被高估的视触觉：容易复制的生意，有多大投资价值？

允中 发自 凹非寺
量子位 | 公众号 QbitAI

具身智能产业正步入价值落地的关键阶段。行业对具身智能的期待，已升维至以物理交互为主的真实产业场景落地与价值创造。

物理交互的核心需求，使触觉感知成为继视觉之后的新一代核心感知技术。

这一感知体系以力学传感器为核心感知单元，向外扩展为高精度、高集成度末端触觉传感器，进而延展为曲面共形、大面积覆盖的分布式电子皮肤共同构成机器人从指尖精细力控到全身物理交互的完整闭环

其产业定位，也正从精度（Precision）、准度（Accuracy）等单一性能指标的比拼，转向以长周期全场景作业稳定性（Stability）为核心的产业基础设施叙事。

在当前主流的触觉传感技术路线中，以光电转换原理为核心的视触觉传感器（Vision-Based Tactile Sensor, VBTS）无疑是热度最高的方向之一，赛道熙熙攘攘，学术与行业关注度居高不下。

然而喧嚣之下，这一技术方案，真的足以担当起具身智能大规模落地的产业级基建重任吗？

我们不妨从技术渊源、底层原理、性能边界、落地可行性等维度，客观剖析其技术现实。

本系列文章为触觉传感技术路线分析的首篇。该系列将围绕具身智能规模化落地需求，系统审视当前主流及新兴触觉感知路线，包括视触觉、压阻式、电容式、磁电式等，从技术原理、工程可靠性、集成形态与产业落地能力等维度展开对比。

旨在厘清具身智能进入真实产业场景的关键阶段，以及不同路线的真实能力边界与适用场景。

学术繁荣与产业可行性的分野

1.“视觉红利”下的低门槛狂欢

自GelSight时代至今，视触觉传感器虽在厚度、耐久性上略有优化，但底层仍依赖小体积CMOS摄像头模组成像，整体能力无本质提升。

由于视觉传感器产业早已高度成熟，十几年来尤其是在视频领域CMOS芯片进展平缓，视触觉产品多沿用类似视频摄像头的成熟方案，在淘宝或是方案商处都随手可得，导致其在空间分辨率、采样频率等核心规格上乏善可陈，并无本质突破

△2009年Gelsight团队的可视化效果

2.学术层面：视觉算法外溢下的研究热潮

2010年后，随着CVPR等顶会在视觉算法上的爆发式突破，ICRA、IROS等机器人会议的研究者得以将大量现成的视觉算法直接复用于视触觉数据处理。

以最常用的三大算法为例：

• ResNet/CNN——视觉领域通用的特征提取骨干。视触觉研究多直接将其接入触觉图像进行微调，用于力分类或材质识别，复用路径较为直接。
• U-Net——原为医学图像分割而设计。在视触觉中被广泛用于从弹性体形变图预测三维形状或力图，较少针对触觉物理特性进行定制化的架构改进。
• Optical Flow（光流法）——视觉中计算像素运动的经典技术。被迁移至标记点位移追踪以间接推算受力，是少数与触觉物理有一定关联的思路，但核心算法仍完全来自视觉领域，且依赖标记点存在，适用范围有限。

这三大算法覆盖了视触觉研究中大量的常见选题。整体来看，该领域在算法层面较多依赖视觉体系的成熟工具，针对触觉感知的物理本质，尚未形成独立于视觉体系的原创性算法范式，这种“拿来主义”虽加速了论文产出，却也意味着视触觉在算法层面几乎没有独立于视觉体系的开创性贡献

3.产业层面：低壁垒、高同质化与投资风险

视触觉传感器的研发商在底层硬件与核心算法上均未取得实质性突破，本质上并未掌握全栈自主技术，供应链亦高度依赖外部，存在显著的“非自主可控”风险。

其核心元器件CMOS图像传感器由少数国际巨头主导，国内能自主供应CMOS的不到10家，这一核心元器件的供应链源头并不在这些视触觉创业公司手里，所谓“研发”更多是在别人成品之上的系统集成。视触觉厂商多采用现成的摄像头模组方案，缺乏对关键传感器底层工艺的掌控力

