人形机器人发布会看多了你会产生一种错觉这个行业的瓶颈是“走路”。但真正让机器人公司头疼的场景往往是在一台机器人的展示环节——主持人递过去一个鸡蛋机器人伸手、抓住、微微用力蛋壳碎了。观众笑了工程师沉默了。另一个更难的问题随之而来让机器人从桌上拿起一张名片它要么捏不住让名片滑落要么捏太紧把名片捏皱。这个“拿得起、放得下、捏不碎”的能力恰恰是当前具身智能赛道最值钱的技术壁垒。而它依赖的不是视觉而是触觉。近期帕西尼这家公司因为接近40亿元的累计融资金额进入大众视野。很多人的第一反应是一家做触觉传感器的机器人公司凭什么拿到这个量级的资本支持如果我们只把这当成一条融资新闻很容易错过真正重要的信息——资本正在用真金白银表达一个判断机器人产业的竞争焦点正在从“看得见、走得稳”转向“摸得着、控得住”。这篇文章不打算复述融资时间线而是想拆解三个更技术的问题第一资本为什么在这个时间点密集下注触觉传感与人形机器人 第二触觉传感器到底是什么它和视觉传感器在技术逻辑上有哪些本质区别 第三如果你是一个机器人方向的开发者现在应该从哪些技术点入手才能跟上这波从感知到操作的技术拐点1. 资本为什么在这个时间点下注先下一个明确判断资本看好的不是帕西尼这一家公司而是“触觉感知 灵巧操作”这条技术路线进入产业化拐点。过去几年人形机器人行业的主流叙事是“运动控制”。双足行走、稳定站立、上下楼梯这些能力让机器人从轮式底盘进化到了类人形态。但运动控制解决的是“机器人怎么动”而真正的商业价值往往藏在“机器人怎么干活”里。干活意味着机器人需要和物理世界发生交互。而一旦发生交互视觉就不够用了。摄像头可以看到物体的位置、形状、颜色但看不到物体的硬度、摩擦力、表面纹理更看不到“我用了多大劲去捏它”。没有触觉反馈的机械臂本质上是一个开环系统它按照预设轨迹运动判断不了指令执行得对不对更无法在物体滑动时做出即时反应。这正是资本转向的核心逻辑机器人行业正在从“环境感知”走向“物理交互”而物理交互最关键的传感器就是触觉。从公开信息看帕西尼的累计融资金额接近40亿元放在整个人形机器人赛道里这个数字并非孤立事件。它反映的是资本对“触觉是下一个技术高地”的判断越来越一致。一级市场愿意给高估值不是因为企业今天有多少营收而是因为它占据了一个未来三到五年会爆发的基础能力位置。这个判断背后的产业逻辑有三层第一层人形机器人的应用场景正在从展示走向劳动。厂商不再满足于让机器人“走两步看看”而是要求它在仓库里分拣、在厨房里备餐、在流水线上装配。这些场景的共同特点是物体多样、接触频繁、对力度敏感。第二层视觉感知的技术红利已经被吃透。过去十年深度学习把计算机视觉推到成熟阶段机器人“看”的能力提升明显。但“看”完之后怎么办需要“摸”来闭环。第三层触觉数据具备高壁垒。视觉数据可以从互联网、开源数据集里获取而触觉数据只能来自真实的物理接触。谁先量产触觉传感器谁先积累真实交互数据谁就掌握了具身智能时代最稀缺的数据资产。所以这40亿元级别的融资本质上是在为一个即将爆发的技术节点提前定价。2. 触觉传感器机器人的“皮肤”到底是什么要理解资本为什么看好触觉首先要理解触觉传感器到底在测什么。2.1 视觉与触觉的本质差异视觉传感器摄像头、激光雷达、深度相机解决的是“物体在哪里”的问题触觉传感器解决的是“接触之后发生了什么”的问题。两者最大的区别在于视觉是非接触式感知触觉是接触式感知。视觉可以远距离获取信息但无法感知力触觉必须在物理接触发生时才能生效但它能直接测到力的量级、方向、分布和动态变化。在机器人领域有一个经典说法视觉决定了机器人能不能“看到”物体触觉决定了机器人能不能“拿住”物体。没有触觉的机器人即使视觉再精准也只能按预编程轨迹运动遇到未建模的物体很容易失效。2.2 触觉传感器能测哪些物理量物理量通俗解释在机器人上的用途法向压力垂直作用于接触面的力判断夹持力度是否合适剪切力平行于接触面的力判断物体是否在滑动振动接触面的高频扰动判断表面纹理、物体是否接触到位温度接触面的热传导判断物体材质或温度真正高价值的人形机器人触觉应用往往不只看单一物理量而是综合多种信息。以灵巧手抓取鸡蛋为例法向压力告诉系统“我捏了多紧”剪切力告诉系统“鸡蛋有没有滑”振动信号告诉系统“手指是否已经接触到蛋壳”。只有当这些信息同时被处理才能实现既不打滑又不捏碎的精细操作。2.3 主流触觉传感原理对比原理类型工作原理优点主要局限电阻式压力改变导电材料的电阻值结构简单、成本低迟滞明显、一致性一般电容式压力改变电极间距影响电容值灵敏度高、动态范围大对温漂敏感、工艺要求高压电式压力产生电荷信号响应快、适合动态测量不适合测量静态压力光学式接触导致光传导路径变化抗干扰强、可测多维力体积偏大、结构较复杂从产业趋势看电容式和光学式在空间分辨率和动态响应上更有优势更受高阶机器人方案青睐。但要注意任何一种原理都有取舍不存在“参数全面碾压”的方案。这也意味着触觉传感器的竞争不只是材料与工艺的竞争更是系统集成和标定能力的竞争。2.4 触觉传感器为什么难做触觉传感器的难度不在于“能测到力”而在于“把力测准、测稳、测久”。首先是空间分辨率。人类指尖有大量触觉感受器能够分辨毫米级的压力差异。机器人要精细操作触觉阵列就需要在同等面积内排布大量感应单元。其次是动态响应与数据率。力的变化往往在毫秒级发生手指出现滑动时传感器必须快速捕捉并反馈给控制系统否则无法及时调整抓取力。第三是耐久性和一致性。