作者丨向欣
编辑丨岑峰
01
3 分钟组装、本科生可用
02
核心优势：可扩展、柔性、一致性
03
优异的仿真适配能力
04
业界
FlexiTac压阻式传感器可兼顾柔性、低成本与一致性。
机器人的视觉能力正快速增强，但触觉仍然是具身智能系统中的薄弱环节。尤其是在精细操作场景中，当物体被遮挡、透明、易碎，或需要精确判断接触力与手内姿态时，仅靠视觉往往难以确认机器人是否真正抓稳了物体、是否发生了滑移，也难以实现可靠的力控与顺从交互。 与图像领域已经形成相对统一的传感器和数据体系相比，触觉研究尚未形成类似的「收敛」。不同实验室往往使用不同类型的触觉传感器，但它们都面临寿命、柔性、多维信息感知、分辨率、成本与一致性难以同时兼顾的困境。这使得触觉数据采集、算法研究以及不同系统之间的复现都变得更加困难。 如何让触觉像视觉一样，成为一种可以被更多机器人使用、被大量采集、被算法反复利用的基础感知能力？ 针对这个问题，哥伦比亚大学李昀烛团队提出了开源柔性压阻式触觉传感器平台 FlexiTac。在本届 IROS 2026 的触觉专题研讨会上，李昀烛系统介绍了这一平台开源一年半后的进展与生态。 FlexiTac 是一套低成本、开源、可扩展的压阻式柔性触觉传感器，团队同时开源了完整 BOM、详细组装说明以及用于读取触觉数据的软件。 FlexiTac 采用 FPC 与力敏薄膜层叠结构，组装仅需 3 分钟，可弯曲、裁剪并包裹于不同几何表面，适配手套、指尖或机器人皮肤等多种形态。 其核心优势在于成本低、制作简单、高度柔性与可扩展、以及较好的长期稳定性和批次一致性，感知机制也足够简单，易于用弹簧-阻尼系统实现高保真仿真。 其技术栈可集成进主流的机器人学习框架中，门槛低到拥有即使是本科生，只要拥有一台可打印 SO-100 机械臂的 3D 打印机，也能轻松把触觉传感器装上机器人。 李昀烛提到，开源约一年半以来，FlexiTac 已在学术界与工业界获得广泛采用，衍生出多模态策略、可变形世界模型、四足移动-操纵、VLA 触觉反馈等多方向工作，他们与普渡大学合作的多指灵巧操纵工作 VTAP Gripper 还入围了本次 IROS 最佳论文奖。Analog Devices（ADI）正在推进其商业化版本，该版本触觉分辨率达到人类手指的五倍，基于半导体制造工艺量产。 以下为李昀烛在 IROS 2026 演讲的精编稿，AI科技评论基于原英文内容进行了不改原意的翻译编辑： 
为了让传感器易于生产、成本低廉，我们最新的版本制造成本其实已经非常低，具体多低，取决于你同一批次生产多少片。 准备好所有物料后，你只需要花 3 分钟就可以把传感器装配完成，传感器随即就能投入工作。 我们这套方案是完全开源的：完整的物料清单，还有非常详尽的分步装配说明，同时也配套了可以读取、传输传感数据的对应软件。 除了传感器和配套软件本身，我们也还把这套软硬件技术栈集成到非常流行的机器人学习框架 LeRobot 里。 这样一来，任何人，哪怕只是本科生，只要手头有能够打印出低成本 SO-100 机械臂的 3D 打印机、都可以轻松地把我们的触觉传感器集成进去，然后开展相关研究，探索触觉感知如何帮助机器人理解手内物体状态，完成复杂操作任务。 在我们开源这套传感器大约一年半之后，我们欣喜地看到，这项技术已经在学术界与工业界得到广泛应用。 更让我们振奋的是，大家正在沿着不同方向继续推进、拓展整个生态：如何制造更好、能力更强的硬件；如何基于我们的触觉传感器构建更好的感知、学习和推理系统；以及如何设计真正包含触觉的大规模数据采集流程。 