其次，视触觉的物理构成极为简单，一枚微型摄像头、光源、透明弹性体及标记点即可搭建原型。

这种对成熟视觉产业链的“拿来即用”，使得硬件制作门槛极低。国内高校学生短时间内即可自研原型并在电商平台低价销售，充分暴露了该领域硬件技术的“空心化”本质。

△摄像头成像系统

△视触觉传感器直接采用摄像头模组定制方案，左图为SONY IMX系列

低算法壁垒与高硬件可复用性直接拉低了创业门槛，催生大量追随者涌入，国内外视触觉创业公司批量涌现，成为触觉赛道入局者最多的细分路线。

数十家公司基于相同的技术原理以及同源的开源算法进行产品开发，最终交付的传感器在核心性能指标上难以拉开实质差距。

视触觉赛道长期呈现“厂商林立、同质化内卷”的竞争格局，至今未出现具备技术代表性与市场统治力的头部企业。从投资方视角审视，一个核心技术非自主掌控、护城河模糊、商业化模式极易被复制的赛道，其长期投资回报的可预期性本身就面临挑战。

企业的终极护城河在于核心技术带来的定价权，而非在低附加值环节中依靠规模效应赚取辛苦钱。对于视触觉这类“供应链外采、算法外购”的拼装式创新，资本只会将其视为高风险的低壁垒资产——它缺乏定义行业标准的能力，更无法构建难以逾越的商业壁垒。

因此，聪明的资本只会将筹码押注在那些能真正突破物理极限、掌握全栈核心技术并敢于啃下硬骨头的破局者。

换言之，视触觉的热度本质上建立在视觉算法外溢与低硬件门槛之上，而非触觉测量能力的根本突破，这种附庸式的技术路线，从起点上就缺乏成为机器人触觉基础设施的独立产业根基。

工业可落地性：硬件结构与长期可靠性

触觉传感方案能否支撑规模化部署，硬件的可靠性与使用寿命是两道不可绕过的硬门槛。

1.最小焦距约束与结构厚度

为保障形变重建的精度与画面均匀性，摄像头与弹性体接触面必须满足最小工作焦距要求，同时需预留匀光所需的照明空间。

当前行业主流方案中，有透镜设计的传感器厚度普遍在10mm以上，整体系统厚重，模块化程度低；即便采用无透镜方案以压缩厚度，也会引入光学畸变问题，且仍无法摆脱对CMOS感光元件、光源与弹性体的依赖。

对于正向高自由度、微型化演进的灵巧手而言，指尖内部本已密布关节电机、减速器、腱绳传动等核心结构，空间余量极其有限。视触觉模组的刚性体积需求进一步挤压机械系统的设计空间，迫使研发在指尖自由度、负载能力与触觉感知精度之间做出取舍。

△图源：Tactile Image Sensors Employing Camera: A Review

2.刚性形态与电子皮肤部署边界

视触觉传感器依赖封闭光学腔体与刚性成像基底维持稳定成像，天然不具备柔性延展与曲面贴合的特性。

这决定了其部署形态存在明确边界：仅能以独立刚性模组部署于机械夹爪、灵巧手指尖等平面或小曲率接触区域，无法像电子皮肤一样柔性适配机器人躯干、关节、曲面外壳等复杂体表结构。

这一局限从原理上锁死了方案的部署规模，使其只能作为末端局部感知方案，无法支撑机器人全身触觉感知体系的构建。

3.多摄像头架构的集成与成本连锁反应

当触觉感知从单个指尖扩展至双手多指，视触觉的底层缺陷便从技术瓶颈升级为系统性崩溃。

以双手、五指、九个指腹加掌心的典型配置计算，一台灵巧手即需部署近30个视触觉模组——相当于在寸土寸金的机械结构中强行塞入近30个摄像头模组。

多路视频流的同步采集与复杂走线，与灵巧手内部精密传动机构形成直接冲突，集成难度极大。

△图为多路高清视频并行传输监控系统架构，必须要有极大的物理资

更致命的是，视觉信号通路的增加直接触发了算力与成本的“死亡螺旋”：30路并发需160+ TOPS算力，必须外挂服务器且功耗超百瓦。

这还彻底击穿了毫秒级实时控制的延迟底线，带宽压力也迫使系统为保实时性而大幅降画质。力反演需经历“采集→解码→推理→映射”全链路，端到端延迟数十毫秒，而柔顺控制闭环要求仅1-4ms，直接吞噬了视触觉赖以生存的高清晰度。

