机器人拥有“触觉想象力”？UniTac如何让VLA在未接触前预测物理反馈
在具身智能的快速演进中，机器人正在经历从“视觉主导”向“多模态深度融合”的关键跨越。过去几年，随着视觉-语言-动作模型（VLA）的崛起，机器人已经能够出色地处理轮廓清晰、位置明确的结构化任务。然而，当任务场景切换到柔性物体、易损物品或需要精密力控的密集接触场景时，传统的视觉主导策略往往显得力不从心。无论是轻柔地捏起一颗葡萄而不致其破裂，还是稳稳握住一只易变形的纸杯，单纯依靠视觉往往难以捕捉接触瞬间的物理细微变化。这正是当前具身智能面临的核心瓶颈：缺乏对接触过程的预判与理解。
近期，优理奇机器人（UniX AI）联合浙江大学、麻省理工学院、牛津大学、耶鲁大学及上海交通大学等顶尖机构，发布了最新科研成果UniTac。这项被ECCV 2026接收的工作，提出了一套统一的跨传感器触觉理解与生成架构，并创新性地将该能力接入VLA。UniTac的核心突破在于赋予了机器人一种“未触先感”的能力——即在物理接触发生之前，机器人能够基于视觉信息预测接触后的触觉反馈，从而规划出更安全的操作策略。这一进展标志着机器人触觉感知从“事后反馈”向“事前预测”的根本性转变。
触觉缺失：VLA在物理Grounding中的最后一块拼图
要理解UniTac的价值，首先需厘清具身智能中“Grounding”（锚定/接地）的层次。第一层是VLM（视觉-语言模型），它解决了“这是什么”的问题，将抽象语言概念映射到现实视觉信号；第二层是VLA，它解决了“怎么做”的问题，将视觉语义和语言指令转化为具体的动作轨迹。然而，当动作真正执行并作用于物理世界时，第三层Grounding至关重要，即“如何接触”。
对于人类而言，抓取一条毛巾或一只杯子，大脑会瞬间结合视觉信息与过往的触觉经验，预判接触的硬度、摩擦力和潜在形变。但对于机器人，如果仅依赖视觉标签进行轨迹规划，往往会导致操作失败。例如，在未引入触觉预测机制的情况下，VLA可能会识别出多个外观相似的物体，但无法区分它们材质的差异，从而对易碎品施加过大的抓取力，或对高摩擦力物体使用错误的接触角度。这种对接触过程物理特性的无知，使得机器人在面对非刚性物体时极易失败。
UniTac的引入，正是为了填补这一空白。它不取代接触后的实时触觉反馈，而是作为一种先验知识，在“第一下手”之前就向VLA提供潜在的触觉状态预测。这种前馈机制极大地提升了首次接触的安全性，使机器人能够像人类一样，在接触前就“想象”出物体的物理属性，进而调整力控策略。
跨传感器统一：破解触觉数据异构难题
触觉感知的数据处理远比视觉复杂。虽然GelSight、DIGIT、Duragel等视觉式触觉传感器输出的也是类RGB图像，但其成像机理截然不同。这类传感器通常通过相机记录弹性凝胶受压后的形变，因此图像中混杂了两类信息：一是来自物体的物理属性（如硬度、粗糙度、纹理）；二是来自传感器本身的配置（如光照、凝胶状态、Marker布局、相机参数）。
这种异构性导致了长期的数据孤岛问题。同一个物体，在不同传感器下产生的数据差异巨大，传统模型难以区分变化源于物体还是传感器。此外，现有触觉数据集往往局限于单一传感器或小规模样本，缺乏统一的标准框架。UniTac创造性地提出了一种多模态统一框架，将触觉表征解耦为“物体物理属性”和“传感器配置”两个独立维度。
在理解端，UniTac通过双任务训练迫使模型学会分离这两类信息：一方面学习描述物体的硬度、粗糙度等属性，另一方面识别信号来源的传感器类型。这种设计不仅提升了模型对物理属性的敏感度，还增强了其跨设备泛化能力。实验显示，UniTac-7B在PHYSICLEAR-Test基准上取得了66.51分的优异成绩，远超Octopi等基线模型，尤其在属性-物体匹配任务中，其64.61分的成绩证明了其不仅能识别物理特征，还能准确关联到具体物体类型。
在生成端，UniTac采用了独特的训练策略。不同于普通生成模型依赖无条件分支，UniTac认为触觉信号不存在真正的“无条件”状态，任何触觉数据必然关联特定传感器。因此，模型先给定目标传感器在无接触状态下的基准数据，再在此基础上生成由物体属性引起的触觉变化。这一创新使得UniTac在跨传感器生成任务中表现卓越，在Digit、GelSight、GelSight Mini和Duragel四种主流传感器上，其平均SSIM达到0.836，PSNR达到19.93，均刷新了行业纪录。
从理解到生成：UniTac如何赋能VLA决策
UniTac的架构优势不仅在于数据处理的统一，更在于其作为基础模块与上层决策模型（VLA）的无缝衔接。通过Sensor-Aware DiT Projector，UniTac将多模态大语言模型（MLLM）的语义输出对齐到触觉潜在空间，并注入对应的传感器Token。这意味着，VLA在接收视觉指令后，不仅能生成动作轨迹，还能通过UniTac预测该动作执行后可能产生的触觉反馈。
这种机制在实战中带来了显著的性能提升。以抓取毛巾为例，在未接入UniTac时，VLA可能因无法区分毛巾的层叠结构或柔软程度而失败。而接入UniTac后，机器人能够基于视觉输入，利用UniTac预测毛巾的质感与接触形变，从而规划出单层层抓取的精细动作。这种“想象-验证”的闭环，使得机器人能够在接触前就预判物理后果，避免了因策略不当导致的物体损坏或抓取失效。
从技术演进路线来看，优理奇机器人围绕触觉构建的技术栈已初具规模。从早期采集真实世界视触觉数据的Touch and Go项目，到统一多传感器表征的UniTouch，再到将视觉与触觉对齐到三维空间的TaRF，团队始终致力于解决机器人从“看见”到“理解接触”的跨越。UniTac作为这一路线的最新结晶，将触觉理解、生成与跨传感器迁移纳入统一架构，并将其作为基础能力直接赋能VLA，体现了其场景驱动的技术哲学。
行业展望：触觉基础模型的未来路径
UniTac的发布，标志着具身智能正进入“触觉基础模型”的新阶段。随着视觉、触觉、力觉与动作模型的进一步融合，机器人将在更广泛的非结构化场景中展现更高的鲁性。特别是在家庭护理、精细装配、服务操作和康养陪护等领域，机器人需要处理大量柔软、易碎或形状不规则的物体，触觉预测能力将成为其安全作业的关键。
此外，UniTac的跨传感器泛化能力也为行业降低了部署成本。通过统一的触觉表征，模型可以适应不同硬件配置，无需为每种传感器单独训练模型，这加速了触觉策略从仿真到真机的迁移进程。正如NVIDIA推出的TacSL等视觉触觉仿真工具所探索的方向，未来的具身智能将更依赖于这种高保真的多模态感知与预测能力。
总的来说，UniTac不仅是一项算法创新，更是具身智能感知范式的一次重要升级。它通过赋予机器人“触觉想象力”，让机器人在与物理世界交互时，从被动接收反馈转向主动预测后果。这一转变，对于实现更安全、更灵活、更通用的机器人操作具有里程碑式的意义。随着该技术的进一步成熟与落地，我们有望看到更多具备精细操作能力的机器人进入日常生活，真正弥合数字智能与物理世界之间的鸿沟。