UniTac统一触觉理解与生成架构，让机器人具备触觉预判能力
UniTac让机器人接触前就能预测触觉，统一跨传感器数据，提升VLA在精细操作中的成功率与安全性。
UniTac是优理奇机器人联合多所高校提出的跨传感器触觉架构，统一处理来自不同触觉传感器的数据，同时实现触觉理解和触觉生成。它让机器人能在接触物体前“想象”出触感，从而规划更安全的操作策略，弥补VLA模型在接触密集型任务上的短板。
正文摘录
过去一年，随着具身基础模型的快速发展，机器人已经能完成不少轮廓清晰、位置明确的操作任务。 无论是捏起一颗葡萄而不将它捏破，还是抓住一只纸杯而不让它变形，视觉只能帮助机器人找到目标，想要完成任务，机器人还需要人类与物体交互时不可或缺的触觉感知。 也正因为如此，现在也有越来越多团队开始将触觉作为建构机器人大脑的重要模态。比如，UniTouch、AnyTouch 尝试统一不同传感器的触觉表征，FuSe、Tactile-VLA 把触觉送进通用策略与 VLA，近期的 TacImag 则开始探索让机器人仅凭视觉和本体感觉“想象”触觉；NVIDIA 也推出 TacSL 等视觉触觉仿真工具，加速触觉策略从仿真走向真机。 但这些路线仍各有边界：传感器异构让数据难以互通，触觉理解、生成与动作应用也往往分散在不同模型中。 最近，UniX AI（优理奇机器人）联合浙江大学、麻省理工、牛津、耶鲁以及上海交通大学，发布最新科研成果 UniTac，提出一套统一的跨传感器触觉理解与生成架构，并进一步接入 VLA，为机器人补上了“触觉想象力”。 简单来说，UniTac 让机器人获得了一种 未触先感 的能力，可以让机器人像人一样，在真正碰到物体之前，先“想象”出它摸起来是什么感觉，再决定怎么下手。 这意味着，对于机器人来说，触觉第一次从 “碰到以后才知道”，变成了碰到之前就能预测。 如果把过去几年机器人基础模型的发展，看作一个不断把 AI 锚定到真实世界（grounding）的过程，那么我们大致可以将其分为三层。 VLM（视觉 - 语言模型）完成的是第一层 grounding：把抽象的语言概念对应到现实世界，让机器人知道眼前看到的是什么； VLA（视觉 - 语言 - 动作模型）再往前一步，把视觉语义和语言指令锚定到动作（轨迹），让机器人知道在任务场景时应该规划怎样的轨迹。