当地时间 2026 年 9 月 28 日，全球机器人领域的顶级学术会议 IROS 2026 在美国匹兹堡盛大召开。在展馆现场，各种具身智能与灵巧操作的展示令人目不暇接，机器人正在加速从单纯的“视觉识别”走向精细的“物理交互”。

然而，展场内的热闹并不等同于产线上的现实。从实验室 Demo 到工业现场的规模化落地，中间仍隔着一道不可忽视的鸿沟：实验室里能够完成精细动作的灵巧手不少，但在真实工况下能连续稳定跑上数周乃至数月的却屈指可数。 其背后的核心瓶颈，在于感知、决策与执行三者能否在复杂非结构化环境下持续高效协同。

在本次 IROS 展会上，成立一年出头的拾玥科技（LumiBot）展示了一套从指型视触觉传感器、灵巧手整机、灵巧操作大模型到数据采集闭环的全栈方案。作为一家自研全栈技术的具身智能企业，拾玥科技试图回答一个行业关切的问题：如何从硬件源头与模型架构入手，打破数据与可靠性瓶颈，让灵巧操作真正走向真实场景？ 本文将结合拾玥科技的技术实践，对“视触觉感知 + 分层VTLA灵巧操作模型”这一技术路线的选择逻辑与未来演进展开探讨。

工业精细操作（如精密装配、线束插接、柔性件抓取）本质上是高频密接的物理交互过程。

感知端：为什么是“视触觉”而非“传统传感器”？

视觉能够解决“空间定位与宏观规划”问题，但一旦末端执行器与物体发生接触，遮挡现象会导致视觉信息的缺失。此时，微观力觉与几何形变成为闭环控制的唯一依据。

? 传统阵列式触觉（如电阻式、电容式）：受限于物理阵列密度，空间分辨率低（通常在毫米级），难以感知微小的局部侧向力与表面纹理，犹如“戴着厚手套做精密手术”。

? 视触觉（Visuo-Tactile Sensing）：通过在指尖内部集成微型光学相机，捕捉弹性硅胶受力后的微小形变，将物理力学交互转化为高分辨率图像信号。这种方案天然具备亚毫米级空间分辨率与多模态解耦能力（可同步提取法向力、切向力、三维形变场、微滑移及表面纹理），是用极低硬件成本获取高密度物理特征的最佳路径。

决策端：为什么是“分层架构”而非“单体平铺 VLA”？

端到端 Vision-Language-Action (VLA) 大模型在宏观泛化上表现优异，但在复杂工业长时序任务中常遭遇两大瓶颈：长时序规划失忆与接触瞬间的高频微调响应滞后。

单一高参数模型难以在维持数百毫秒级长规划的同时，实现 100Hz 以上的毫秒级触觉反射控制。

分层 MoT（ Mixture of Transformer）架构通过将“大脑（宏观规划）”与“小脑（微观控制）”解耦，采用分层混合专家机制：

? 大脑端进行多模态语义对齐与长时序任务图谱表达；

? 小脑端通过触觉门控网络实时自适应融入触觉信息，实现高低频解耦，兼顾了长流程的任务规划与密集接触时的实时微调。

基于上述技术选择，以拾玥科技在 IROS 2026 展示的成果为例，该路径在感知、模型与数据全栈展开了落地验证：

1. 视触觉感知：Lumi-Tac V2 的性能突破

针对指型视触觉传感器在工业高频采集场景下面临的耐久性、感知覆盖范围与采集频率等挑战，Lumi-Tac V2 从硬件工艺、光学结构与感知算法三个层面进行系统升级，实现性能全面提升：

? 硬件工艺升级：优化传感器结构与接触层设计，提升耐磨性与长期稳定性，满足工业场景下高频、连续接触的使用需求。

? 光学结构升级：优化内部成像结构与光学设计，在有限体积内扩大有效视场，实现更大范围的指面感知。

? 采集性能提升：优化成像与数据链路，实现更高频率的触觉信息采集，为快速动态接触与精细操作提供更充分的数据支撑。

? 感知算法升级：融合接触形变、运动与时序信息，实现对接触位置、形变、滑移等状态的高精度感知，进一步提升视触觉信息在灵巧操作中的可用性。

Lumi-Tac V2 不仅提升了单项指标，更进一步完善了从“高频采集 → 全指面感知 → 动态触觉理解”的完整技术链路。

图为IROS现场用户正在体验Lumi-Tac V2 

2. 模型与长时序控制：Lumi-Mind 大模型?

