WRC 2026 观察 | 触觉元年之后，机器人真正要学会的是什么？

WRC 2026 观察 | 触觉元年之后，机器人真正要学会的是什么？

星河频率

逛了一圈今年的世界机器人大会，发现了一个很有意思的变化。

触觉开始从展馆里那个不太容易被看见的零部件，走到了越来越显眼的位置。

现场被触觉展位吸引的人不少，像夹爪捏豆腐、灵巧手把脉，这类演示总能围上一圈人。

触觉感知指套和手套的体验区前更是排起长队，参观者轮流戴上指套抓取物体、旋转瓶盖，屏幕上的触觉数据实时跳动。

过去聊人形机器人，大家更在意它能不能走、能不能跑、动作漂不漂亮。

现在，越来越多的注意力转向另一个问题：机器人碰到东西之后，到底知不知道碰到了什么？

放在两年前，这事还很难想象。

时间进入 2026 年，触觉感知已经成为具身智能产业链里增长最快的细分方向之一。

行业预计，今年国内人形机器人专用触觉传感器市场规模将超过 3.2 亿美元，同比增长超过 160%；灵巧手的触觉渗透率也从一年前的 20%左右快速提升到 60%以上

不仅灵巧手和触觉传感器绑得越来越紧，数据采集设备也开始主动把触觉纳入进来。

2026 年是具身触觉元年的说法，因此渐渐流行。

可如果把时间线拉长，触觉其实一点都不新。

机器人触觉研究已持续了几十年，电容式、压阻式、磁性传感、视触觉等路线早就存在。

真正变了的，是机器人终于从看懂世界走到了动手改变世界的阶段。

过去，视觉可以告诉机器人那里有一个杯子；但当任务变成把杯子拿起来、插头插进接口、拧紧一颗螺丝，事情就复杂了。

视觉看到的是物体，触觉感受到的却是物理世界对动作的反馈，杯子滑不滑，插头对没对准，手指是不是用力过猛，物体表面是硬是软，机器人到底有没有真正接触到目标。

这些问题，光靠视觉很难全部解决。

所以，所谓触觉元年，并不是触觉技术一夜之间成熟了，而是机器人终于发展到了不得不认真使用触觉的阶段。

随之而来的问题是：装上触觉之后，下一步是什么？答案或许不是再多装几颗传感器，而是让机器人真正学会用触觉。

1、意料之中的触觉元年，机器人从有触觉迈向用好触觉

过去很长时间里，触觉传感器在机器人产业中都属于相对安静的零部件。

汽车、家电、消费电子等行业早有触觉应用，但在具身智能真正兴起之前，触觉对机器人究竟意味着什么，产业里并没有形成足够明确的共识。

原因不难理解。

视觉是最容易被接受的感知方式，装上一台摄像头，就能获得连续的图像数据。

触觉则完全不同，它只在机器人与物体真正接触的瞬间发生，涉及材料、结构、压力、摩擦、形变乃至机器人自身的动作状态，变量多且耦合复杂。

因此，过去行业对触觉的需求往往比较朴素：有没有？能不能测？

但人形机器人开始真正进入工厂、实验室和复杂操作场景后，问题迅速升级：测得准不准？稳不稳定？数据能不能用？

这一连串追问，折射出触觉需求的一次三级跳。

2023 年，具身智能被定义为人工智能的下一轮浪潮，触觉需求进入 1.0 阶段，核心命题是先有触觉。

彼时灵巧手开始尝试集成触觉传感器，产业链从早期的自研探索转向寻找专业供应商。

随后两年，市场需求逐步具体化，进入 2.0 阶段。

机器人不再满足于知道碰到了，而是开始要求三维力、切向力、接触位置、滑移、温度乃至接近觉等更丰富的信息。

到了 2026 年，需求进一步向数据端延伸，进入 3.0 阶段。

对具身智能而言，传感器最终交付的不再是一个孤立的数值，而是一条能接入训练系统的数据链路。

如果不同传感器采集的数据彼此不一致、换台机器人就失效、或者长期使用后出现明显漂移，那么参数再漂亮也撑不起真正的训练。

以他山科技为例，其传感器在重复测量一致性上能做到线性拟合优度 R²≥99.9%，这种对稳的极致追求，恰好卡在了这波数据驱动爆发最关键的位置。

