马斯克能把火箭接回地面，为何他的机器人接不住一只杯子

电子皮肤在手，灵巧为何依旧遥不可及？

一只玻璃杯从指间滑落，人在零点几秒内就能察觉并完成补救——指尖先感觉到滑动，手臂随即加力。这个动作快到来不及经过大脑。

马斯克的公司能把一级火箭从天上垂直回收，但他的人形机器人要稳稳接住这样一只杯子，至今还不是一件有把握的事。

10 月 8 日，X 平台博主 SETI Park放出消息：特斯拉一件编号为 US 2026/0310299 A1 的美国专利申请已经公开。文件由特斯拉在 2025 年 9 月 11 日提交，申请号为 19/326,524，申请人署名为 Tesla, Inc.，公开方是美国专利商标局。

专利描述的对象是人形机器人的手：一层可以被压成指尖、拇指和手掌形状的触觉传感器，专利文本里还提到了向全身触觉皮肤扩展的可能性，适用对象一并写到了普通机器人、自动驾驶车辆和其他智能设备。

机器人抓东西的时候，视觉能给出的信息其实有限。它能判断杯子的位置、形状和大小，但手指有没有真正贴上去、力道够不够、杯子是不是正在从指间滑走，这些在画面上看不出来。补上这些信息的只能是触觉。而触觉传感器又是手部最难处理的一类部件——手指不是平板，指尖、指段、手掌各有各的曲率，硬质传感器贴不上去，软质传感器又容易在长期反复碰撞和摩擦中磨损失效。

特斯拉这件专利针对的正是贴合。

PART 01

能贴满整只手的皮肤，为什么测不到东西正在滑走？

结构是一个夹层。上下两层柔性薄膜各布一套导电线路，中间夹一层可以发生形变的材料。手指压上物体时，中间层被压缩，上下电极之间的电气关系随之改变——中间层用介电材料，变化的是电容；用压阻材料，变化的是电阻。两组线路交叉的位置各自构成一个感测单元，读出电路检测这些单元的变化，得到的不只是"碰到了没有"，还有每个位置上的受力大小。

基材可选热塑性聚氨酯、PET 和聚酰亚胺，导电材料列出了银纳米颗粒油墨、银片油墨、碳基油墨和铜基油墨等几种选项。差别出在几何上：特斯拉没有把传感器做成一块固定的平面，而是让整个叠层先做出来，再通过热成型、注塑或压缩成型把它变成目标三维形状——加热软化，在模具里形成新的曲面，冷却后保持成型后的结构。专利里还有另一条次序相反的路径：先把柔性薄膜做成曲面，再用点胶沉积、激光处理、柔性硅胶移印等方式在曲面上直接制造电极，之后加入分隔层和外部保护层。

专利附图里，拇指、手掌和食指分别布置了传感器，每一节指段配备独立感应垫，信号线从手腕位置引出。贴合在方案层面有了答案，感知维度并没有跟着拓展。

这套结构测量的是法向压力的分布，也就是垂直于接触面的力。有报道在核对公开文本后指出，这件专利列出的感知维度限于压力与接触，该传感器无法独立识别滑移、剪切力和温度；特斯拉官方没有进行确认，但与电容、压阻两种方案已知的能力边界一致。界面新闻在梳理触觉技术路线时提到，压阻式方案在切向力感知上存在先天不足，多数产品只能稳定测量法向力；压阻式还带着另一组麻烦，迟滞较大，通电易发热产生温漂。电容式在灵敏度、迟滞和功耗上表现更好，代价是微弱信号容易受到寄生电容和电磁干扰，需要高成本的调理电路与屏蔽设计来兜底。特斯拉这件专利把两种材料方案并列写进了文本。

而物体是不是正在滑走，恰恰由切向力决定。杯子从指间滑走的那一刻，法向压力可能毫无变化，变化的是接触面上的切向力和微振动。法向压力阵列给不出这个信号，机器人也就无从判断该在哪一个瞬间加力、加多大。

假设滑移这个问题解决了，机器人是不是就灵巧了？

PART 02

装上传感器就一定会更灵巧吗？

有从业者观察到一个变化：近一两年，触觉在具身智能的行业议程上，更多时候被归进灵巧手的零部件清单里。融资并没有同步冷却。

变化发生在另一处。一段时期内，行业里流行过一句后来被认为有害的共识：模态越多，模型越强。顺着这个逻辑，触觉基座模型、视触融合 VLA、灵巧手触觉赋能是扎堆的方向，传感器配齐、信号打通、token 接入，看上去完成了一次技术升级。