机器人是要在真实环境中连续工作的触觉传感器需要每天成千上万次接触而不漂移同时保证同一批次的一致性。对消费级产品来说一致性更是决定是否能量产的关键指标。把这些问题放到一起就能理解为什么资本把触觉传感器公司当作重要标的它本质上是新材料、精密制造、信号处理和算法系统的交叉领域技术门槛和工程门槛都很高。3. 触觉在机器人身上怎么用从感知到决策触觉传感器只是“皮肤”真正有价值的是皮肤背后的神经回路和决策系统。在机器人领域这个过程分为三步接触感知、状态估计、力控决策。3.1 接触感知从“有没有摸到”到“怎么摸到的”当机械臂带着灵巧手靠近一个物体时第一个触觉信号往往来自手指表面传感器阵列中的某个感应单元。这个信号告诉系统手指已经接触到物体了。更精细的触觉感知还需要识别接触位置、接触面积和压力分布。以抓握一个纸杯为例如果压力集中在指尖一点很容易戳破杯壁如果压力均匀分布在多个感应单元上说明接触面积大抓取更稳。3.2 状态估计判断物体是否在滑动滑动检测是触觉感知最典型、也最有商业价值的应用之一。当机器人抓住一个表面光滑的物体比如玻璃杯时物体可能因为重力或惯性而产生微小滑动。触觉传感器上的剪切力信号会发生变化控制系统检测到这种变化后就会自动加大夹持力。这个过程和人类端茶杯是类似的。人并不是一开始就知道要用多大的力而是通过指尖感受杯子的重量和滑动趋势逐渐调整握力。3.3 力控决策从位置控制到力/位混合控制传统工业机械臂大多采用位置控制即“让机械臂到达某个坐标”。但抓取一个鸡蛋时单纯的位置控制会失败位置偏一点就是捏碎或抓空。力控的核心思路是把“力”纳入控制目标。机械臂的目标不仅是“移动到某位置”还包括“施加某个力”。常用的实现方式包括阻抗控制把机械臂末端等效为弹簧-阻尼系统通过调整刚度和阻尼来适应接触力。力/位混合控制在某些方向做位置控制在另一些方向做力控制。基于学习的策略通过强化学习或模仿学习让机器人从数据中学习如何根据触觉信号调整动作。在真实产品中力控策略并不是一个孤立的算法模块。它需要触觉传感器提供高频、稳定的力反馈需要运动控制系统实时响应还需要上层的任务规划根据接触状态调整目标。3.4 触觉数据为什么是护城河触觉感知最大的特点之一是数据极难获取。视觉数据可以靠爬虫和开源数据集积累而触觉数据只能来自真实的物理接触并且高度依赖传感器的硬件规格与安装位置。这意味着谁拥有量产触觉传感器谁就能在自己的机器人上大量采集真实操作数据。这些数据反过来又能训练更好的抓取模型和力控策略形成“硬件量产 → 数据采集 → 模型优化 → 产品升级”的正循环。从资本视角看这种数据闭环能力比单次融资更值钱。因为它意味着企业可以持续拉大与后来者的差距而不是只靠一两个技术亮点维持竞争优势。4. 从实验室到量产真正的难关不在原理很多人在理解触觉传感器时会误以为最大的技术瓶颈在“原理创新”。但从产业实践看触觉传感器的原理已经存在了数十年真正的挑战是从实验室原型走向规模化量产的工程能力。4.1 一致性实验室里做出一个性能优异的触觉传感器原型和量产一万个性能一致的传感器是两个完全不同的世界。触觉传感器的核心是感应单元阵列每平方厘米上往往有几十到上百个感应点。要让所有感应点在同一外力下的输出偏差都在可控范围内对材料均匀性、工艺稳定性和后端标定都提出了极高要求。在机器人公司里经常出现一个场景研发团队在产品测试中发现10个传感器里有2个性能偏差明显导致抓取算法在部分设备上失效。这类问题不是靠改算法能解决的必须在硬件制造和出厂标定环节解决。4.2 耐久性与环境适应性机器人不是在恒温恒湿的实验室里工作它可能面对高温、灰尘、湿度变化和频繁的机械冲击。触觉传感器要保证在长期使用后灵敏度不衰减、零点不漂移、重复精度不劣化。这对材料的选择、封装工艺和防护等级都提出了挑战。尤其在人形机器人这种需要频繁接触各种物体的场景下传感器表面还会不断经历磨损和刮擦如何保证使用寿命是量产前必须验证的问题。4.3 成本曲线成本决定了触觉传感器能否大规模应用。在一个灵巧手上部署十几个触觉阵列如果单个传感器成本很高整机价格会难以接受。资本评估一家触觉传感器公司时除了看技术指标还会关注它的成本下降路径是否通过工艺改进提升了良率是否在芯片和材料上形成了自主能力当规模扩大时单位成本能降到什么水平这些决定了产品能不能从高端实验室进入消费级机器人市场。4.4 标定与补偿每个传感器都存在个体差异即使是同一批次的产品输出特性也可能不完全一致。要让算法在不同传感器上表现一致需要通过标定建立“原始信号 → 物理量”的映射关系。更复杂的是温度漂移和长期漂移。压力传感器受温度影响明显同一个力在不同温度下的输出可能不同。这就要求传感器在出厂时做温度补偿或者在控制系统中集成漂移校准逻辑。这些细节看似不起眼却决定了产品在真实环境中的可靠性。这也是为什么说触觉传感器领域资本看重的不仅是“能不能做出一个惊艳的原型”更是“能不能稳定地生产一万个”。量产能力是很多实验室团队和产业化团队之间的真正分水岭。5. 开发者入门触觉感知与力控的最小实践如果你对触觉感知和灵巧操作感兴趣不用等到拥有高端人形机器人硬件很多核心概念可以通过软件仿真和开源工具先跑通。下面给出一个最小可行的入门路径。5.1 环境准备本文示例基于 Python 3 运行建议提前安装以下依赖pip install numpy matplotlib如果你希望在仿真环境里体验机械臂与触觉传感器配合可以关注下面几个开源框架版本以官网最新 Release 为准MuJoCo支持高精度接触仿真适合做力控和机械臂操作实验。