新智具身补齐具身智能物理交互短板！

当前具身智能规模化落地的核心瓶颈，并非视觉识别精度不足，而是物理接触感知能力缺失。市面上绝大多数机器人依赖纯视觉方案，可精准识别物体位置、形态，但无法感知接触力度、受力位置、滑移状态、挤压形变等物理交互信息，直接导致插拔、抓取、折叠、装配等精细化实操任务频繁翻车，无法适配工业量产、家庭服务等真实复杂场景，这也是制约具身智能从技术演示走向产业落地的核心痛点。

针对行业核心技术短板，新智具身联合复旦大学可信具身智能研究院，发布Neo-Foundation、Neo-VTLA、Neo-TWAM三套完整触觉技术体系，从数据底座、融合算法、认知模型三层完成全栈技术突破，构建“数据标准化+实时预判+物理认知”的完整触觉能力闭环，为全行业提供可直接落地、可开源复用的具身智能解决方案。

Neo-Foundation：统一触觉数据标准，搭建行业通用交互数据底座

行业痛点

市面触觉传感器硬件品类繁杂，凝胶形变、电容矩阵、六维力等各类数据格式互不兼容，数据碎片化严重，无法跨设备、跨机器人、跨场景融合训练，导致触觉模态难以规模化复用，长期沦为视觉的辅助补充。

技术方案与核心优势

团队构建的NeoData大规模视觉-触觉交互数据集，打造行业首个标准化触觉数据基座，核心参数行业领先：覆盖6类主流机器人本体、450项全场景长程任务，累计3万小时实操数据、140万条操作片段，整合百亿级视觉与触觉帧数据，场景覆盖居家服务、工业装配、精密操作等核心落地场景。

搭配自研NeoForce统一表征算法，实现底层硬件无关的标准化触觉表征，可精准输出受力位置、接触力度、横向拉扯、滑移趋势等核心物理信息，彻底解决跨设备数据融合难题。该方案可为机器人研发厂商、自动化企业、科研机构提供标准化训练数据与通用感知模型，大幅降低触觉感知技术的研发落地门槛。目前项目已开源5千小时高质量数据，可供行业客户直接部署复用。

Neo-VTLA：轻量化视触语言动作模型，实现触觉预判与失败自主迭代

行业痛点

传统VLA模型简单拼接视觉与触觉信号，高频瞬时的触觉信息极易被海量视觉Token淹没，且仅能反馈已发生的动作结果，属于滞后性感知，无法应对动态物理交互场景；同时传统模仿学习仅依赖成功案例，无法从实操失误中迭代优化，长程复杂任务稳定性极差。

技术方案与核心优势

Neo-VTLA创新引入潜在触觉Token压缩+未来50步触觉预判机制，摒弃传统滞后感知模式，通过轻量化编码压缩触觉特征，结合视觉上下文预判物理交互趋势，提前调整动作策略，从“事后纠错”升级为“事前预判”，彻底解决动态交互滞后问题。工程落地效果显著：精密插拔类任务成功率实现跨越式提升，插插头任务成功率85%、拔钥匙任务成功率99%，远超纯视觉方案。同时创新构建任务进度评估模型，可精准识别任务执行、退步、救场等复杂行为，结合离线强化学习实现失败数据自主进化，让毛巾折叠、纸箱收纳、精密组装等长程任务成功率翻倍提升，完美适配商用服务机器人、工业柔性装配机器人的落地需求，兼顾轻量化、高精度、高稳定性三大核心优势。

Neo-TWAM：触觉原生世界模型，解决仿真与真机落地“虚实脱节”难题

行业痛点

现有AI世界模型仅聚焦未来视觉画面生成，缺失触觉、动作耦合信息，无法理解物理世界的受力逻辑，导致仿真测试效果优异，但真机落地时频繁出现夹持不稳、卡位卡顿、操作失效等问题，虚实对齐难度极大，严重制约高阶具身智能的落地应用。

技术方案与核心优势

Neo-TWAM是行业领先的触觉原生世界动作模型，打破单一视觉生成范式，实现视频、触觉、动作三序列异步协同预测，让机器人具备“触觉想象”能力，在执行任务前即可完整推演全流程物理交互效果，精准预判接触状态与受力变化。

模型采用混合专家轻量化架构，拆分视频、触觉、动作三大独立专家网络，在保证高精度预测能力的同时，将参数量压缩至72亿，仅为传统方案的一半，大幅降低终端部署算力成本。实测数据验证技术优势：仿真场景成功率84.5%，真机8项核心任务平均成功率46.3%，较传统视觉世界模型实现数倍提升。消融实验证实，触觉预测是模型物理交互能力的核心支撑，缺一不可。