这种“视觉通路增加→算法复杂度上升→算力需求扩大→成本抬高→部署受限”的连锁循环，揭示了视触觉的架构级不足：它把本该是轻量、低功耗的触觉末梢，异化为需要GPU集群供养的视频监控系统。

在机器人本体这个对体积、功耗、实时性、成本极度敏感的载体上，形成了完全的矛盾。

最后，30余个摄像头意味着30余条独立供电与数据线束。灵巧手内部空间已被电机、减速器占满，而线缆必须通过手指根部直径仅数毫米的中空模组引出——根本无法容纳30根线束同时穿过

即便强行布线，密集线束也会与精密传动机构摩擦干涉，导致机械寿命骤降与信号串扰。视觉通路在第一步走线环节就已走入死胡同。

结局是，线束拉不出、算力扛不住、功耗背不动，构成死循环：视觉通路增加→走线无解→算力扩大→功耗爆炸→成本抬高→部署受限。视触觉把轻量触觉末梢异化为GPU供养的视频监控系统，在机器人本体上线走不通。

4.弹性体材料的“零和博弈”

视触觉传感器面临一个无法绕开的底层物理困局：弹性体的软硬程度，直接决定了系统的感知能力与服役寿命，且二者不可兼得。

△视触觉传感器Gelsight所使用的凝胶材料

视触觉传感器的感知能力，与其表面弹性体的软硬程度存在着直接的因果关联：弹性体越柔软，系统的灵敏度越高，成像也越清晰；反之，弹性体越硬，灵敏度就越差，成像质量也随之劣化。

具体而言，柔软的弹性体在接触物体时会发生更显著的形变，微小的表面纹理差异会被放大成相机可见的明显位移。

因此，材质越软，对微观形变的捕捉越灵敏，成像清晰度越高，纹理细节越丰富。

然而，一旦为了提升耐用性或测力线性度而将弹性体硬化，或是加厚反光层，其形变幅度便会大幅收缩。微观纹理在坚硬的表面上几乎无法产生足够的位移，导致相机捕捉到的图像对比度下降、细节模糊，传感器对细微接触的灵敏度也随之大幅衰减。

要知道，视触觉的本质是一场物理层面的“零和博弈”柔软的弹性体是获取清晰图像的必要条件，但也是系统快速老化的根源。

一旦为了工业耐久性而硬化材料，微观成像能力便瞬间归零。这种“软则灵、硬则钝”的死结，使得传感器在真实产线中必然面临光学特性随蠕变与磨损的持续漂移，长期可靠性无从谈起。

当一门技术既无法小型化集成于整手的灵巧手（包含指腹与手掌等），又无法覆盖全身，更无法在严苛环境下稳定服役时，其被赋予的产业预期显然已严重透支。

灵巧操作的底层逻辑：核心是力，不是纹理

1.二维投影与欠定逆问题

视触觉的核心机制，是将传感器最外层弹性体的三维形变，通过内置相机压缩为二维像素图像，再依赖算法反演接触力分布。

从物理测量角度看，该路线并非基于材料本征效应直接测量，而是将三维空间中的法向挤压形变与切向剪切形变，统统耦合压缩进同一张二维图像特征中。

这本质上是一个典型的欠定逆问题求解：系统必须从信息量降维的二维观测中，强行重建三维力分量。

在多点接触、边缘接触等复杂工况下，光度立体法的误差积累和法向与切向力位信息的物理混叠会导致力解耦误差显著增大，且该类误差源于原始二维位移场较之于三维表面接触力场的信息缺失，难以通过优化算法根本消除。

2.图像分辨率不等于测力分辨率

行业内普遍存在一个认知误区，即将光学像素数等同于触觉空间分辨率。

实际上，像素数仅为光学成像的采样单元，绝非独立测力点数量

触觉的有效空间分辨率受三重物理约束的硬性上限制约：弹性体内部形变传递的衰减特性、算法反演的多解性、以及上述力解耦能力的极限。

实际有效测力点的密度远低于CMOS像素密度（如下图），单纯堆砌像素数量不仅无法等效提升触觉感知，反而会因冗余光学噪声的引入而劣化信噪比（Signal-to-Noise Ratio，SNR）。