PyBullet安装简单适合快速搭建机器人仿真环境。Isaac Lab / Isaac Gym适合大规模强化学习训练需要特定显卡环境。需要说明的是触觉传感器仿真仍然是学术界和工业界的难点。仿真中的接触模型往往过于理想和真实传感器的信号特征有较大差异因此仿真环境更适合验证控制算法和任务逻辑不能完全替代真实传感器测试。5.2 示例 1读取触觉阵列数据并可视化真实场景中触觉传感器通常通过串口、EtherCAT 或 ROS 话题输出数据。这里为了便于演示使用随机数组模拟一个 8x8 触觉阵列的单帧压力数据完成读取、重排和可视化流程。import numpy as np import matplotlib.pyplot as plt # 模拟一个 8x8 触觉阵列的单帧压力数据 # 真实项目中这里对应传感器 SDK 返回的原始数据 rng np.random.default_rng(42) pressure_map rng.random((8, 8)) * 100 # 单位可视为 kPa # 将 1D 或 2D 数据重排为 8x8 矩阵 pressure_map np.asarray(pressure_map).reshape(8, 8) # 可视化压力分布 fig, ax plt.subplots(figsize(5, 4)) im ax.imshow(pressure_map, cmaphot, interpolationnearest) ax.set_title(8x8 Tactile Array Pressure Map) ax.set_xlabel(X index) ax.set_ylabel(Y index) plt.colorbar(im, labelPressure (kPa)) plt.show()运行这段代码后你会看到一张热力图颜色越亮表示压力越大。真实项目中你可以把pressure_map替换成从传感器读取的真实数据后续的滤波、滑移检测等算法都建立在这种数据结构之上。5.3 示例 2用压力均值波动检测滑移滑移检测是触觉应用中比较适合入门练习的方向。核心思路是当物体稳定在手指间时压力均值的波动较小当物体开始滑动时接触状态快速变化压力均值会出现明显波动。import numpy as np def detect_slip(frame_window, threshold0.8): 输入连续多帧压力数组列表每帧形状为 (8, 8) 输出是否检测到滑移 if len(frame_window) 5: return False means np.array([np.mean(np.asarray(frame)) for frame in frame_window]) recent_std float(np.std(means[-5:])) return recent_std threshold # 模拟稳定抓取均值波动小 stable_frames [np.random.default_rng(i).normal(50, 1.0, (8, 8)) for i in range(10)] # 模拟滑移状态均值出现明显波动 sliding_frames [np.random.default_rng(i).normal(50 i * 5, 3.0, (8, 8)) for i in range(10)] print(stable sample detect result:, detect_slip(stable_frames)) print(sliding sample detect result:, detect_slip(sliding_frames))预期输出为stable sample detect result: False sliding sample detect result: True这个示例虽然简单但它展示了触觉算法中最基本的思想从高维传感器数据中提取低维状态特征并基于阈值做出决策。实际工程中你还需要加入滤波、去噪、时间窗口调整等处理也可以用更复杂的时序模型替代简单的标准差判断。5.4 示例 3一个简单的力控抓取策略框架当检测到滑移时控制系统应该增大夹持力当物体稳定时可以适当减小夹持力以降低损坏风险。下面用一个非常简化的控制器演示这个闭环逻辑。class SimpleGraspController: def __init__(self, min_force2.0, max_force20.0, step0.5): self.force min_force self.max_force max_force self.min_force min_force self.step step def update(self, slipping): if slipping and self.force self.max_force: self.force self.step elif not slipping and self.force self.min_force: self.force - self.step * 0.5 return self.force # 模拟运行 20 个控制周期第 10 个周期后出现滑移 ctrl SimpleGraspController() for i in range(20): slipping i 10 force ctrl.update(slipping) print(fstep {i:2d}, slipping{slipping}, force{force:.2f})这个例子对应的是机器人控制中非常经典的负反馈思想当系统偏离目标状态出现滑移时控制器增大输出当系统回到目标状态时控制器减小输出。