Ant-Group-Tochter Robbyant veröffentlicht LingBot-Touch, ein Tastmodell, das vier Robotik-Policies um 14 bis 26 Punkte verbessert

Robbyant, das Embodied-AI-Unternehmen der Ant Group, hat LingBot-Touch als Open Source veröffentlicht, ein taktiles Foundation Model, trainiert mit 4.983 Stunden Fingerspitzendaten aus drei Sensorarten: piezoresistiv, magnetisch und visuotaktil. Als eingefrorener Encoder an vier bestehende Robotik-Policies angehängt, in der Tiny-Version mit 5,46 Millionen Parametern und 4.000 Stunden Vortraining, hob es deren mittlere Erfolgsquote bei 26 echten Zweiarm-Aufgaben um 14 bis 26 Prozentpunkte. Das berichten die Autoren in einem technischen Bericht, den sie am 9. November auf arXiv gestellt haben. Die Policies waren Diffusion Policy, π0.5 von Physical Intelligence, Robbyants eigenes LingBot-VLA und T-Rex.

Der Kontrollversuch ist der eigentliche Befund. Das Team gab denselben Policies auch das rohe Tastsignal. Das half höchstens etwa halb so viel, 7,0 bis 11,2 Punkte, und verschlechterte die Ergebnisse in 22 von 104 Aufgabe-Policy-Paaren. Mit rohen Tastdaten fiel LingBot-VLA beim Sortieren von Mahjong-Steinen von 28,8 % auf 5,0 %. Eine Roboterhand, die fühlt, ist nicht mehr das schwierige Teil. Schwierig ist, das Gefühlte so aufzubereiten, dass eine Policy etwas damit anfangen kann.

Auch eine Hand, die das Modell nie gesehen hat, legt zu

Der magnetische Fingerspitzensensor der XHand1 stammt von einem Modell, das im Vortraining fehlte. Ohne dass ein einziger Parameter dafür angepasst wurde, steigerten die LingBot-Touch-Tokens die mittlere Erfolgsquote der vier Policies bei den sechs XHand1-Aufgaben um 13,8 bis 24,5 Punkte; das Rohsignal veränderte sie nur um −1,7 bis +4,6 Punkte. Auf der Roboterhand Sharpa Wave, deren visuotaktile Sensoren in den Trainingsdaten vorkamen, stieg der Mittelwert von π0.5 über 20 Aufgaben von 47,6 % auf 68,6 %.

Kein Tastsensor hat heute allein 5.000 Stunden eigener Daten, schreiben die Autoren, und ihre Versuche legen nahe, dass er sie auch nicht braucht: Stunden aus einem Messprinzip verbesserten das Modell auf einem anderen. Der Datensatz kombiniert Tasthandschuhe, die Menschen tragen, mit teleoperierten Roboterhänden, insgesamt 464.431 Episoden in 24 Aufgabenkategorien. Der Tiny-Encoder vergrößert π0.5, LingBot-VLA und T-Rex nur um 0,13 % bis 0,16 % Parameter. Laut Robbyant liegen Code und Modell in zwei Größen auf GitHub und Hugging Face.

Wo Tasten das Sehen schlägt

Die Gewinne waren nicht überall. In 5 der 104 Paare lag LingBot-Touch unter der ursprünglichen Policy, und jede Aufgabe wurde nach 200 Demonstrationen, bei Zweihand-Aufgaben 500, in 20 Versuchen bewertet. Die größten Sprünge gab es an Stellen, die eine Kamera nicht klären kann: ob sich ein Flaschendeckel gelöst hat (T-Rex, von 56 % auf 90 %), ob ein Sprühauslöser weit genug gedrückt ist (LingBot-VLA, von 42,5 % auf 87,5 %) und ob der Schieber eines Reißverschlusses gegriffen hat. Da kletterte LingBot-VLA von 11 % auf 55 %.