△像素数不等于实际物理测点数

视触觉的有效空间分辨率，还被三重物理约束的硬性上限锁死：

• 粘弹性效应（透明凝胶的粘弹性效应导致迟滞，使得位移和力的映射关系和时间相关）；
• 算法反演的多解性（同一图像可能对应多种受力状态，算法只能“猜”不能“解”
• 力解耦能力的极限（法向力、剪切力、扭矩、正则项相互干扰，无法从二维图像中完美分离）。

3.结构性矛盾：灵敏度与工业耐久度不可兼得

然而，视触觉方案面临一个结构性矛盾：若要获取精细纹理，透明凝胶（弹性体）必须足够柔软以放大形变信号，但这会直接牺牲耐久性；若要长期使用，透明凝胶表面和内部都必须足够耐久，以确保基本的无破损、不漏光

视触觉路线在底层物理架构上存在一个无法调和的“先天死结”：弹性体的力学属性决定了该方案只能在“高灵敏”与“能生存”之间二选一，绝无第三条路。

若为提升工业环境下的可靠性而将弹性体硬化，则精细纹理信息随之丢失或大幅衰减，而纹理恰是视触觉方案为数不多的差异化价值所在。

这也暴露了视触觉路线在底层物理架构上的先天矛盾系统无法在保证工业高可靠性的同时，兼顾微观纹理的高灵敏度捕捉。

若要捕捉微观纹理与精细形变，透明凝胶弹性体必须极度柔软，但这等同于赋予传感器一个“易耗品”的宿命，在油污、高温、机械磨损的工业现场，柔软的胶体不仅极易老化撕裂，更会因迟滞效应导致信号漂移。

反之，若为了工业级可靠性而将弹性体硬化，微观纹理的形变信号便会被强行抹平，视触觉方案引以为傲的“高分辨率触觉感知”将瞬间沦为与普通力传感器无异的低端产物。

这不仅是材料学的挑战，更是商业逻辑的破产：视触觉方案试图用一种“娇贵的实验室材料”去解决“粗暴的工业现场问题”。

这种底层物理架构上的根本性矛盾，注定了其产品形态永远徘徊在“精密但脆弱”与“皮实但平庸”的两极，无法诞生一款真正兼具高灵敏度与长寿命的工业级标准品。

因此，视触觉在灵巧操作中难以提供确定性的力反馈，无法同时满足在工业落地所必需的高可靠和高一致性。

视触觉传感器的耐久度与健康状态，绝不能仅由摄像头的持续运转来定义。

系统的“存活”仅代表光学采集链路畅通，而真正的感知寿命取决于弹性体的物理损耗。一旦弹性体因磨损、蠕变或老化发生不可逆形变（导致一致性与准度发生变化），其力-光映射关系便已失真；此时摄像头即便仍在正常拍摄，输出的也只是一连串“误差信息”。

对于依赖闭环反馈的机器人控制而言，失准的力信号比无信号更具破坏性——它会导致控制策略误判，引发操作失败甚至硬件损伤。

因此，以弹性体失效为标志的测量失准，才是判定该传感器耐久度不良的唯一标准；仅靠摄像头亮着，不过是“视觉假象”下的虚假存活。

力精度：工程化落地时的动态性能落差

1.力感知的灵敏度不足

视触觉方案的核心机制，是通过相机捕捉弹性体受力后的光学形变，并将Marker点或随机斑纹位移映射为力分布

从实现路径看，力的估算依赖光学形变建模与图像处理算法，映射关系复杂且易受环境干扰。

力的反演完全依赖光学形变建模与图像处理，但弹性体的非线性迟滞、光照漂移、材料老化都会让映射关系持续失真。

更致命的是：压力变化引起的标记点位移主要集中在接触区域的边缘像素，中心区域几乎不动。额定载荷下，接触区域边缘位移微乎其微——算法能利用来"测量"的像素极少，导致深度相关的压力分布灵敏度先天不足。