真实产品中的力控算法远比这个复杂会涉及动力学建模、频率响应、安全限幅等问题但这个最小框架能帮助你理解触觉反馈在控制回路中的位置。5.5 如何验证你的代码依次运行上述三个示例可以按以下顺序判断结果是否正常示例 1 能弹出热力图窗口说明 Matplotlib 环境正常数据重排逻辑无异常。示例 2 输出True / False与预期一致说明滑移检测的基本逻辑可行。示例 3 输出力值变化曲线滑移发生后夹持力逐步上升说明闭环策略生效。如果运行报错优先检查依赖是否安装完整numpy、matplotlib以及 Python 版本是否为 3 以上。6. 常见误区与排查思路6.1 关于触觉传感器的常见认知误区误区实际情况触觉传感器就是高级压力计正压力只是其中一个维度剪切力、滑动、振动同样重要分辨率越高越好高分辨率会带来成本、数据量和功耗问题需要按场景取舍仿真环境可以完全替代真实传感器仿真的接触模型过于理想真实传感器存在噪声、漂移和个体差异触觉数据量大就一定有用数据质量、标注和时间同步往往比数量更重要有了触觉传感器就能解决所有抓取问题传感器只是信号源还需要算法、算力和执行机构整体配合6.2 入门实践中的常见问题排查问题现象可能原因排查方式解决方案可视化热力图全是单色或 NaN数据维度不对或存在缺失值检查数组shape与isnan统一数据 reshape 尺寸填充或剔除异常值滑移检测误报阈值过低或采样率不足打印压力均值随时间变化曲线提高阈值增加时间窗口长度加入滑动均值滤波力控效果与预期不一致控制周期与传感器采样率不匹配检查各模块运行频率调整控制周期或对传感器数据做插值与滤波仿真中抓取成功但真机失败仿真接触模型过于理想对比仿真与真机压力分布用真实标定参数校准仿真接触参数先跑简单任务7. 判断机器人公司价值的几个技术视角回到标题本身的问题资本为何看好帕西尼我们没有足够信息替资本做出一份完整尽调报告但从技术视角看有四个维度可以供你评估任何一家触觉感知或人形机器人公司。第一是否具备量产能力。实验室原型和数据漂亮的 Demo 是加分项但真正决定商业价值的是产品能不能稳定交付。这背后是材料、工艺、良率、供应链的完整能力。第二是否形成数据闭环。如果一家公司既做触觉传感器又做机器人整机和灵巧手它就有机会采集真实的物理交互数据并据此优化算法。这种“硬件 数据 模型”的飞轮效应是纯传感器公司很难复制的。第三是否解决真实场景的痛点。触觉感知的技术方向很多能落地的场景也很多。判断一家公司的好坏要看它是否把技术资源集中在少数高价值场景上而不是什么都要做。第四是否有持续的研发投入。触觉传感器的技术仍在快速迭代从材料、结构到算法都有很大优化空间。研发投入的持续性决定了公司能否在下一代产品中继续保持领先。这些维度同样适用于从业者评估自己的技术方向如果你正在做机器人领域的职业选择优先考虑能接触真实硬件、能积累物理交互数据、能在量产线上验证算法的岗位。触觉感知是一个需要“手感”的领域纸上谈兵很热闹真正上手才会发现复杂细节比想象中多得多。8. 对不同背景技术读者的行动建议8.1 算法工程师建议把力控和机器人学习作为近期重点。具体方向包括系统学习阻抗控制、力/位混合控制理解力和位置的耦合关系。了解强化学习在灵巧操作中的应用尤其是如何把触觉信号纳入观测空间。学习触觉信号处理包括滤波、特征提取和滑动检测。8.2 嵌入式与硬件工程师触觉传感器的价值很大一部分在硬件端。建议关注传感器数据采集电路设计和信号调理。标定与温度补偿方案。高集成度触觉阵列的封装与耐久性验证。8.3 大模型与具身智能研究员触觉与多模态大模型的结合是一个前沿方向。可以关注把触觉信号作为额外模态接入视觉-语言-动作模型VLA的思路。触觉数据的 token 化与时间序列建模。如何用语言指令和触觉反馈联合控制机器人完成精细任务。8.4 产品与创业者如果计划在机器人领域创业建议从场景倒推技术物流分拣需要的是“抓得住各种材质”护理场景需要的是“接触安全”料理场景需要的是“力度精细”。不要一开始就追求通用灵巧手先在一个场景里把触觉 力控的完整闭环跑通再考虑横向扩展。9. 结语这轮融资真正透露的信息回到开头的判断这轮接近40亿元的融资真正值得关注的不是金额本身而是它代表的技术信号。过去十年机器人行业解决了“看见世界”的问题未来十年机器人行业要解决的是“感知世界并与之交互”的问题。触觉恰恰是交互能力的核心传感器。资本选择这个时间点重仓帕西尼本质上是认为触觉传感已经走到了从实验室走向量产的临界点——不是未来某一天而是现在。对于技术从业者这件事的启发很简单当资本开始为一个技术方向定价时意味着人才需求、供应链投入和行业标准都会随之加速。触觉感知、力控算法、灵巧操作这几个技术方向正在成为具身智能时代的核心能力。如果你正在寻找职业或研究方向触觉与灵巧操作是一个值得认真投入的赛道。它的门槛不低但正因为门槛高先进入的人才有机会建立起真正的壁垒。 人形机器人触觉传感器：从“看得见”到“摸得着”的技术拐点
