接触失败很贵
一个错误接触会造成停线、返工、报废、测试失败、客户退货或质量追溯缺口。
Pitch 63 · Tactile Force-Control Skill Factory
最后一厘米，才是真正的机器人。
TouchForge 让机器人学会拿捏：把人类示教、触觉、力矩、视觉、失败回放和 LeRobot HIL 纠错铸成可部署的接触技能，让连接器插入、压合、柔性抓取、扭矩受限拧紧和易损件处理在 Qualcomm edge AI 上低延迟运行。
01 · Problem
机器人不缺眼睛，缺手感。
工业机器人能到达零件附近，但真正昂贵的失败发生在最后一厘米：插头半插、针脚弯曲、螺丝滑牙、压合过力、柔性件打滑、易损件刮伤、仓储拣选掉落。视觉能告诉机器人“在哪”，触觉和力控才告诉它“怎么碰”。
集成不可复制
传统集成商为每个工位调夹具、轨迹和阈值，换产品、换机器人、换传感器就重新来。
数据格式断裂
视觉、触觉、F/T、马达电流、动作、HIL 接管、质量结果和 MES 记录不在同一条 episode。
大模型缺物理反馈
机器人基础模型需要真实接触数据、失败恢复和现场回放，不是只靠互联网视觉数据。
02 · Why Now
机器人硬件、触觉传感、数据工厂和边缘 AI 在同一时间成熟。
2025-2026 年的信号很明确：基础模型公司在融资，机器人公司在建数据工厂，Amazon Vulcan 把触觉带到仓储，BMW / Mercedes 等制造客户试用人形和移动操作机器人，中国政策也把力位曲线、异常扰动和真实场景数据写进方向。
$600M
Physical Intelligence 2025 年 B 轮融资规模，说明机器人模型层进入资本主赛道。
$935M+
Apptronik 2026 年 Series A 累计规模，用于产品化、客户部署和数据采集设施。
2M
IFR 2026 数据显示，中国运营中的工业机器人约 200 万台，是最大部署市场。
41 分钟
按 ABB 12.5 万美元/小时停机成本口径，避免约 41 分钟停机即可覆盖 8.5 万美元试点。
03 · Insight
不要先做通用机器人脑，先把高价值接触动作变成可复用技能。
TouchForge 的判断是：客户不会为“触觉很酷”付费，但会为连接器一次插对、螺丝不滑牙、柔性件不掉、力曲线可追溯、人工接管减少和小于 12 个月回本付费。
Last-Centimeter
最有价值的技能不是搬到附近，而是最后接触：插入、压合、拧紧、拿捏、擦拭和放置。
Data Factory
每次示教、失败、打滑、过力、接管和恢复都是下一个技能更稳的训练样本。
Edge Skill
接触控制需要低延迟，策略和安全门禁要在工位边缘运行，而不是等云端推理。
04 · Solution
TouchForge 是接触式操作的数据与技能工厂。
它不卖单一触觉传感器，也不声称通用灵巧手已完成。它把机器人、触觉/力传感、视觉、LeRobot HIL、云 GPU 训练和 Qualcomm edge runtime 组织成一个可交付闭环：先手工解决一个高价值工位，再把它产品化成技能包。
- Capture：同步记录 RGB、触觉图、力/力矩、马达电流、动作、夹爪状态、失败原因和人工接管。
- Forge：用 LeRobotDataset v3、BC/ACT/HIL 纠错和云 GPU 训练，生成接触策略、成功判别器和异常检测器。
- Deploy：经 AI Hub profile、QNN/QAIRT 或 ONNX Runtime QNN 输出可在 Qualcomm edge 上运行的技能。
- Improve：每个客户工位继续回收失败、恢复和质量结果，形成可复用 skill primitive。
05 · Product Workflow
从人类手感到边缘技能包。
第一版不追求泛化到任意机器人和任意零件。它先在夹具、低速、低力和明确安全边界内，把一个接触任务做成可复用产品。
Instrument
给工位加 wrist F/T、触觉指尖、前视/腕部相机、马达电流和安全限位。
Demonstrate
老师傅或操作员示教 50-200 次，系统记录成功、失败、恢复和低置信度。
Train
云端训练多模态策略、成功判别器和异常 force signature 模型。
Deploy