需求升级的同时，触觉在机器人身上的物理覆盖范围也在扩展，从指尖向手掌，再向全身延伸。

最先被重视的是指尖。机器人与物体精细操作的第一现场，需要高精度的三维力、切向力和滑移感知。

接着是手掌，机器人不仅要感知指尖触点，还要理解整个手掌与物体之间的接触关系。

再往后，触觉开始走向手臂、躯干甚至腿部，任务也从精细操作扩展到接近觉、防碰撞和人机协作安全。

这实质上意味着，触觉正在从末端传感器逐渐演变为机器人的全身感知解决方案。

这一延伸过程，把问题从传感器推向了更底层。

当触觉需要覆盖更大面积、提供更高频信号、承受更严苛的功耗限制时，真正的瓶颈就不再只是传感器本身，而开始涉及芯片架构、信号处理路径和数据传输方式。

这也解释了为什么有的触觉公司选择从芯片层重新搭建整个体系。

回头来看，触觉元年的到来并非偶然，也不突然，它是机器人从看懂走向动手之后，需求自然溢出的结果。

2、具身智能的 End-game，行业需求推动触觉从零部件到基础设施

放眼当下的具身智能产业链，一个趋势越来越明显：大家都在向上下游延伸。

本体厂商开始自己做灵巧手、传感器和数据；灵巧手公司往算法和技能包走；数据公司做采集硬件和数据管线；模型公司也开始往真实场景里扎。

触觉企业同样不例外，从传感器向芯片、数据、算法和应用拓展。

这倒不是大家都突然想做全栈，而是机器人产业发展到一定阶段后的必然结果。

机器人真正难的地方，从来不是把某一个零件做到极致，而是让硬件、数据、模型和真实场景之间形成一个能不断自我反馈的系统。

传感器采集数据，数据送入模型，模型输出动作，动作在现实世界里执行，执行结果又反过来产生新的数据。

闭环一旦转起来，单个零部件的价值就会被重新定义。

他山科技在 WRC 2026 上的展示，恰好沿着这条路径展开。

从已有产品看，他们已经搭出了一条从芯片、传感器到数据采集、视触融合训练和场景应用的完整链条。

最底层是芯片。

这次展出的绿宝石 E10A，着眼点不在某个孤立的芯片参数上，而是基于芯片异步架构，实现更高的时间分辨率和更低的功耗。

触觉和视觉有个很大的不同，摄像头通常按帧获取信息，触觉却是连续发生的。

手指可能在瞬间经历接触、滑移、压力变化，如果每一个信号都按传统方式持续采集、传输和处理，感知点一多，功耗、延迟和数据吞吐量就会迅速成为瓶颈。

绿宝石 E10A 芯片用异步架构、事件驱动和端侧处理，把触觉信号直接转换成脉冲信息，目标是让机器人以更低功耗和更低延迟处理动态触觉信号。

这也是为什么一家触觉传感器公司要自己动手做芯片，当触觉从一个点扩展成一整片感知系统，芯片就不再是传感器的配套元件，而是整个感知系统的底座。

再往上是传感器。

TS-F、TS-FT、TS-EST 这几个系列背后，是触觉感知从单一维度走向多模态。

机器人需要知道的远不止受到多少压力，还包括有没有接触、从哪个方向接触、有没有滑移、温度如何，以及身体周围有没有潜在的碰撞。

而当触觉开始参与模型训练，传感器又多了一层身份，它同时成了数据生产设备。

他山科技的 TS-ECHO 触觉感知指套，就是把人类操作过程中的接触、受力和滑移等信息，和视觉、动作等其他模态同步记录下来，让触觉从机器人身上的感知器件，变成机器人训练数据的一个来源。

这里的关键在于，机器人最终需要的不是一堆孤立的触觉数值。

真正有价值的数据，必须回答什么时候碰到了什么、用了多大力、物体发生了什么变化、机器人下一步做了什么。

只有这样，触觉才能从一个感知信号变成可学习的经验。

最后，数据还得落到真实场景里。

他山科技展示的 TS-V 视触融合训练平台和光模块检测工作站，做的就是这件事。

视觉负责找到目标、定位位置，触觉负责感知接触状态和施力变化，再通过控制调整动作。从视觉定位到触觉接触，再到力控调整，整个流程是一个完整的闭环，而不是单独完成某个识别任务。