人形机器人发布会看多了你会产生一种错觉这个行业的瓶颈是“走路”。但真正让机器人公司头疼的场景往往是在一台机器人的展示环节——主持人递过去一个鸡蛋机器人伸手、抓住、微微用力蛋壳碎了。观众笑了工程师沉默了。另一个更难的问题随之而来让机器人从桌上拿起一张名片它要么捏不住让名片滑落要么捏太紧把名片捏皱。这个“拿得起、放得下、捏不碎”的能力恰恰是当前具身智能赛道最值钱的技术壁垒。而它依赖的不是视觉而是触觉。近期帕西尼这家公司因为接近40亿元的累计融资金额进入大众视野。很多人的第一反应是一家做触觉传感器的机器人公司凭什么拿到这个量级的资本支持如果我们只把这当成一条融资新闻很容易错过真正重要的信息——资本正在用真金白银表达一个判断机器人产业的竞争焦点正在从“看得见、走得稳”转向“摸得着、控得住”。这篇文章不打算复述融资时间线而是想拆解三个更技术的问题第一资本为什么在这个时间点密集下注触觉传感与人形机器人 第二触觉传感器到底是什么它和视觉传感器在技术逻辑上有哪些本质区别 第三如果你是一个机器人方向的开发者现在应该从哪些技术点入手才能跟上这波从感知到操作的技术拐点1. 资本为什么在这个时间点下注先下一个明确判断资本看好的不是帕西尼这一家公司而是“触觉感知 灵巧操作”这条技术路线进入产业化拐点。过去几年人形机器人行业的主流叙事是“运动控制”。双足行走、稳定站立、上下楼梯这些能力让机器人从轮式底盘进化到了类人形态。但运动控制解决的是“机器人怎么动”而真正的商业价值往往藏在“机器人怎么干活”里。干活意味着机器人需要和物理世界发生交互。而一旦发生交互视觉就不够用了。摄像头可以看到物体的位置、形状、颜色但看不到物体的硬度、摩擦力、表面纹理更看不到“我用了多大劲去捏它”。没有触觉反馈的机械臂本质上是一个开环系统它按照预设轨迹运动判断不了指令执行得对不对更无法在物体滑动时做出即时反应。这正是资本转向的核心逻辑机器人行业正在从“环境感知”走向“物理交互”而物理交互最关键的传感器就是触觉。从公开信息看帕西尼的累计融资金额接近40亿元放在整个人形机器人赛道里这个数字并非孤立事件。它反映的是资本对“触觉是下一个技术高地”的判断越来越一致。一级市场愿意给高估值不是因为企业今天有多少营收而是因为它占据了一个未来三到五年会爆发的基础能力位置。这个判断背后的产业逻辑有三层第一层人形机器人的应用场景正在从展示走向劳动。厂商不再满足于让机器人“走两步看看”而是要求它在仓库里分拣、在厨房里备餐、在流水线上装配。这些场景的共同特点是物体多样、接触频繁、对力度敏感。第二层视觉感知的技术红利已经被吃透。过去十年深度学习把计算机视觉推到成熟阶段机器人“看”的能力提升明显。但“看”完之后怎么办需要“摸”来闭环。第三层触觉数据具备高壁垒。视觉数据可以从互联网、开源数据集里获取而触觉数据只能来自真实的物理接触。谁先量产触觉传感器谁先积累真实交互数据谁就掌握了具身智能时代最稀缺的数据资产。所以这40亿元级别的融资本质上是在为一个即将爆发的技术节点提前定价。2. 触觉传感器机器人的“皮肤”到底是什么要理解资本为什么看好触觉首先要理解触觉传感器到底在测什么。2.1 视觉与触觉的本质差异视觉传感器摄像头、激光雷达、深度相机解决的是“物体在哪里”的问题触觉传感器解决的是“接触之后发生了什么”的问题。两者最大的区别在于视觉是非接触式感知触觉是接触式感知。视觉可以远距离获取信息但无法感知力触觉必须在物理接触发生时才能生效但它能直接测到力的量级、方向、分布和动态变化。在机器人领域有一个经典说法视觉决定了机器人能不能“看到”物体触觉决定了机器人能不能“拿住”物体。没有触觉的机器人即使视觉再精准也只能按预编程轨迹运动遇到未建模的物体很容易失效。2.2 触觉传感器能测哪些物理量物理量通俗解释在机器人上的用途法向压力垂直作用于接触面的力判断夹持力度是否合适剪切力平行于接触面的力判断物体是否在滑动振动接触面的高频扰动判断表面纹理、物体是否接触到位温度接触面的热传导判断物体材质或温度真正高价值的人形机器人触觉应用往往不只看单一物理量而是综合多种信息。以灵巧手抓取鸡蛋为例法向压力告诉系统“我捏了多紧”剪切力告诉系统“鸡蛋有没有滑”振动信号告诉系统“手指是否已经接触到蛋壳”。只有当这些信息同时被处理才能实现既不打滑又不捏碎的精细操作。2.3 主流触觉传感原理对比原理类型工作原理优点主要局限电阻式压力改变导电材料的电阻值结构简单、成本低迟滞明显、一致性一般电容式压力改变电极间距影响电容值灵敏度高、动态范围大对温漂敏感、工艺要求高压电式压力产生电荷信号响应快、适合动态测量不适合测量静态压力光学式接触导致光传导路径变化抗干扰强、可测多维力体积偏大、结构较复杂从产业趋势看电容式和光学式在空间分辨率和动态响应上更有优势更受高阶机器人方案青睐。但要注意任何一种原理都有取舍不存在“参数全面碾压”的方案。这也意味着触觉传感器的竞争不只是材料与工艺的竞争更是系统集成和标定能力的竞争。2.4 触觉传感器为什么难做触觉传感器的难度不在于“能测到力”而在于“把力测准、测稳、测久”。首先是空间分辨率。人类指尖有大量触觉感受器能够分辨毫米级的压力差异。机器人要精细操作触觉阵列就需要在同等面积内排布大量感应单元。其次是动态响应与数据率。力的变化往往在毫秒级发生手指出现滑动时传感器必须快速捕捉并反馈给控制系统否则无法及时调整抓取力。