作为低可操作性阈值，并把低于阈值的帧占比定义为低可操作率。

这两项指标会直接接到训练流程上：被判不可达或低可操作的轨迹会被过滤掉。这里最值得学的是过滤发生在目标本体的动作空间里，而不是笛卡尔空间里——一条在笛卡尔空间里看起来平滑的轨迹，落到具体机器人身上完全可能要求它拧到接近奇异的姿态，只做几何检查滤不掉这类样本。

标注这一段从触觉信号里榨出三套监督。第一套是接触感知的时间分段：把每条示范划成自由运动、接触起始、接触中操作、释放四个阶段——把每条手臂的两个指尖深度图整理成一个8 维描述子，连同双视角视觉特征和本体状态送进基于 ASFormer 的时序模型逐帧预测阶段；模型还会预测边界分数以抑制弱转换、合并过短片段，最后用 Qwen3-VL-Plus 为每个片段生成一句子任务描述。

第二套是空间标注，我认为这是全文最漂亮的一处设计（图 2）。难点在于：标出被操作物体通常得靠语义识别，而语义识别在几十个场地、上千种物体上必然出错。论文绕开了它——利用触觉提供的物理先验：接触发生的那一瞬间，夹在指尖之间的那个物体就是操作目标，不需要任何语义判断。具体做法是，URDF 定义的指间接触点给出一个三维锚点，投影到每个同步视角就能在每个相机里定位同一个目标；再用这个锚点、一个固定物理尺度的局部框和一个视觉语言模型生成的物体名词去提示 SAM3，同时把渲染出的 TacClaw 剪影当作负区域排除。得到的掩码再向前传播到此前相关的接触事件，形成时间一致的目标标注。

这个链条里最关键的洞察是“锚点是一个空间中的单点，所以它能投影进每一台相机”。正因为锚点是物理量而不是语义量，每个视角才能从同一物理先验出发各自独立分割，而不需要跨视角的语义一致性假设。第三套语义监督即片段级描述；三层标注合起来，原始多模态流才真正变成结构化监督。

图 3｜数据集统计：动作与物体类别的层次分布、多站点与单站点在同等采集时长下的动作–物体对覆盖对比，以及按物体类别着色的触觉特征 t-SNE。

规模账本：10,000 小时、100 万 episodes、10 亿帧

数据集包含超过 10,000 小时、100 万 episodes、10 亿帧，跨 1,000 种以上任务类型。每条 episode 提供同步的视觉观测、指尖触觉信号、末端轨迹与语言描述，并附带时间、语义、空间三层标注；语料同时包含单手与双臂操作（图 3）。

比总量更值得看的是分布形状。除了抓取和放置，数据集还包含插入、对齐、调整、擦拭、冲洗、塞入这类接触密集操作，其中相当一部分落在动作词表的长尾里。这个形态很关键：如果 100 万条 episode 全集中在“抓起来、放下去”上，规模再大也补不上接触密集操作那一块。

数据集同时覆盖单手与双臂。双臂这一支尤其重要，因为双臂任务通常更长、接触更复杂——place-block 内部就展开了 11 种空间关系和 11 种行为模式。

触觉信号的多样性用一张 t-SNE 图呈现：按物体类别着色的触觉特征显示出明显的类内差异和部分的类间分离。作者的解读很克制——它反映的是不同物体与行为诱导出的接触状态的多样性，而不是声称“触觉特征能直接分类物体”；而对一个需要从触觉判断是否打滑的策略来说，这种丰富性才真正有用。

合起来看，这份数据的形状是：规模在 10⁶ 量级，多样性来自 50 多个真实场地，难度集中在接触密集动作的长尾上，每一帧又同时带着三层监督。这才是它相对表 1 里那些触觉 UMI 工作真正的差别——不是多了两个数量级，而是多了两个数量级之后仍然带着标签。

图 4｜触觉阈值被试实验（n=9）：蒙眼被试闭合夹爪至首次感知接触即喊停，TacClaw 的首次感知接触力为 11.6 gf，显著低于 UMI 的 49.8 gf 与指环式的 204.0 gf。