到了这一步，触觉的角色不再只是机器人身上的一个零部件，而是连接感知、计算、数据和控制的一层基础设施。

换句话来说，传感器是入口，闭环才是终点。

3、触觉元年后，下一站是触觉驱动的持续自主学习

触觉开始大面积进入机器人，并不意味着问题已经解决。

恰恰相反，真正困难的部分才刚露头。

第一个难题，是大规模部署后的一致性、功耗和成本谁来兜底。

眼下触觉传感器的技术路线仍然很分散，压阻、电容、磁性、视触觉各有各的优势。

视触觉能提供丰富的空间信息，但光学结构限制了它的铺设范围；电容、压阻这类方案更容易做成柔性阵列，适合贴合曲面。

可一旦到了全手、全身的规模，行业面对的不是哪一种精度更高，而是几十甚至上百个感知点能不能长期稳定工作。

功耗能不能压住？不同点位之间的读数能不能对齐？大面积铺开后成本是否可控？出了问题能不能快速标定？

这些问题听起来不够性感，却很可能决定触觉能不能真正变成机器人的感知底座。

虽然技术路线尚未收敛，但市场已经先给了信号。

根据 2025 年出货量统计，人形机器人触觉传感器赛道80%的市场份额被他山科技占据，其代表的电容路线在目前阶段的市场需求中展现了更明显的优势。

据了解，他山科技 2026 年上半年订单量已达到去年全年的四倍。

第二个难题比硬件更棘手：有数据，不等于有能用的数据。

视觉数据容易规模化，因为摄像头拿起来就能拍；触觉却高度依赖传感器的一致性、安装方式、接触状态、采样频率，甚至机器人本体的构型。

同一只灵巧手，换一种抓取角度，信号就可能完全不同。

触觉不是简单地在视觉模型后面加一个输入通道，视觉告诉机器人看到了什么，触觉告诉它碰到了什么，以及接触正在发生什么变化。

两者的时间尺度、信号结构和控制意义都不一样。

未来真正要解决的，不是如何把触觉塞进 VLA，而是机器人需要形成一套属于自己的触觉表征和学习机制。

这就引出了第三个层面，从人教机器人，走向机器人自己学。

今天机器人获取技能的主要方式，人类示范、遥操作、仿真训练、工厂真实数据，本质上都在告诉它这个动作应该怎么做。

但真实世界无法被穷举，杯子可能比训练数据里的更滑，插口可能偏了几毫米卡住，纸张可能因受力不均而变形。

这些情况，只有机器人真的碰到才会知道。

于是触觉获得了一个比感知更重要的身份，反馈。

它能告诉机器人刚才是不是用力过猛，物体是否正在滑脱，接触点有没有偏移，身体是否撞到了不该撞的东西。

机器人因此获得了一种新的学习路径：自己碰、自己试、自己犯错，再根据反馈调整下一次动作。

这也是他山科技发起的机器人幼儿园概念的核心。

他们联合图灵奖得主理查德·萨顿教授团队，把强化学习与触觉感知结合起来，让机器人在真实物理环境中像幼儿一样持续交互、试错、积累经验。

机器人幼儿园的价值在于训练范式的转变。

过去的训练更像上课，老师告诉答案；未来的训练更像成长，机器人自己去探索答案。

当然，让机器人自己试，不代表毫无约束地乱撞。

它需要两个前提：一是能通过触觉及时判断风险，知道何时该停；二是有足够丰富的真实环境，让一次次交互沉淀成经验。

触觉解决的是如何感知错误，强化学习解决的是如何从错误中学会下一次怎么做。

两者真正结合，触觉才可能从一个感知器官，变成机器人的学习反馈系统。

回过头看，触觉在机器人身上的演进可以浓缩为三个阶段：

装上触觉是硬件渗透，用好触觉是数据与模型融合，通过触觉持续学习则是机器人开始自主进化。

现在，行业正从第二阶段走向第三阶段。

所以，如果要给触觉元年一个定义，或许不是触觉技术终于成熟的那一年，而是行业终于意识到，机器人不能只有眼睛。

视觉能告诉它那里有一个杯子，但有触觉能告诉它杯子有没有拿稳，手指该松一点还是再紧一点，杯子是凉是烫，表面是否在滑移。

更重要的是，当机器人不断经历这些接触，它获得的不只是任务结果，还有对物理世界逐渐形成的经验。

什么东西软，什么东西硬，什么力度安全，什么动作容易损坏，什么时候该继续，什么时候该停止。

这些听起来很朴素，却恰恰构成了人类所谓的物理常识。

过去我们习惯认为，机器人的智能主要来自模型。

但当机器人真正进入物理世界之后，智能可能还来自另一件事，它亲手摸过多少东西，犯过多少错误，又从这些错误里学到了什么。

这也是触觉真正值得期待的地方。

它的终点从来不是让机器人拥有一双更灵敏的手，而是给它打开一条理解物理世界的入口。从看见，到触碰，再到理解。

机器人学会的，不只是一个杯子该怎么拿，而是为什么这个杯子应该这样拿。

而触觉的终点，不是传感器，而是让机器人从被动执行工具，逐渐成为能够主动适应真实世界的智能主体。