第三是耐久性和一致性。机器人是要在真实环境中连续工作的触觉传感器需要每天成千上万次接触而不漂移同时保证同一批次的一致性。对消费级产品来说一致性更是决定是否能量产的关键指标。把这些问题放到一起就能理解为什么资本把触觉传感器公司当作重要标的它本质上是新材料、精密制造、信号处理和算法系统的交叉领域技术门槛和工程门槛都很高。3. 触觉在机器人身上怎么用从感知到决策触觉传感器只是“皮肤”真正有价值的是皮肤背后的神经回路和决策系统。在机器人领域这个过程分为三步接触感知、状态估计、力控决策。3.1 接触感知从“有没有摸到”到“怎么摸到的”当机械臂带着灵巧手靠近一个物体时第一个触觉信号往往来自手指表面传感器阵列中的某个感应单元。这个信号告诉系统手指已经接触到物体了。更精细的触觉感知还需要识别接触位置、接触面积和压力分布。以抓握一个纸杯为例如果压力集中在指尖一点很容易戳破杯壁如果压力均匀分布在多个感应单元上说明接触面积大抓取更稳。3.2 状态估计判断物体是否在滑动滑动检测是触觉感知最典型、也最有商业价值的应用之一。当机器人抓住一个表面光滑的物体比如玻璃杯时物体可能因为重力或惯性而产生微小滑动。触觉传感器上的剪切力信号会发生变化控制系统检测到这种变化后就会自动加大夹持力。这个过程和人类端茶杯是类似的。人并不是一开始就知道要用多大的力而是通过指尖感受杯子的重量和滑动趋势逐渐调整握力。3.3 力控决策从位置控制到力/位混合控制传统工业机械臂大多采用位置控制即“让机械臂到达某个坐标”。但抓取一个鸡蛋时单纯的位置控制会失败位置偏一点就是捏碎或抓空。力控的核心思路是把“力”纳入控制目标。机械臂的目标不仅是“移动到某位置”还包括“施加某个力”。常用的实现方式包括阻抗控制把机械臂末端等效为弹簧-阻尼系统通过调整刚度和阻尼来适应接触力。力/位混合控制在某些方向做位置控制在另一些方向做力控制。基于学习的策略通过强化学习或模仿学习让机器人从数据中学习如何根据触觉信号调整动作。在真实产品中力控策略并不是一个孤立的算法模块。它需要触觉传感器提供高频、稳定的力反馈需要运动控制系统实时响应还需要上层的任务规划根据接触状态调整目标。3.4 触觉数据为什么是护城河触觉感知最大的特点之一是数据极难获取。视觉数据可以靠爬虫和开源数据集积累而触觉数据只能来自真实的物理接触并且高度依赖传感器的硬件规格与安装位置。这意味着谁拥有量产触觉传感器谁就能在自己的机器人上大量采集真实操作数据。这些数据反过来又能训练更好的抓取模型和力控策略形成“硬件量产 → 数据采集 → 模型优化 → 产品升级”的正循环。从资本视角看这种数据闭环能力比单次融资更值钱。因为它意味着企业可以持续拉大与后来者的差距而不是只靠一两个技术亮点维持竞争优势。4. 从实验室到量产真正的难关不在原理很多人在理解触觉传感器时会误以为最大的技术瓶颈在“原理创新”。但从产业实践看触觉传感器的原理已经存在了数十年真正的挑战是从实验室原型走向规模化量产的工程能力。4.1 一致性实验室里做出一个性能优异的触觉传感器原型和量产一万个性能一致的传感器是两个完全不同的世界。触觉传感器的核心是感应单元阵列每平方厘米上往往有几十到上百个感应点。要让所有感应点在同一外力下的输出偏差都在可控范围内对材料均匀性、工艺稳定性和后端标定都提出了极高要求。在机器人公司里经常出现一个场景研发团队在产品测试中发现10个传感器里有2个性能偏差明显导致抓取算法在部分设备上失效。这类问题不是靠改算法能解决的必须在硬件制造和出厂标定环节解决。4.2 耐久性与环境适应性机器人不是在恒温恒湿的实验室里工作它可能面对高温、灰尘、湿度变化和频繁的机械冲击。触觉传感器要保证在长期使用后灵敏度不衰减、零点不漂移、重复精度不劣化。这对材料的选择、封装工艺和防护等级都提出了挑战。尤其在人形机器人这种需要频繁接触各种物体的场景下传感器表面还会不断经历磨损和刮擦如何保证使用寿命是量产前必须验证的问题。4.3 成本曲线成本决定了触觉传感器能否大规模应用。在一个灵巧手上部署十几个触觉阵列如果单个传感器成本很高整机价格会难以接受。资本评估一家触觉传感器公司时除了看技术指标还会关注它的成本下降路径是否通过工艺改进提升了良率是否在芯片和材料上形成了自主能力当规模扩大时单位成本能降到什么水平这些决定了产品能不能从高端实验室进入消费级机器人市场。4.4 标定与补偿每个传感器都存在个体差异即使是同一批次的产品输出特性也可能不完全一致。要让算法在不同传感器上表现一致需要通过标定建立“原始信号 → 物理量”的映射关系。更复杂的是温度漂移和长期漂移。压力传感器受温度影响明显同一个力在不同温度下的输出可能不同。这就要求传感器在出厂时做温度补偿或者在控制系统中集成漂移校准逻辑。这些细节看似不起眼却决定了产品在真实环境中的可靠性。这也是为什么说触觉传感器领域资本看重的不仅是“能不能做出一个惊艳的原型”更是“能不能稳定地生产一万个”。量产能力是很多实验室团队和产业化团队之间的真正分水岭。5. 开发者入门触觉感知与力控的最小实践如果你对触觉感知和灵巧操作感兴趣不用等到拥有高端人形机器人硬件很多核心概念可以通过软件仿真和开源工具先跑通。下面给出一个最小可行的入门路径。5.1 环境准备本文示例基于 Python 3 运行建议提前安装以下依赖pip install numpy matplotlib如果你希望在仿真环境里体验机械臂与触觉传感器配合可以关注下面几个开源框架版本以官网最新 Release 为准MuJoCo支持高精度接触仿真适合做力控和机械臂操作实验。