李飞飞、Jim Fan、徐丹飞等 34 位作者联名发表的《T-Rex: Tactile-Reactive Dexterous Manipulation》，在同一套机器人硬件、同一组评测任务和同一套评估标准下做了对照：研究者把触觉力信号编码成 token，直接拼进预训练好的 π0.5 模型，任务平均成功率从 17% 掉到 6%；换成论文提出的另一种接入架构后，同一批任务的成功率升到 65%。

同一批任务、同一套硬件，接入方式不同，成功率相差十倍——堆叠模态本身并不自动带来增益。论文公布的消融结果还显示，研究者去掉全部触觉输入后，成功率从 65% 降到 42%；若把触觉专家与动作专家改回同频同步，成功率降到 60%。触觉是刚需，刚需到什么程度取决于接入方式。论文里的表述是：触觉反馈已经从锦上添花的补充功能，转变为实现稳定操作的刚性需求。

同样是给机器人加触觉，为什么会得出两个方向相反的结果？

PART 03

“触觉和视觉跑在两个速度上，硬塞进一个模型会怎样？

论文作者对此的解释是频率错配。视觉信号的有效更新频率在 5 赫兹量级，触觉要发挥作用则需要 20 赫兹甚至更高。人捏住一枚鸡蛋时的力度微调发生在毫秒尺度，靠的是指尖对滑动起始瞬间那一层极细微的反馈。两种时间尺度相差数倍的信号被塞进同一个低频运行的 Transformer 之后，触觉的高频信息发挥不出来，还会干扰视觉已经学好的表征，性能退化由此发生。

T-Rex 的解法是把触觉从另一种输入模态改成另一条独立的控制通路。整个系统采用混合 Transformer 专家架构，拆成三个部分：一个处理视觉与语言、预测未来视觉表征、提供全局上下文；一个以约 5 赫兹运行，负责低频的粗粒度动作规划；第三个触觉专家以约 20 赫兹运行，做高频精修。

两段的分工有点像先画草图再改细节。动作专家先走完生成过程的前段，产出位置与姿态正确、力度细节不足的粗规划，并把视觉与语言的上下文缓存冻结；触觉专家接管后段，注入实时触觉 token 做精修，全程不再重跑视觉塔——这也是它能维持较高频率的关键设计。在一个动作块执行期间，触觉专家还会以块内偏移异步重触发若干次，形成 20 赫兹的闭环反应。

触觉信号本身也做了处理。指尖传感器存在零点漂移和高频噪声，如果直接把原始电压值喂给模型，模型会把噪声当特征学进去。团队的做法是先把每根手指过去约半秒的力与力矩序列压缩成离散码字，形成一个抗漂移的 token；形变深度图经另一路编码器转成几何特征；当下的瞬时力向量直接投影保留，以保住低延迟信息。三路特征拼接后送进触觉专家。

研究者把训练拆成三段。第一段在两万多小时的人类第一视角日常交互视频上预训练视觉与动作部分，这一阶段不加触觉；第二段在百小时量级的真机遥操作数据集上做触觉接地，把动作专家适配到机器人观测，同时从零训练触觉专家，并在训练时显式采样离散延迟，模拟部署时视觉略旧、触觉更新更快的错位；第三段才是每任务百条量级的示范微调。按论文作者的设计，这两类数据各司其职——人类视频提供泛化能力，真机触觉数据提供物理接地。论文提到，跳过中间那段触觉接地、只用百条量级演示从头训的策略会直接崩塌，而经过触觉中期训练的模型，用很少量的任务示范就能达到可用水平。

接对了之后，喂什么？

PART 04

触觉没有自己的语料库，数据从哪来？

视觉有一条捷径：互联网上积累的百亿级图像，标注成本早有人付过，模型可以先预训练再微调。触觉没有对应的语料库，没有抓握动作的公开档案，也没有哪个网站能让你爬取一次摩擦。每一条可用的触觉数据都必须真实产生——真人、真物体、真环境、真传感器，再在干湿、软硬、单手双手这些变量上一遍遍重复。前面那段训练里，人类视频是两万多小时，真机触觉遥操作数据是百小时量级，两者相差两个数量级。

其中最容易被低估的是失败样本。只在成功抓取上训练出来的策略，从没见过它最需要识别的东西：失败发生前的那半秒。打滑、形变、意料之外的柔顺、比看起来更沉的物体，这些事件按定义就是稀少的，研究者在实验室里无法按需制造。