我们也在与亚德诺半导体（Analog Devices，ADI）展开合作，由他们开发这款传感器的商业化版本。 他们已经在多场会议上演示了商业化样机，其中就包括 GTC 大会，演示内容是一些很有代表性的机器人操作任务。 大家可以访问我们的项目网站，查阅硬件、软件方向的各类学术与产业应用成果。 
但话说回来，我们这款传感器只是众多触觉传感方案的其中一种方案。 触觉领域常常被诟病的一个问题是，整个领域至今未形成统一标准。和发展成熟的计算机视觉不一样，不同实验室往往采用完全自研、互不兼容的触觉传感器。 
所以，我们的传感器有几个比较重要的优势。 第一是可扩展性。它既可以做成大面积，也可以做成小尺寸。 第二是柔性。它就像一张纸，可以弯折、裁剪，还可以包覆在各种异形曲面结构上。 第三是高度可定制化。我们内部已经完成原型验证，可以把传感器定制成触觉手套、指尖传感器、机器人皮肤等多种形态。 另一项优势是一致性和鲁棒性，可以从两个维度来看。 第一个维度是时间维度：信号会不会随时间发生漂移，即长期的稳定性。 这里举一个实例：我的学生 Binghao 主导了很多相关工作，他 2024 年夏天在实习期间，为录制视频制作了四块传感器。 时隔一年半之后，直接使用这套传感器，用一年前采集的数据训练出来的模型依然可以正常工作。 第二个维度是不同批次制备之间的一致性：不同批次加工出来的传感器，输出信号能否保持一致。 这是很多触觉传感器的痛点，尤其是结构中包含橡胶材料的传感器；而我们这款传感器在这一点上表现出不错的一致性。 我们也正和亚德诺半导体合作，探索如何规模化生产这类传感器。 
我们触觉传感器的另一个关键优势是仿真适配性。 我们可以很方便地把这款触觉传感器接入仿真环境，借助仿真做规模化算法迭代。 下面我要介绍的后续工作正是基于这一点。因为传感机制简单，仿真实现只需要构建一个简单的弹簧‑阻尼系统，只需要标定 3 个超参数。 
左边是真实物理交互场景，后方屏幕可以看到触觉信号的实时可视化；右边是仿真环境，运行完全相同的策略，执行相同任务。 不仅状态演化过程高度吻合，仿真端屏幕输出的触觉信号也和真实信号匹配度很高。 当然，你可能会说，这只是定性结果。那么定量结果表现如何？ 我们的做法是，先在真实环境中采集一批随机交互数据，然后把真实环境里的交互动作在仿真环境中复现回放。 然后，我们分别收集真实环境和仿真环境得到的全部触觉数据，并绘制成直方图。 标定工作的核心目标就是对齐这两组直方图，而二者实际对齐效果非常理想。 
这和计算机视觉里白平衡校准是相通的思路。 这里我想特别强调一点：仿真与真实对齐得越精确，你在仿真中需要做的随机化就越少，sim-to-real 的迁移也会越精准。 所以，在仿真环境中，我们可以进行大规模随机化，然后把训练出来的策略迁移回真实环境。 
同样的框架也可以应用到不同本体的机器人上。我们在实验室的双臂装配任务中进行了验证，也在英伟达的人形机器人上使用了同样的 sim-to-real 迁移框架，让机器人完成类似的任务。 
给 UMI 补上缺失的触觉
接下来，我想讲的是如何实现真实世界数据的规模化采集。 很多人应该都熟悉 UMI 这套手持遥操作设备，它被用于野外场景的数据采集。 用过 UMI 夹持器的人应该会注意到：设备内部的机械弹簧会给人类操作者提供触觉反馈，但原版 UMI 的设计只会记录精准的位姿跟踪信息，并不会存储这套触觉反馈。 接入我们的触觉传感器恰好补上了这一短板。它可以间接把人类操作者感受到的触觉...
让触觉像视觉一样可规模化，哥大李昀烛团队 FlexiTac 的开源实践 | IROS 2026
雷峰网0 次浏览
