Skip to content

新闻X12 天前

LingBot-Touch开源触觉模型发布,Memories.ai推手部动作数据集 ​

本文由 AI 根据公开内容整理,可能有误,请以原文为准:Looks like a brilliant open source release for robotics.(X:Rohan Paul (@rohanpaul_ai)(via AIHOT))

核心内容 ​

Robbyant基于Apache 2.0协议开源LingBot-Touch触觉感知模型,旨在将指尖传感器原始读数转化为机器人控制软件可用的标准化触觉信号。该模型包含三个同尺寸编码器,每个参数量为5.46M,在4000小时触觉数据上完成训练。基准测试显示,其JEPA版本在触觉到视频检索任务中Top-5准确率达49.3%,MAE低于9%,VAE版本误差仅3.1%,为触觉反馈闭环提供了轻量化开源基线。

Memories.ai同步推出Memories Upload平台,针对第一人称视角视频生成带时间戳的手部动作语义描述,支持按具体操作动作检索视频片段。该公司通过付费招募全球人员拍摄并清洗标注手部工作画面,构建高质量具身操作数据集。据披露,目前已有三家全球排名前五的机器人实验室采购该数据用于模型训练,验证了专业化人工采集数据在解决长尾操作场景中的商业价值与工程有效性。

关键看点 ​

  • LingBot-Touch规格:采用三编码器架构,单编码器5.46M参数,基于4000小时数据训练,Apache 2.0开源许可
  • 触觉检索性能:JEPA版本触觉→视频检索Top-5准确率49.3%,MAE<9%,VAE版本误差低至3.1%
  • 手部数据服务:Memories Upload提供第一人称视频手部动作时序描述与检索,支持按操作语义索引
  • 商业落地验证:Memories.ai清洗标注的手部工作视频已被3家全球Top5机器人实验室用于模型训练

工程与产业观察 ​

LingBot-Touch以极低参数量实现触觉-视觉跨模态对齐,降低了触觉感知算法门槛;Memories.ai则印证了高质量人工标注操作数据仍是当前具身智能训练的刚需。两者分别从开源模型与商业化数据两端,补齐了精细操作任务中触觉反馈与动作语义理解的短板,对提升机器人灵巧手泛化能力具有直接工程参考价值。

线索来源:AIHOT

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

外部来源

本页事实对应的公开页面,以原文为准。(点击将离开本站)

  1. X:Rohan Paul (@rohanpaul_ai)(via AIHOT):Looks like a brilliant open source release for robotics. ↗访问 2026-11-11