Ant Group's Lingbo Opens-Source Tactile Foundation Model LingBot-Touch for Robot Dexterous Manipulation
蚂蚁灵波开源触觉基础模型LingBot‑Touch，为机器人通用大脑补上指尖 “手感”
On November 10, Ant Group's Lingbo officially open-sourced the tactile foundation model LingBot-Touch to address gaps in robot tactile perception. Pretrained on nearly 5,000 hours of real-world tactile data, the model standardizes signals from magnetic, visual-tactile, and piezoresistive sensors into a unified representation. Tests on Sharpa Wave and XHand robots across 26 tasks showed that integrating LingBot-Touch improved average task success rates by 14–26 percentage points compared to non-tactile approaches.
Source: Chinese robotics — Dataset and collection discovery · Read original article ↗
English translation unavailable. Choose the original article to read it.
What the source reports
Publisher-reported claims, with original evidence. These results have not been independently verified by RoboSignal.
Reported numbers
training_hours
5,000 hours
View original evidence
据了解，LingBot‑Touch 基于接近 5000 小时的真实触觉数据完成预训练，兼容磁触觉、视触觉、压阻式三类主流触觉传感方案，能够把异构传感器输出的差异化原始信号，转化为一套标准化触觉表征，实现触觉经验跨传感器、跨灵巧手、跨算法模型、跨任务场景复用。
Open source S3training_hours
5,000 hours
View original evidence
全部 26 项真机实验均采用参数量约 530 万的 LingBot‑Touch‑Tiny 轻量版，接入现有动作模型后，整体参数量仅增加 0.13%‑0.16%，适配端侧部署需求；更大规模的 LingBot‑Touch‑Small 版本，在感知任务上具备性能提升潜力，在接近 5000 小时预训练数据规模下，模型依旧能够从新增数据中持续获益，也预示触觉基础模型还有较大迭代空间。
Open source S20model_parameters
≈5,300,000
View original evidence
全部 26 项真机实验均采用参数量约 530 万的 LingBot‑Touch‑Tiny 轻量版，接入现有动作模型后，整体参数量仅增加 0.13%‑0.16%，适配端侧部署需求；更大规模的 LingBot‑Touch‑Small 版本，在感知任务上具备性能提升潜力，在接近 5000 小时预训练数据规模下，模型依旧能够从新增数据中持续获益，也预示触觉基础模型还有较大迭代空间。
Open source S20Reported success rate
56.25%
Reported trials
View original evidence
其中拧瓶盖测试中，T‑Rex 控制 Sharpa Wave 灵巧手，无触觉条件下成功率仅 56.25%；直接输入传感器原始信号时成功率为 62.5%；接入 LingBot‑Touch 触觉表征后，任务成功率提升至 90%，直观证明标准化触觉信息对机器人实操能力的增益。
Open source S11Reported success rate
62.5%
Reported trials
View original evidence
其中拧瓶盖测试中，T‑Rex 控制 Sharpa Wave 灵巧手，无触觉条件下成功率仅 56.25%；直接输入传感器原始信号时成功率为 62.5%；接入 LingBot‑Touch 触觉表征后，任务成功率提升至 90%，直观证明标准化触觉信息对机器人实操能力的增益。
Open source S11Reported success rate
90%
Reported trials
View original evidence
其中拧瓶盖测试中，T‑Rex 控制 Sharpa Wave 灵巧手，无触觉条件下成功率仅 56.25%；直接输入传感器原始信号时成功率为 62.5%；接入 LingBot‑Touch 触觉表征后，任务成功率提升至 90%，直观证明标准化触觉信息对机器人实操能力的增益。
Open source S11
- paper: not_reported
- code: not_reported
- weights: not_reported
- dataset: not_reported
What remains unknown
Not established in the collected evidence: Environment, Control, Data origin.
Reported performance applies to the described task. It does not establish general autonomy or deployment readiness.
Source excerpts and review record
Automatically extracted; no manual editorial approval recorded.
据了解，LingBot‑Touch 基于接近 5000 小时的真实触觉数据完成预训练，兼容磁触觉、视触觉、压阻式三类主流触觉传感方案，能够把异构传感器输出的差异化原始信号，转化为一套标准化触觉表征，实现触觉经验跨传感器、跨灵巧手、跨算法模型、跨任务场景复用。
Open source S3
全部 26 项真机实验均采用参数量约 530 万的 LingBot‑Touch‑Tiny 轻量版，接入现有动作模型后，整体参数量仅增加 0.13%‑0.16%，适配端侧部署需求；更大规模的 LingBot‑Touch‑Small 版本，在感知任务上具备性能提升潜力，在接近 5000 小时预训练数据规模下，模型依旧能够从新增数据中持续获益，也预示触觉基础模型还有较大迭代空间。
Open source S20
其中拧瓶盖测试中，T‑Rex 控制 Sharpa Wave 灵巧手，无触觉条件下成功率仅 56.25%；直接输入传感器原始信号时成功率为 62.5%；接入 LingBot‑Touch 触觉表征后，任务成功率提升至 90%，直观证明标准化触觉信息对机器人实操能力的增益。
Open source S11
Source：Chinese robotics — Dataset and collection discovery · donews.com