数据层面的第一次校验：11.6 gf 是怎么测出来的

数据集论文最容易被跳过的一步是“验证采集接口本身”，而这篇做得相当硬（图 4）。作者要检验的正是第二节那个假设：直驱机构是否真的让人感觉到更轻的接触。

实验设计是被试实验：九名被试（平均年龄 25.6 岁，范围 20 到 33 岁）蒙住眼睛，把夹爪钳口夹在测力计探头上缓慢闭合，在第一次感觉到接触的瞬间喊“停”，此刻测力计读数就是该接口的感知阈值。每人每个接口先做两次练习、再做八次记录，三个接口的呈现顺序对每个人随机化。对照的三个接口是 TacClaw、原始 UMI 夹爪，以及一个结构上与滑轨指环式设计相似的夹爪。

结果是 TacClaw 11.6 ± 3.3 gf，UMI 49.8 ± 12.0 gf，指环式夹爪 204.0 ± 58.2 gf。三个数字摆在一起，量级差异非常清楚：TacClaw 比 UMI 低四倍多，比指环式低将近二十倍。统计上，九名被试全部在 TacClaw 上取得最低阈值（Friedman 检验 p < 0.001；成对 Wilcoxon 检验经 Holm 校正后 p = 0.012）；指环式同时是三者中最不一致的，作者推测与滑轨里的静摩擦有关。

我最认可这个实验的地方，是它把“设计得好”翻译成了一个可测的物理量。数据集类工作里，硬件描述常常停在“我们集成了一个高精度触觉传感器”这种层面，读的人无法判断它到底能不能采到有用的东西。“第一次感觉到接触时的力”既直观，又直接对应下游数据的可用性：阈值越低，采集者越能在更轻的接触下调节施力，采到的物理交互谱就越宽。三个接口里只有直驱把接触无中介地传到手上，而它给出了最低阈值——假设、对照、统计检验三者闭合，这条链我挑不出毛病。

数据层面的第二次校验：跨三种机器人的动作空间兼容性

第二项校验回答的是“人手采的数据，机器人能不能执行”。作者在三个异构本体上报告了可达性与可操作性统计（表 2）。

本体	左 / 右臂可达率	双臂可达率	低可操作率 L/R
Tianji	99.20 / 98.02	97.23	2.58 / 3.16
DM-Sparky（全身）	100.0 / 100.0	100.0	0.0 / 0.0
RealMan	97.38 / 96.79	95.15	4.31 / 4.35

这张表有两个读法。第一，双臂可达率在 95.15% 到 100% 之间，说明绝大多数演示对三台机器人都落在工作空间内；DM-Sparky 因为支持全身控制做到了百分之百。第二，低可操作率全部低于 5%，说明即便位姿可达，绝大多数也远离条件很差或接近奇异的构型。

这两个数字合起来才是完整的论证。单看可达率只能说明“够得着”；而够得着却必须用别扭构型去够，对策略学习同样有害——那种构型下微小的关节误差会被放大成很大的末端偏差。论文用雅可比各向同性把这一层单独挑出来报告，并把过滤接到了训练流程上，这个闭环是我在实际项目里最希望看到的做法。

还有一点值得记下来：阈值 0.04 不是拍脑袋定的，而是来自对所有评估机器人的扰动实验。也就是说，“多低算低”是在目标硬件上量出来的，而不是从别的论文里抄来的；这在跨本体场景里尤其重要，因为不同机器人在奇异位形附近的行为差别很大。

图 5｜三个双臂长程任务的真实执行序列：叠杯考察常规抓放与长程协同，分瓶要求从静态触觉推断物体状态，擦瓶涉及持续且动态变化的表面接触。

模型层面的校验：不含机器人演示的零机器人迁移

数据层面的校验只能说明数据“能用”，要说明数据“有用”必须在策略上验证（图 5）。实验设定是：完全不采集目标机器人自己的演示，只用 TacClaw 采到的人类示范训练策略，再直接部署到三个异构本体上——Tianji Marvin M6S Lite、RealMan RM75-b 和 DM-Sparky One。策略族选了 π0.5 与 StarVLA 两种代表性架构，以检验数据能否泛化到不同 VLA 架构，而不是只对某一种设计有效。