PyBullet安装简单适合快速搭建机器人仿真环境。Isaac Lab / Isaac Gym适合大规模强化学习训练需要特定显卡环境。需要说明的是触觉传感器仿真仍然是学术界和工业界的难点。仿真中的接触模型往往过于理想和真实传感器的信号特征有较大差异因此仿真环境更适合验证控制算法和任务逻辑不能完全替代真实传感器测试。5.2 示例 1读取触觉阵列数据并可视化真实场景中触觉传感器通常通过串口、EtherCAT 或 ROS 话题输出数据。这里为了便于演示使用随机数组模拟一个 8x8 触觉阵列的单帧压力数据完成读取、重排和可视化流程。import numpy as np import matplotlib.pyplot as plt # 模拟一个 8x8 触觉阵列的单帧压力数据 # 真实项目中这里对应传感器 SDK 返回的原始数据 rng np.random.default_rng(42) pressure_map rng.random((8, 8)) * 100 # 单位可视为 kPa # 将 1D 或 2D 数据重排为 8x8 矩阵 pressure_map np.asarray(pressure_map).reshape(8, 8) # 可视化压力分布 fig, ax plt.subplots(figsize(5, 4)) im ax.imshow(pressure_map, cmaphot, interpolationnearest) ax.set_title(8x8 Tactile Array Pressure Map) ax.set_xlabel(X index) ax.set_ylabel(Y index) plt.colorbar(im, labelPressure (kPa)) plt.show()运行这段代码后你会看到一张热力图颜色越亮表示压力越大。真实项目中你可以把pressure_map替换成从传感器读取的真实数据后续的滤波、滑移检测等算法都建立在这种数据结构之上。5.3 示例 2用压力均值波动检测滑移滑移检测是触觉应用中比较适合入门练习的方向。核心思路是当物体稳定在手指间时压力均值的波动较小当物体开始滑动时接触状态快速变化压力均值会出现明显波动。import numpy as np def detect_slip(frame_window, threshold0.8): 输入连续多帧压力数组列表每帧形状为 (8, 8) 输出是否检测到滑移 if len(frame_window) 5: return False means np.array([np.mean(np.asarray(frame)) for frame in frame_window]) recent_std float(np.std(means[-5:])) return recent_std threshold # 模拟稳定抓取均值波动小 stable_frames [np.random.default_rng(i).normal(50, 1.0, (8, 8)) for i in range(10)] # 模拟滑移状态均值出现明显波动 sliding_frames [np.random.default_rng(i).normal(50 i * 5, 3.0, (8, 8)) for i in range(10)] print(stable sample detect result:, detect_slip(stable_frames)) print(sliding sample detect result:, detect_slip(sliding_frames))预期输出为stable sample detect result: False sliding sample detect result: True这个示例虽然简单但它展示了触觉算法中最基本的思想从高维传感器数据中提取低维状态特征并基于阈值做出决策。实际工程中你还需要加入滤波、去噪、时间窗口调整等处理也可以用更复杂的时序模型替代简单的标准差判断。5.4 示例 3一个简单的力控抓取策略框架当检测到滑移时控制系统应该增大夹持力当物体稳定时可以适当减小夹持力以降低损坏风险。下面用一个非常简化的控制器演示这个闭环逻辑。class SimpleGraspController: def __init__(self, min_force2.0, max_force20.0, step0.5): self.force min_force self.max_force max_force self.min_force min_force self.step step def update(self, slipping): if slipping and self.force self.max_force: self.force self.step elif not slipping and self.force self.min_force: self.force - self.step * 0.5 return self.force # 模拟运行 20 个控制周期第 10 个周期后出现滑移 ctrl SimpleGraspController() for i in range(20): slipping i 10 force ctrl.update(slipping) print(fstep {i:2d}, slipping{slipping}, force{force:.2f})这个例子对应的是机器人控制中非常经典的负反馈思想当系统偏离目标状态出现滑移时控制器增大输出当系统回到目标状态时控制器减小输出。