仿真能补一部分，但接触物理恰恰是仿真器最弱的地方。形变、摩擦系数、柔顺性、滑移起始，都是最难精确建模、最容易出细微偏差的环节，而这些偏差往往要到几个月后才以真实硬件上的失败率暴露出来。行业里比较诚实的结论是，合成数据是真实数据的放大器，不是替代品。跨传感器泛化与从仿真到真实的迁移，到今天也还没有解决。

一致性是另一道坎。同一个传感器在相同受力下能否反复输出相近结果，不同批次能否稳定，这是训练可靠模型的前提。有调研发现，多家企业称一致性误差已控制在个位数百分比，调研方实测某款灵巧手时，多次测量之间却出现了百分之几十的差异。斯坦福大学鲍哲南教授的判断是，硬件先要能长期使用、不明显漂移、保持良好重复性，才可能产生可靠数据。

还有一把缺失的尺子：标准化的触觉感知与操作评测基准。不同团队用的传感器、任务和成功率口径各不相同，各条技术路线之间没法横向比较，也很难判断更高的分辨率或更多的感知维度是否真的改善了操作能力。这也是为什么厂商公开宣传里常被引用的那些数字——指尖能感知几克力、单手多少个触觉单元、视触觉方案多少万感知点——在传播中很有冲击力，却很难拼成一张可以直接对照的表。行业在 2025 年集中卷视觉—语言—动作模型，2026 年转向把触觉也纳入进来，方向有了，评测的尺子还没做出来。

PART 05

这层皮肤真正上车，还要等多久？

专利之外的约束来自产线。有媒体报道的一条电子皮肤产线上，膜片印刷这类基础工序可以实现自动化，传感器贴合与模组组装仍然大量依赖人工；各家机器人企业的整机外形和功能需求不同，电子皮肤往往需要定制开发。有券商研报梳理，柔性触觉传感器的全球份额目前主要由 Tekscan、Interlink、GelSight 等海外企业占据，国内厂商更多以柔性技术、低成本和场景落地形成差异化优势。这些约束不在专利文本的覆盖范围里，却直接决定了一件专利能在多长时间里变成一条产线。

按目前的产业节奏，触觉的落地大致分三段。一年之内，触觉先在工业精密装配、科研平台和高端灵巧手上以高配件的形式出现；2027 年到 2029 年，随着成本下探、视觉—触觉—语言—动作融合的模型初步可用，在高端制造、康复和部分商业服务场景跑通；五年以上，低成本电子皮肤与指尖视触觉的组合才可能进入消费级产品，那时才谈得上常态化的类人手感。

回到开头那只滑落的杯子。特斯拉这件专利针对的是贴合，也就是让传感器长成手指的形状。而杯子什么时候开始滑、滑走之后由模型的哪个部分接管、用什么数据教会机器人认出那一瞬间——这三段路，它一件也没有覆盖。

触觉赛道最反直觉的地方或许就在这里：柔性传感器本身并不是最难的一环，真正卡住进度的是它之后的那三步。所以判断这层皮肤什么时候真正可用，看的不是传感器能不能被压成手指的形状——热成型解决得了贴合，解决不了滑移；产线上做出来的传感器，也不自动等于模型能用得上的触觉。

参考文章

1、美国专利商标局 2026‑10‑08 US2026/0310299 A1 专利公开文本（特斯拉三维柔性触觉传感器结构工艺）

2、arXiv 2026‑06‑15 《T‑Rex: Tactile‑Reactive Dexterous Manipulation》论文（视触融合对照实验、混合专家控制架构）

3、界面新闻 2026‑09‑04 灵巧手触觉感知行业报道（压阻 / 电容路线痛点，滑移感知短板）

4、券商机器人研报 2026‑09 人形触觉传感器赛道报告（海外厂商份额、落地阶段预判）

5、X 平台 Sawyer Merritt 2026‑10‑08 推文（特斯拉触觉专利首发爆料信息）

6、智源社区 2026‑06‑16 T‑Rex 论文中文解读（视触觉频率错配、分层训练逻辑）

7、斯坦福鲍哲南 2026‑08 行业访谈（触觉硬件漂移、重复性对数据的约束）

8、36 氪 2026‑09‑10 电子皮肤产业报道（产线现状、量产组装难点）

9、Humanoids Daily 2026‑10‑08 专利解析新闻（传感器感知维度局限核对）

10、智橙研究院 2026‑08 《2026 具身智能触觉技术白皮书》（触觉数据集缺失、评测基准空白现状）