这不是算法优化能解决的问题，而是物理架构的死穴：用视觉计算标记点平面二维位移，永远替代不了力学传感器的直接多维测量。

△图为Tacchi 2.0，基于Marker点来推算按压、滑移或是旋转

2.动态响应的帧率带宽瓶颈

灵巧操作中接触力瞬息万变，包含丰富的动态冲击与高频振动分量。

然而，视触觉的采样频率受限于相机的物理帧率（通常为30~60fps），其采样频率远低于压阻式传感器所支持的kHz级响应。

这意味着，抓取瞬间的冲击力峰值、接触震颤等高频动态特征在采样间隔中被完全遗漏，导致系统在高速动态过程中处于“半盲”状态，无法满足实时柔顺控制的需求。

视触觉的核心矛盾，可以拆解为以下三个层面：

采样瓶颈：光学帧率的天花板视触觉的物理架构决定了它只能以“看视频”的方式感知力，30~60fps的帧率被相机硬件锁死。而真正的力学传感器直接输出电信号，天然支持数千赫兹的采样，二者之间存在百倍以上的响应速度鸿沟。

信息丢失：高频动态特征的“时间混叠”灵巧操作中的瞬态冲击、微振动和滑移信号往往集中在几百甚至上千赫兹。低帧率导致这些关键信号在采样间隔中被完全抹除，系统无法感知真实的力瞬变过程，如同通过百叶窗观察闪电。

控制失准：力准度和频率缺失下的“半盲”与控制环路断裂由于力测量的方向和误差计算累积较大，频率较低，闭环控制下无法精准测力。进而无法为实时柔顺控制（如阻抗控制、力位混合控制）提供及时的闭环修正，极易导致物体滑脱或执行器因缺乏缓冲而损坏。

3.光路遮挡与温度漂移

视触觉的理论精度高度依赖于“弹性体表面反射率均匀、材料参数恒定、内置光源稳定”等理想化的实验室假设。

然而，在真实产线中，弹性体接触面会附着油污粉尘，材料蠕变老化，LED光源会产生光衰

尤为关键的是环境温湿度波动对系统的多重影响，例如在潮湿或温差较大的场景下，水汽易在接触界面凝结，形成光路遮挡，直接破坏成像对比度与标记点识别稳定性；同时，温度变化会引起弹性体模量、光源发光特性及相机暗电流的同步漂移，即温漂效应，进一步叠加测量偏差

视触觉的理论精度完全建立在“表面洁净、材料恒定、光源稳定”的理想假设之上，而真实环境更为复杂：

物理污染致盲：油污粉尘附着改变表面反射率，直接破坏光学成像基础，导致标记点追踪失效。

材料老化失真：弹性体蠕变与应力松弛使力学响应持续漂移，同一压力在不同时间产生完全不同的形变图像，标定无法长期维持。

光源衰减劣化：LED光衰降低信噪比，边缘微弱位移信号被噪声淹没，低载荷灵敏度随时间加速衰减。

温湿度是尤为致命的双重绞杀：水汽凝结在接触面形成水膜，严重散射光线、破坏成像对比度，标记点识别直接失败。

温漂效应引发三重复合漂移——弹性体模量改变、LED发光特性变化、相机暗电流上升——三者非线性耦合，测量偏差无法被简单校准补偿。

这表明，视触觉的精度优势高度依赖限定的环境，一旦进入真实工况，上述三大缺陷便同时暴露，其光学间接测量原理决定了这些问题难以根治。

视频信号链路带来的算力与系统负担

1.视频信号的二次转译与算力需求

从信号链路来看，视触觉传感器以连续图像序列作为原始传感信号，这些视频信号在进入模型之前，需要先在本体算力中完成由图像到力信号的转换，该过程占用大量带宽和算力，对机器人本体形成显著计算负担。

其触觉数据链路本质上是一条“视频信号→力信号”的二次转译路径，触觉信息在进入控制系统之前已经历多级计算处理。

当机器人需要全身数十个乃至上百个触觉感知区域时，多路视频流的持续采集与传输将给系统带来显著的算力与带宽负担。

其信息转换路径需经过图像采集、形变重建、力值解算多步计算，且核心算法依赖像素级并行处理，传统图像处理专用芯片ASIC无法承载全链路运算，需额外引入具备并行计算能力的算力单元（GPU）支撑，由此带来算力与带宽层面的额外开销。