任务是三个双臂长程操作，接触依赖程度依次上升：叠杯考察常规抓放与长程协同；分瓶要求从相对静态的触觉观测推断物体状态；擦瓶涉及持续动态变化的表面接触，要求全程有连续触觉反馈。训练侧，π0.5 用 8 张 A100、StarVLA 用 4 张 A100，总批大小固定为 64；所有任务训练五个 epoch，在第三、四、五轮检查点中按同一套模型选择协议取最好的报告；每个任务用 1,600 条训练 episode、做 50 次评测。

这里有个细节我认为是全文最重要的一处控制变量：触觉观测只通过与视觉相同的、最朴素的图像输入形式接入，没有专门的触觉架构，也没有专门的控制器。 这一点把“性能提升来自信息量”和“来自结构设计”两条解释直接分开了。

策略	本体	叠杯·分瓶·擦瓶	平均
π0.5	Tianji	90·44·28	54.0
π0.5	RealMan	86·42·16	48.0
π0.5	DM-Sparky	82·44·18	48.0
π0.5 + 触觉	Tianji	94·96·54	81.3
π0.5 + 触觉	RealMan	80·76·38	64.7
π0.5 + 触觉	DM-Sparky	100·92·36	76.0
StarVLA	Tianji	78·46·12	45.3
StarVLA	RealMan	78·38·8	41.3
StarVLA	DM-Sparky	80·54·20	51.3
StarVLA + 触觉	Tianji	70·94·60	74.7
StarVLA + 触觉	RealMan	76·84·58	72.7
StarVLA + 触觉	DM-Sparky	84·90·38	70.7

上表把论文表 IV 的十二行原样重排：加上触觉后三个本体的平均成功率，π0.5 从 54.0 / 48.0 / 48.0 变成 81.3 / 64.7 / 76.0，三本体平均从 50.0% 升到 74.0%；StarVLA 从 45.3 / 41.3 / 51.3 变成 74.7 / 72.7 / 70.7，三本体平均从 46.0% 升到 72.7%。但真正有信息量的是增益的分布——按任务拆开，增益高度集中在两个接触依赖任务上：分瓶任务上 π0.5 与 StarVLA 分别提升 44.7 和 43.3 个百分点，擦瓶任务上分别提升 22.0 和 38.7 个百分点，几何主导的叠杯提升有限。这一点在逐本体数字里更明显：分瓶上 π0.5 从 44 / 42 / 44 变成 96 / 76 / 92，擦瓶从 28 / 16 / 18 变成 54 / 38 / 36。

论文的结论是：TacClaw 的触觉信号足以在不同策略族、不同本体上改善接触状态判别与持续接触调节。我认为这个说法站得住——有控制变量、有跨架构复现、有跨本体复现，而且增益落点与任务对触觉的依赖程度完全一致：增益出现在该出现的地方，这比平均分的提升本身更能说明问题。

我认为最有价值的发现

如果只让我从这篇论文里带走一个判断，我会带走这个：触觉在跨本体迁移里提供的，主要是“接触状态的可判别性”，而不是“更精确的几何”。

支撑它的是一条完整证据链。叠杯几乎不需要触觉——加触觉后三个本体是 94 / 80 / 100，对照无触觉的 90 / 86 / 82，互有高低，没有系统性提升。分瓶要从抓握时的触觉判断瓶子状态，从 44 / 42 / 44 跳到 96 / 76 / 92。擦瓶要全程维持稳定接触力，从 28 / 16 / 18 变成 54 / 38 / 36。任务越依赖接触状态，触觉的边际贡献越大，三个任务的排序完全吻合。

第二件我认为很有价值的，是同一个物理量同时服务了两个目的：触觉信号在这里既是策略输入，又是标注锚点——接触事件用来切分时间阶段，指间接触点用来定位被操作物体。也就是说，触觉不只是“多一路观测”，它还免费提供了一套跨任务、跨遮挡都不失效的监督种子。这在标注实验里有量化印证：把触觉描述子加进分割模型后，F1@25 从 57.6 提到 63.9（+6.3），直接决定标注边界质量的接触起始与释放指标 C-F1@25 从 47.7 提到 54.3（+6.6），接触起始召回率从 58.6% 升到 68.0%。换句话说，触觉不仅让策略干得更好，还让标签变得更准——这是全文最容易被忽略、复用价值最高的结论。

