哥大开源FlexiTac触觉传感器，让机器人触觉走向规模化

机器人的视觉能力正飞速演进，但触觉依然是具身智能系统中最薄弱的一环。在精细操作任务中，当操作物体透明、易碎、被遮挡，或者需要严苛的力控与手内姿态校准时，单靠视觉往往难以确认抓握是否稳固或发生滑移。

与计算机视觉早已形成相对统一的软硬件生态不同，触觉研究长期缺乏标准。不同实验室大多采用自研且互不兼容的传感器方案，受困于成本、寿命、柔性与一致性难以兼顾的难题。针对该痛点，哥伦比亚大学李昀烛团队推出了开源柔性压阻式触觉传感器平台——FlexiTac。在 IROS 2026 研讨会上，李昀烛系统展示了该项目开源一年半以来的关键进展与生态。

3分钟即可装配，软硬件完全开源

FlexiTac 采用柔性印刷电路板（FPC）与力敏薄膜层叠结构。在备齐物料后，使用者仅需 3 分钟即可完成组装并投入运行。团队不仅开源了完整的物料清单（BOM）与分步装配教程，还提供了数据读取与传输软件，并将整套技术栈整合进机器人学习框架 LeRobot。

这意味着研究门槛被大幅拉低：即使是本科生，利用一台能打印低成本 SO-100 机械臂的 3D 打印机，也能轻松为机器人加装触觉感知系统。目前，半导体厂商 Analog Devices（ADI）正在推进其商业化版本，利用半导体制造工艺提高量产能力，触觉分辨率可达人类手指的五倍。

柔性形态与优异的时间一致性

作为压阻式柔性方案，FlexiTac 具备几个显著特征：

• 可扩展与高柔性：传感器薄如纸张，能够根据需求裁切、弯折，并包裹在异形曲面上，适配指尖、触觉手套或机器人皮肤等形态。
• 信号长期稳定：团队实测表明，制作完成一年半后的传感器直接调用，依然能完美适配一年前采集数据训练的模型，有效避免了传统柔性材料易漂移的缺陷。
• 制造一致性高：相比包含复杂橡胶结构的传感器，FlexiTac 展现出优良的批次一致性，为算法复现奠定了基础。

简单机理赋能高效 Sim-to-Real

仿真适配性是 FlexiTac 的核心优势之一。因为传感机制简单，在仿真环境中仅需构建一个基础的弹簧-阻尼系统并标定 3 个超参数，即可实现高保真度仿真。

团队通过在物理环境中采集随机交互数据，并在仿真中回放对齐两者的触觉响应直方图。这一过程类似于计算机视觉中的白平衡校准。高精度的 Sim-to-Real 对齐减少了对大规模领域随机化的依赖，使得在仿真中训练的策略能够顺畅迁移到真实双臂装配平台以及人形机器人系统上。

拓展 UMI 采集：弥补真机触觉缺失

在真实世界数据采集方面，团队将 FlexiTac 集成到了广泛使用的便携遥操作设备 UMI 中。原生 UMI 虽然内部具备提供物理阻尼的机械弹簧，但不会记录触觉数值；接入 FlexiTac 后，系统便能同步采集时间对齐的视触觉多模态数据。

在包含透明试管姿态重定向、铅笔插入卷笔刀以及恒力擦拭等实验中，触觉信号展现出不可替代的价值。尤其是当视觉受制于反光或遮挡时，触觉为机器人手内状态评估提供了关键反馈。

此外，李昀烛团队还在探索触觉与世界模型的深度结合：基于动作条件的交互式 3D 视频预测模型可在无物理仿真干预下，以 15fps 输出视触觉融合点云，精准预测物体滑移与底层接触几何。从硬件开源、数据采集到世界模型，FlexiTac 正在让触觉感知成为像视觉一样易用、可复现的基础设施。