2.端侧部署的三重隐性成本

这种计算架构的差异，会在端侧部署场景中衍生出三重隐性成本：

其一，系统成本抬升

传感器本身仅完成图像采集，完整触觉感知能力需配套对应的计算资源才能落地，用户采购传感器后仍需额外配置算力单元，实际系统成本远高于传感器单体报价。

其二，集成体积牺牲

对于人形机器人、穿戴式设备等空间极度受限的场景，额外的算力模组与布线需求会进一步挤占本体设计空间，与具身本体轻量化、灵巧化的发展目标形成直接矛盾。

其三，功耗负担加剧

连续视频流的采集与并行计算会持续消耗较高功耗，在电池供电的移动机器人场景中，会直接压缩整机续航时长，成为端侧大规模部署的制约因素。

也就是说，视触觉看似只是一个传感器，实际却把触觉问题转嫁为多路视频流、算力问题与功耗问题。

这种“传感器简单、算力昂贵”的系统弊端，使其在机器人整机BOM中成为额外负担，而非赋能。

帧率与延迟：操作安全性与成功率边界

1.曝光时间、帧率上限与毫秒级力事件的冲突

视触觉传感器为了保障力解算的稳定性与一致性，多采用固定曝光、固定帧率的成像模式，无法通过动态调节适配不同接触场景。

受限于图像传感的基本物理规律，要保障成像信噪比与接触重建精度，曝光时间存在不可压缩的最低下限——图像需要足够清晰的成像质量才能支撑后续的形变解算而这直接锁定了帧率的理论上限

面对高速滑移、碰撞冲击等毫秒级接触动力学过程，主流30至60fps的采样规格明显不足，直接制约了滑移检测、力控跟踪等高动态任务的可靠性。

力的发生与变化本质上是毫秒级事件，而30Hz的帧率意味着每33毫秒才完成一次采样更新。对于滑移前兆识别与实时力补偿而言，控制信息往往在下一帧到来之前已经失去作用窗口。

当发生碰撞或临界滑动时，这种感知延迟极易导致机器人来不及调整抓握力，从而造成工件损坏或安全事故。

2.全链路延迟的累积与闭环响应迟滞

在完整的感知-决策-执行控制链路中，成像端的低时间分辨率并非孤立短板。

它还会与图像解算延迟、数据传输延迟等多环节时延形成累积叠加，进一步拉长触觉感知闭环的总响应时长，使其在高动态精密操作场景中始终存在难以通过纯算法弥合的性能瓶颈。

因此，在真正涉及接触安全与实时力控的机器人任务中，视触觉不仅难以提供及时反馈，反而会因感知延迟拖垮整个控制闭环，从根本上无法匹配毫秒级力事件，基本杜绝了其在精细装配、高端制造等高价值场景的规模化应用。

结语：视触觉“担不起”物理AI核心感知基础设施的产业使命

随着具身智能进入以物理交互为核心的价值落地阶段，触觉感知技术必须接受工业级检验：能否稳定可靠地提供力觉反馈，能否在真实机器人本体上规模集成，能否长期运行而不衰减。

视触觉传感器这一非原生、附庸式技术路线，受限于原理层面的精度天花板、批量制造的一致性短板、系统集成的体积约束与长期运行的可靠性瓶颈，上述局限共同指向同一个结论：视触觉不适合作为机器人力觉感知的规模化技术路径。

具身智能商业化的下半场，本质上是对交付确定性与基础设施标准化能力的终极检验。

一个从原理上依赖间接推断、从系统上推高整机成本、且无法实现工业级高良率、耐久度与规模化量产的技术路线，难以成为合格的行业底座，更不应被高估为具备规模化落地能力的核心触觉感知方案。

视触觉或许仍能在实验室研究、视觉纹理展示等特定场景中发挥作用，但它无法成为支撑机器人全方位融入人类生产生活的产业级触觉基础设施。

一个从原理到工程都缺乏不可替代性的技术路线，其被赋予的投资预期，是否经得起市场的实际检验，仍需打上一个问号。

*本文系量子位获授权刊载，观点仅为原作者所有。