哥伦比亚大学教授李昀烛：用3分钟组装和3个超参数，让触觉像视觉一样可规模化

机器人的视觉能力已经形成了相对统一的传感器和数据体系，但触觉仍然是具身智能系统中尚未「收敛」的薄弱环节。哥伦比亚大学教授李昀烛在IROS 2026触觉专题研讨会上指出，不同实验室往往使用完全自研、互不兼容的触觉传感器，它们共同面临寿命、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。

李昀烛团队提出的应对策略不是追求更复杂的传感器，而是刻意选择足够简单的传感机理。FlexiTac是一套开源柔性压阻式触觉传感器，采用FPC与力敏薄膜层叠结构，团队同时开源了完整物料清单、详细组装说明和读取数据的软件。其核心设计逻辑是：因为传感机制简单，仿真实现只需要构建一个弹簧-阻尼系统，标定3个超参数就能让仿真端的触觉信号与真实信号高度对齐。

这一简化带来了连锁效果。组装方面，准备好物料后只需3分钟即可完成装配；形态方面，传感器像一张纸，可以弯折、裁剪、包覆在各种异形曲面结构上，适配手套、指尖或机器人皮肤等多种形态；一致性方面，李昀烛举了一个实例：他的学生Binghao在2024年夏天制作了四块传感器用于录制视频，时隔一年半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。不同批次制备之间的输出信号也表现出不错的一致性，这是许多包含橡胶材料的触觉传感器的痛点。

仿真适配性是整个策略的关键枢纽。李昀烛的做法是先在真实环境中采集随机交互数据，再把相同动作在仿真环境中复现回放，分别收集两组触觉数据绘制直方图，标定目标就是对齐这两组分布。他强调：仿真与真实对齐得越精确，仿真中需要做的随机化就越少，sim-to-real迁移也会越精准。同样的框架已在实验室双臂装配任务和英伟达人形机器人上进行了验证。

在真实数据规模化方面，FlexiTac补上了UMI手持遥操作设备的一个短板。原版UMI只会记录精准的位姿跟踪信息，并不会存储设备内部机械弹簧给人类操作者提供的触觉反馈。接入FlexiTac后，可以间接把人类操作者感受到的触觉反馈记录为传感器输出信号，使采集到的数据同时包含视觉和触觉信息且时间同步。

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。与普渡大学合作的多指灵巧操纵工作VTAP Gripper入围了本次IROS最佳论文奖。亚德诺半导体（Analog Devices）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。

不过，李昀烛也坦承FlexiTac只是众多触觉方案中的一种，整个领域至今未形成统一标准。在问答环节中，他确认压阻材料本身并不能直接测得剪切力，只有在空间分辨率和时间分辨率足够高时才能对剪切力做近似估计。这意味着对于需要精确切向力判断的操作任务，当前版本的FlexiTac仍有固有局限。

李昀烛将这项工作的目标概括为「让触觉感知大众化」：从一套已经发展数十年的简易传感机理出发，把传感器推广给更多研究者，通过仿真和真实物理环境两条路径把触觉感知的规模做大。