? 分层架构与多模态融合：融合视觉、触觉、语言与动作（VTLA）四种模态。

? 时序记忆机制（Sequence Memory Mechanism）：在长时序复合任务（如“拿起印章一精准盖章一递出卡片一放回印章”）中，传统的VLA模型由于缺乏对历史状态的显式追踪，极易受到阶段性视觉遮挡的干扰而丢失上下文。Lumi-Mind 引入了显式的时序记忆模块，将全局任务、子任务进程编码入隐空间，使模型在任意突发干扰（如人为打断、物体滑落）后，依然能准确定位当前任务图谱所处的阶段并实时重规划，有效解决长时序任务失忆问题；

? 触觉门控网络（Tactile Gating Mechanism）：在密接控制阶段，触觉信号作极其敏感的“触发器”。模型内部设立了触觉门控网络，当Lumi-Tac传感器检测到法向力突变或边缘切向力失稳（微滑移特征）时，门控网络会动态提高触觉模态的注意力权重，实现密接状态下的高频微调；

? 实测验证：在IROS展会现场，驱动 Lumi-Dex-11完成“拿起印章—精准盖章—拿起托盘—递出卡片—放回托盘—放回印章”长流程任务，并在人为干扰下实现自主实时重规划。

3. 数据闭环：Lumi-Cap数采方案

高质量数据的稀缺是限制具身大模型发展的核心瓶颈。通过 Lumi-Cap 数采方案，打通了 Ego 视频直采（人视角映射） 与 遥操作真机采集（带视触觉反馈） 路径：

利用高精度运动重定向算法，将人眼视觉与手部动作映射至灵巧手，完成毫米级精度验证；

自研带视触觉反馈的遥操手套，使采集者在操控时同步感知物理接触力，采集到的多模态数据在源头即包含了“视觉-触觉-动作”的精准时间戳对齐，无需后期的特征工程二次标注。

拾玥科技目前正与工业领域的头部企业推进场景验证与技术验证，覆盖汽车制造、3C电子、生命科学等场景。

从实验室到产线，还有几个关键挑战需要解决：

一是环境适应性。 工业现场的油污、震动、温湿度变化，对灵巧手的可靠性提出了更高要求。主动散热方案是应对手段之一，但还需要更多现场验证。

二是任务节拍。 工业场景对节拍的要求往往比实验室严苛得多。灵巧手的动作速度、模型推理速度、系统响应时间，都需要匹配产线的实际节拍。

三是成本与维护。 产线大规模部署的前提是成本可控、维护简便。这不仅是硬件成本，还包括数据采集、模型迭代、售后支持的综合成本。

这些挑战不是一家公司能解决的，需要整个产业链的协同。

尽管如此，我们在跟拾玥科技的技术负责人、算法负责人一一了解过后，他们简单分享了关于后续技术上的推进：

? 数据端，进一步构建高质量多模态灵巧操作数据，把数据规模持续提升；

? 模型端，针对接插件、对孔、旋拧等富接触、高精度操作场景，进一步探索触觉模态的高效融入方案，探索有效的触觉强化学习微调方案，进一步提升Lumi-Mind模型在工业场景的成功率与泛化能力。

灵巧操作从实验室走向工业场景，不是一次技术突破就能完成的。它需要在感知、决策、数据、执行等多个维度持续迭代，需要与真实场景不断碰撞、反馈、优化。

拾玥科技在IROS 2026上展示的视触觉感知与灵巧操作模型，是这条路径上的一次探索。它未必是最终答案，但至少提供了一个值得参考的方向：让灵巧手从“能干活”进化到“更聪明”，让标准化数据采集从实验室走向真实工业场景。

行业里有一句话：机器人进工厂，最难的不是“能不能做”，而是“能不能一直做对”。这个“一直做对”，靠的不是某一个单点技术，而是一整套系统能力。拾玥科技正在这条路上，一步一步往前走。