真实产品中的力控算法远比这个复杂会涉及动力学建模、频率响应、安全限幅等问题但这个最小框架能帮助你理解触觉反馈在控制回路中的位置。5.5 如何验证你的代码依次运行上述三个示例可以按以下顺序判断结果是否正常示例 1 能弹出热力图窗口说明 Matplotlib 环境正常数据重排逻辑无异常。示例 2 输出True / False与预期一致说明滑移检测的基本逻辑可行。示例 3 输出力值变化曲线滑移发生后夹持力逐步上升说明闭环策略生效。如果运行报错优先检查依赖是否安装完整numpy、matplotlib以及 Python 版本是否为 3 以上。6. 常见误区与排查思路6.1 关于触觉传感器的常见认知误区误区实际情况触觉传感器就是高级压力计正压力只是其中一个维度剪切力、滑动、振动同样重要分辨率越高越好高分辨率会带来成本、数据量和功耗问题需要按场景取舍仿真环境可以完全替代真实传感器仿真的接触模型过于理想真实传感器存在噪声、漂移和个体差异触觉数据量大就一定有用数据质量、标注和时间同步往往比数量更重要有了触觉传感器就能解决所有抓取问题传感器只是信号源还需要算法、算力和执行机构整体配合6.2 入门实践中的常见问题排查问题现象可能原因排查方式解决方案可视化热力图全是单色或 NaN数据维度不对或存在缺失值检查数组shape与isnan统一数据 reshape 尺寸填充或剔除异常值滑移检测误报阈值过低或采样率不足打印压力均值随时间变化曲线提高阈值增加时间窗口长度加入滑动均值滤波力控效果与预期不一致控制周期与传感器采样率不匹配检查各模块运行频率调整控制周期或对传感器数据做插值与滤波仿真中抓取成功但真机失败仿真接触模型过于理想对比仿真与真机压力分布用真实标定参数校准仿真接触参数先跑简单任务7. 判断机器人公司价值的几个技术视角回到标题本身的问题资本为何看好帕西尼我们没有足够信息替资本做出一份完整尽调报告但从技术视角看有四个维度可以供你评估任何一家触觉感知或人形机器人公司。第一是否具备量产能力。实验室原型和数据漂亮的 Demo 是加分项但真正决定商业价值的是产品能不能稳定交付。这背后是材料、工艺、良率、供应链的完整能力。第二是否形成数据闭环。如果一家公司既做触觉传感器又做机器人整机和灵巧手它就有机会采集真实的物理交互数据并据此优化算法。这种“硬件 数据 模型”的飞轮效应是纯传感器公司很难复制的。第三是否解决真实场景的痛点。触觉感知的技术方向很多能落地的场景也很多。判断一家公司的好坏要看它是否把技术资源集中在少数高价值场景上而不是什么都要做。第四是否有持续的研发投入。触觉传感器的技术仍在快速迭代从材料、结构到算法都有很大优化空间。研发投入的持续性决定了公司能否在下一代产品中继续保持领先。这些维度同样适用于从业者评估自己的技术方向如果你正在做机器人领域的职业选择优先考虑能接触真实硬件、能积累物理交互数据、能在量产线上验证算法的岗位。触觉感知是一个需要“手感”的领域纸上谈兵很热闹真正上手才会发现复杂细节比想象中多得多。8. 对不同背景技术读者的行动建议8.1 算法工程师建议把力控和机器人学习作为近期重点。具体方向包括系统学习阻抗控制、力/位混合控制理解力和位置的耦合关系。了解强化学习在灵巧操作中的应用尤其是如何把触觉信号纳入观测空间。学习触觉信号处理包括滤波、特征提取和滑动检测。8.2 嵌入式与硬件工程师触觉传感器的价值很大一部分在硬件端。建议关注传感器数据采集电路设计和信号调理。标定与温度补偿方案。高集成度触觉阵列的封装与耐久性验证。8.3 大模型与具身智能研究员触觉与多模态大模型的结合是一个前沿方向。可以关注把触觉信号作为额外模态接入视觉-语言-动作模型VLA的思路。触觉数据的 token 化与时间序列建模。如何用语言指令和触觉反馈联合控制机器人完成精细任务。8.4 产品与创业者如果计划在机器人领域创业建议从场景倒推技术物流分拣需要的是“抓得住各种材质”护理场景需要的是“接触安全”料理场景需要的是“力度精细”。不要一开始就追求通用灵巧手先在一个场景里把触觉 力控的完整闭环跑通再考虑横向扩展。9. 结语这轮融资真正透露的信息回到开头的判断这轮接近40亿元的融资真正值得关注的不是金额本身而是它代表的技术信号。过去十年机器人行业解决了“看见世界”的问题未来十年机器人行业要解决的是“感知世界并与之交互”的问题。触觉恰恰是交互能力的核心传感器。资本选择这个时间点重仓帕西尼本质上是认为触觉传感已经走到了从实验室走向量产的临界点——不是未来某一天而是现在。对于技术从业者这件事的启发很简单当资本开始为一个技术方向定价时意味着人才需求、供应链投入和行业标准都会随之加速。触觉感知、力控算法、灵巧操作这几个技术方向正在成为具身智能时代的核心能力。如果你正在寻找职业或研究方向触觉与灵巧操作是一个值得认真投入的赛道。它的门槛不低但正因为门槛高先进入的人才有机会建立起真正的壁垒。