物界前沿触觉想象的工程代价：从UniTac看VLA落地的三个硬约束
我注意到一个有意思的细节：优理奇UniTac的论文标题里用了“触觉想象力”这个词，但做飞控的人看到“想象”两个字，第一反应是实时性怎么办。在DJI做imu融合这些年，我太清楚传感器数据晚到1毫秒，飞控就要多花10毫秒去补偿，最终变成云台画面的抖动。所以当我读到UniTac让VLA（视觉语言动作模型）通过触觉信号预测接触状态时，最关心的不是模型有多聪明，而是这个“想象”到底能不能在真实机器人上跑通。
先说结论：UniTac在感知层面确实有突破，它用触觉历史数据外推未来接触，弥补了VLA在接触瞬态中的感知盲区。但要从论文走向量产，至少有三个工程问题必须解决：传感器数据的实时性、触觉与视觉的时空对齐、以及模型推理延迟对控制环的侵入。这三个问题任何一个没处理好，触觉想象力就会变成触觉幻觉。
触觉数据的“实时性陷阱”
机器人操作中，接触事件往往发生在毫秒级。比如抓取一个易碎品，从指尖接触物体到施加力，典型响应时间在5-10毫秒。而目前的VLA模型通常以30-60Hz的视觉帧率运行，即每帧间隔16-33毫秒。这意味着视觉模型在两次帧之间完全是“盲”的，UniTac的作用就是用触觉历史数据填补这个盲区，预测接触状态。
但触觉传感器本身也有采样率和延迟问题。我查过一些商用触觉传感器（如GelSight、Digit），采样率一般在100-400Hz，数据通过USB或SPI传输，加上协议开销，端到端延迟在3-8毫秒。这个延迟对于非实时系统（如Linux）来说已经不可忽略。更关键的是，机器人控制环通常运行在1-4kHz，imu数据采样率在1kHz，触觉数据若不能同步到控制环的时间戳，外推结果就会产生相位误差。
想象一下，触觉传感器告诉你“已经接触”，但实际接触发生在2毫秒前，而你的抓取力规划却基于这个“未来”数据。结果就是要么过冲，要么欠力。
UniTac对外推时间窗口有要求，论文里提到可以预测未来20-50毫秒的接触概率。但问题是，外推模型本身的推理延迟是多少？如果模型在CPU上运行需要5毫秒，那有效外推时间就只剩15毫秒，留给控制器的余量就更紧张了。
视觉与触觉的“时域对齐”
VLA的多模态融合通常假设视觉和触觉在时间上是对齐的。但实际上，视觉摄像头有曝光时间、图像传输延迟，触觉传感器有采样时刻和滤波延迟，两者很难做到精确同步。在DJI做飞控时，我们用的是硬件时间戳加PTP协议来同步imu和摄像头，精度能到微秒级。但UniTac这种方案，如果运行在通用机器人控制器上，可能连软件时间戳都不稳定。
我注意到UniTac的预训练用的是一个包含触觉-视觉-动作的仿真数据集，但仿真中时间戳是理想化的。一旦迁移到真实硬件，两个传感器的时钟漂移、驱动底层的调度抖动，都会让外推模型学到错误的相关性。比如触觉传感器在t时刻检测到接触，而视觉图像在t+5ms时刻才到达，UniTac如果基于t+5ms的视觉特征去预测t+10ms的接触，它实际上是在用过时的视觉信息去外推，结果必然偏离。
[!note] 一个可行的工程方案是在机器人操作系统（ROS2）中引入时间戳同步机制，并对外推模型进行延迟补偿训练。但这样会增加系统复杂度，降低部署灵活性。
模型推理延迟对控制环的侵入
VLA模型本身已经够重了，加上UniTac这个外推测头，推理延迟肯定会进一步增加。目前主流VLA（如RT-2、Octo）在边缘设备上的推理延迟在100-300毫秒，只能做粗粒度的任务规划。而UniTac的触觉外推需要更低的延迟才能接入控制环，理想情况下应该低于10毫秒。
矛盾在于：UniTac的模型结构（基于Transformer的时序预测）在小规模数据集上表现不错，但参数量依然在几百万级别。若要在嵌入式设备上（如Jetson Orin）跑出10毫秒以内的延迟，必须做模型量化、剪枝甚至知识蒸馏。这又会带来精度损失。论文里没有给出详细的延迟benchmark，这让我有点怀疑实际部署时的性能。
另一个细节：UniTac预测的是“接触概率”而非具体力值，这对于抓取任务来说可能不够充分。如果只做二元分类（