第三件是那个“朴素接入”的对照。触觉只以与视觉相同的图像输入形式进入策略，没有任何专用结构，就拿到三本体平均 24 个百分点的提升。它给工程实践的直接启示是：在做复杂的触觉编码器之前，先证明你的触觉数据本身携带了足够的信息量——朴素接入就能涨，瓶颈在数据；涨不动，才轮到结构设计上场。这个先后顺序，很多团队是反着做的。

适用边界与作者自己指出的开放问题

论文对自己薄弱环节的交代相当坦诚，我整理成几条边界。

第一，空间标注报告的是覆盖率，不是精确度。协议化录制中 98.5% 的标注窗口内帧带上了物体掩码；但作者明确写了，覆盖率只能说明掩码被生产出来了，不代表它准确，掩码质量受 SAM3 跟踪能力的上限约束，精度的基准测试与下游消融都留给未来工作。这个声明很诚实——它没有把 98.5% 包装成质量指标。

第二，语义标注只做了抽样复核。作者随机抽取 5% 的 VLM 生成描述人工复核动作与物体识别是否正确，约 83% 通过；含失败样本的任务退回人工重标。作者同时说明，因为复核是抽样的，其他描述里可能仍有错误。换成工程视角：约六分之一的自动描述需要修正，这个比例在当作监督信号使用时必须计入。

第三，时间分割仍有系统性的残留错误，且集中在释放阶段——触觉响应逐渐衰减，释放容易被与自由运动混淆。作者把这个现象直接写了出来，而不是只报告总分。

第四，动作空间过滤建立在三台具体机器人的运动学上，阈值来自针对这些本体的扰动实验。三个本体的低可操作率虽都低于 5%，但 RealMan 的 4.31% / 4.35% 明显高于 Tianji 与 DM-Sparky，说明不同本体的余量并不一样。

第五，也是我自己读出来的一条：当数据规模跨过 10⁶ episodes 这道门槛之后，瓶颈就从“采集能力”转移到“标注精度与评测协议”上。 这篇论文恰好示范了这个转移：采集端成本被压到近乎为零之后，最尖锐的问题立刻变成掩码准不准、描述对不对——而这两件事都被作者标成了未来工作。我认为这不是缺陷，而是这个方向接下来真正的前沿。

我读完之后的几点提炼

把这篇论文的做法翻译成可以直接用的经验，我留下四条。

第一，采集接口要按“人能不能感觉到”来设计，而不是按“能不能录到”来设计。 TacClaw 最有说服力的一处不是它集成了多少传感器，而是它为了把首次感知接触力从 49.8 gf 压到 11.6 gf 专门改了力传递路径，并用被试实验去验证。如果采集端的人感觉不到轻接触，就永远采不到轻接触的任务——这个上限由硬件决定，后处理补不回来。

第二，用物理事件当标注锚点，比用语义模型切分更省、更稳。 接触与释放是物理量，不依赖语义识别，所以在几十个场地、上千种物体上都不会失效；而单个三维接触点能投影进每一台相机，让每个视角从同一物理先验出发各自分割。这套思路可以直接搬到任何带力、触觉或电流反馈的采集链路上。

第三，跨本体的可行性过滤要放在目标本体的动作空间里做。 只做笛卡尔空间的几何检查，滤不掉“够得着但构型很别扭”的样本；而这类样本对策略学习的污染，往往比完全够不着的样本更隐蔽。把逆运动学重构误差和雅可比各向同性一起用起来，并把过滤接到训练流程上，才算闭环。

第四，先证明信息量，再谈结构设计。 这篇论文的触觉只用了与视觉相同的图像输入形式，就拿到三本体平均 24 个百分点的提升。在投入做专用触觉编码器、触觉世界模型之前，先用最朴素的接入方式测一遍数据本身的天花板——如果朴素接入就能涨，瓶颈在数据；涨不动，才轮到结构。

结语

这篇论文真正完成的事情，是把触觉数据的规模化问题从“等更好的硬件”改写成了“设计一个不需要机器人的采集流程”：把机器人从采集回路里拿掉，把接口做到人能感觉到 11.6 gf 的接触，再把 200 台设备铺到 50 多个真实场地，最终换来 10,000+ 小时、100 万 episodes、10 亿帧、1,000+ 任务类型的三层结构化数据，以及一次不含任何机器人自带演示的跨三本体迁移。它最有价值的地方，是同时证明了规模可以做到，以及做到规模之后每一帧仍然带着可用的监督。