文章核心观点 - 清华大学深圳国际研究生院丁文伯团队联合无界智航（Xspark AI）及多所国内外科研机构，受鸽子感知系统启发，研发出仿生多模态触觉传感器SuperTac，并构建了8.5B参数的触觉语言模型DOVE，实现了触觉信号从底层感知到高层语义推理的突破，标志着机器人触觉感知向“人类水平”迈出关键一步 [2] 一、仿生逻辑：从鸽子眼球到多模态感知架构 - SuperTac的硬件设计灵感源于鸽子复杂的感知系统 [7] - 传感器集成了小型化多光谱成像模块，覆盖紫外（390 nm）、可见光（400–700 nm）、近红外（940 nm）及中红外（5.5–14.0 μm）的超宽频段，使机器人能同时解析热辐射、荧光位移等深层物理信息，全面表征物体形状、纹理、颜色和温度 [10][11] - 传感器在1 mm厚的皮肤内嵌入了摩擦纳米发电机（TENG）和惯性测量单元（IMU），TENG可根据物体电负性差异识别材质（准确率95%），并实现15 cm内的接近觉感知；IMU可捕捉0–60 Hz的振动及碰撞信号 [12] 二、核心机制：光场调制的「智能感知层」 - SuperTac的核心是厚度仅为1 mm的光场调制多层感知皮肤，最外层采用透明PEDOT:PSS导电层，通过涡旋线电极设计实现均匀电学信号，结合摩擦起电机制实现高精度材质分类与接近觉探测 [14] - 皮肤内的单向透视反射层充当光学开关，通过调节内外光强差，使传感器能在“触觉模式”下捕捉表面微观纹理与形变，或在外部光源下直接获取物体RGB颜色信息 [16] - 紫外荧光标记层利用在紫外光下激发的荧光标记，实现了形变监测与物体纹理检测的解耦，确保能同步捕捉切向滑动与表面细节 [16] 三、触觉语言大模型：8.5B参数背后的多模态融合架构 - 触觉语言模型DOVE采用分层架构，底层骨干由预训练的大语言模型Vicuna构成，提供语言理解与逻辑推理基础 [19] - 系统并行集成了四组预训练的CLIP模型作为模态编码器，将图像化的触觉特征（颜色、纹理、温度、材质信号）提取为深层特征向量 [19] - DOVE通过三阶段策略训练：首先用CLIP将异构传感器信号转化为通用图像表征；随后通过投影层将触觉特征对齐至语言模型空间；最后对Vicuna骨干网络进行微调，使其能结合常识对触觉指令进行复杂推理 [20] 四、应用场景：从物理触碰到语义逻辑的跃迁 - SuperTac与DOVE结合，实现了从“物理感知”向高层“语义认知”的跨越，赋予机器人类人的具身交互能力 [22] - 在基础识别维度，DOVE能实时融合多模态数据，为物体建立全方位“物理画像”，例如将未知杯子的感官印象转化为“黄色，室温，表面具有规律排布的凸起纹理，判定为金属材质”的语言描述 [24] - 在高层级应用上，DOVE能将实时触觉反馈与大模型常识结合，推断物体潜在功能并做出逻辑决策，如在垃圾分拣任务中，根据触觉特征推论物体为“废弃的塑料饮料瓶”并建议放入可回收垃圾桶 [26] 五、未来方向 - 硬件方面，未来将通过传感器微型化、低功耗芯片及高集成封装，提升机器人手内操作的灵活性并解决高负载下的散热稳定性难题 [28] - 认知层面，将依托DOVE模型的模态无关框架，通过优化传感器配置与专用数据集来持续增强系统的泛化能力，为实现自然、高效的人机交互奠定基础 [28]