导出固定形状 ONNX/PyTorch，AI Hub profile 后部署到 QNN/QAIRT edge runner。
Replay
把接触失败、人工接管、质量结果和 MES 记录回流到下一轮 skill update。
06 · Market Wedge
先做一类高 ROI 接触动作，不从万能灵巧手开始。
最好的第一批客户不是想看 demo 的展厅，而是已经因为错误接触付钱的电子、汽车、医疗器械和仓储自动化团队。
连接器插入
半插、针脚弯曲、线束变形和下游测试失败，适合力曲线与恢复策略闭环。
扭矩受限拧紧
错位、滑牙、错扭矩、漏打和交叉螺纹，用轴向力、电流、扭矩和视觉共同判断。
压合 / 卡扣
压力过大损坏零件，压力不足导致装配不良，force-displacement signature 是天然证据。
柔性/易损抓取
打滑、变形、刮伤、掉落和包装损坏，触觉 slip score 和夹持调整能直接创造 ROI。
3C / EV 装配
平板测试、连接器、线束、胶合、精密上下料和电池相关工位是中国切口。
仓储拣选
不规则、反光、软包和易损 SKU 的掉落/错拣是触觉机器人早期商业场景。
07 · Business Model
按工位技能、运行订阅和验证节省收费。
TouchForge 的卖点不是节省人工，而是减少接触失败造成的停线、报废、返工、质量逃逸和人工异常处理。
90 天试点
8.5 万美元/工位任务族，覆盖一个 cell、1-3 个 SKU/零件变体、数据采集、技能调优和 ROI 报告。
运行订阅
5k-12k 美元/cell/月，包含技能 runtime、漂移监测、失败回放、模型更新和质量报表。
按周期计费
高量客户可加每成功周期 0.005-0.03 美元，绑定成功执行和质量追溯。
成功费
达成 KPI 后收取 2 万美元 success fee；试点 50% 可抵扣年度订阅降低采购阻力。
08 · Go-To-Market
90 天证明：接触失败下降，力曲线可追溯，12 个月内回本。
先做 baseline，再收集 3k-10k 个接触周期或示教，最后跑 10 个班次或 10k 周期的 shadow/limited production。每个报告都按缺陷、报废、停机小时、人工介入和吞吐贡献算账。
Connector KPI
批准零件集 first-pass success ≥99%，或插入失败比 baseline 降 50%+，100% 力曲线可追溯。
Fastening KPI
交叉螺纹、漏打、滑牙和 torque NOK 下降 50%+，cycle time 不超过 takt +10%。
Fragile KPI
掉落、刮伤、裂纹、变形报废下降 50-80%，人工异常介入下降 30-50%。
Economic KPI
年化验证节省 ≥ 年度订阅 3 倍，回本周期小于 12 个月。
09 · Competition
传感器公司卖手指，大模型公司卖大脑，TouchForge 卖可交付的接触技能。
Physical Intelligence、Skild、Google DeepMind 和 NVIDIA 推动通用模型；GelSight、XELA、Daimon、PaXini、Unitree 等推动触觉和灵巧硬件；传统集成商做单个 cell。TouchForge 的位置是跨硬件的数据、训练、评测和 edge runtime 层。
不是传感器硬件
传感器会被供应链卷低价，商业护城河在 episode、failure replay 和可复用 skill。
不是通用基础模型
先从昂贵、重复、可验收的接触工位切入，而不是承诺任意任务泛化。
不是一次性集成
每个部署都生成标准化数据、策略、评测和更新，下一次同类任务更快。
10 · Moat
壁垒是接触 episode 到质量结果的闭环数据。
TouchForge 的数据不是普通视频，而是带力、触觉、动作、失败、HIL 恢复、质量判定和 ROI 的多模态接触历史。这是机器人真正学会拿捏的燃料。
Force/Tactile Episodes
视觉、触觉、F/T、马达电流、动作和干预标记同步成可训练 episode。
Failure Replay
半插、过力、打滑、掉落、刮伤和 cross-thread 都成为可检索失败案例。
Skill Library
插接、压合、拧紧、柔性抓取和易损件处理形成跨客户复用的 primitive。
Edge Profiles
固定序列长度、量化校准、QNN/QAIRT profile、回滚和安全门禁形成部署资产。
11 · Architecture
云端训练，边缘推理，安全环不交给模型。
Qualcomm edge 负责低延迟推理、成功判别和异常提示；云 GPU 负责训练；ROS 2 安全 supervisor 负责硬限制。页面和 demo 不会声称 Qualcomm 现场训练策略。
Sensors
wrist F/T、触觉皮肤、GelSight/DIGIT 类视觉触觉、马达电流、前视/腕部 RGB。
Dataset
ROS bag 作源数据，转换到 LeRobotDataset v3：state/action、MP4、Parquet 和 metadata。
Train
BC/ACT/HIL-SERL 小模型，视觉/触觉 encoder + proprio/F/T MLP + temporal head。
Deploy
PyTorch/ONNX -> AI Hub compile/profile/quantize -> QNN/QAIRT 或 ONNX Runtime QNN。
Safety
workspace bounds、速度限制、力限制、E-stop、夹具约束和人工接管独立于学习策略。
12 · Competition Demo
低力桌面工位就能证明“手感到技能包”。
演示重点不是展示万能灵巧，而是展示一条完整证据链：示教、触觉/力数据、失败回放、HIL 恢复、云训练、边缘 profile、受限动作成功。
Capture
操作员遥操作一次轻量插接，系统记录 RGB、触觉、F/T、电流、动作和干预标记。
Replay Failure
故意错位，机器人检测 rim contact 或打滑，仪表盘显示 force spike 和 tactile heatmap。
HIL Recover
人工接管做小范围搜索/校正，恢复后交还策略，LeRobot 记录 recovery episode。
Edge Deploy
展示 AI Hub profile、QNN/QAIRT artifact、edge latency 和固定安全限制。
Skill Pass
在夹具内完成 chamfered peg insertion、柔性抓取或 torque-limited screwdriving proxy。
13 · Why Qualcomm
触觉力控技能是 Qualcomm 机器人边缘 AI 的杀手级工作负载。
接触控制不能把每个触觉帧、力曲线和动作决策发到云端等待。它需要本地多传感器融合、低延迟策略、硬安全门禁、弱网可用和可 profile 的模型部署。
Sensor Fusion
多相机、触觉、F/T、电流和机器人状态在边缘融合，减少云依赖和延迟。
AI Hub / QNN
可展示固定输入模型的 compile/profile/quantize、QNN/QAIRT 运行和回滚。
Industrial Edge
工厂数据、工艺参数和失败回放需要本地化/区域化，不适合默认上传公网云。
Ecosystem Pull
TouchForge 把 Qualcomm 拉进灵巧手、触觉传感、工业机器人、3C/EV 装配和物理 AI 标准。
14 · Ask
比赛阶段需要一个可信、低风险、可复现的接触技能样板。
我们需要证明数据闭环和 edge runtime，而不是在比赛现场训练一个通用灵巧模型。
Hardware
RB3 Gen 2 / RB6 / Dragonwing dev kit，ROS 2 arm，wrist F/T，触觉指尖，双相机和 E-stop。
Demo Fixtures
chamfered peg、低风险连接器代理、柔性件、扭矩受限四分之一转 fastener 和夹具。
Data
50-200 次示教、失败和恢复 episode，含力曲线、触觉热图、动作和成功/失败标签。
Boundary
不声称通用灵巧、工厂即用、零样本泛化、现场训练或任意机器人/传感器迁移。
Claims To Avoid
可信边界比大词更重要。
不说通用灵巧、工厂级螺丝/插接已完成、零样本触觉操作、马达电流等同力传感、Qualcomm edge 现场训练策略、任意 PyTorch 模型可直接跑 QNN、可安全人机协作或跨任意机器人/夹爪/零件/传感器迁移。