视觉已成为现代机器人的核心，但仅靠摄像头无法告诉机器人关于物理接触的一切必要信息。在处理柔性物体、插入组件或操作易碎物品时，机器人需要视觉系统可能遗漏的力、滑动和接触信息。
Daimon Robotics希望提供基础设施，帮助机器人发展这种能力。
该公司并非只专注于触觉传感器或开发单一基础模型，而是在构建一条连接触觉传感、数据采集、仿真和AI模型的流水线。其目标是将物理交互转化为有用的训练数据，帮助机器人更可靠地执行操作任务。
“通过构建触觉智能，我们实际上扮演的是基础设施提供商的角色，”Daimon合伙人兼技术副总裁Zhu博士对《The Robot Report》表示。“我们的目标不是成为基础模型开发者。我们是在为下游客户提供实现这一目标的基础设施。”
这一区别是Daimon战略的核心：开发其他公司可以用来构建更强大机器人系统的工具和数据基础设施。
构建触觉数据流水线
大规模采集有用的触觉数据是一项挑战。与可以相对容易地用摄像头采集的视觉数据不同，触觉数据依赖于物理接触。由此产生的信息会随物体的材质、几何形状、施加的力以及所执行的任务而变化。
Daimon正在开发一条采集和处理这些交互的流水线，触觉反馈以30 Hz运行。该公司还在努力将真实世界数据与仿真连接起来，使物理交互能够为虚拟环境中的训练提供信息。
仿真到现实的差距仍然是一个重大挑战，尤其是在准确再现摩擦力和接触力等物理特性时。Daimon的方法首先根据真实世界测量结果校准仿真，然后将采集的数据传输到仿真环境中。
“坦率地说，这还不够好。可以说是很糟糕，”Zhu在谈到仿真的现状时说道，他指的是仿真环境与真实世界环境之间的差距。
Daimon正在开发触觉仿真，以纳入通过真实世界测试测量得到的物理特性。目标是提高这些仿真的保真度，并让学到的能力更容易迁移到物理机器人上。
该公司已讨论采集超过10,000小时的数据，其更长期的Daimon-Infinity计划目标是超过100万小时的触觉具身数据。
Zhu还强调了与开发机器人模型和应用的公司合作的重要性。
“一切由我们自己来做是不够的，”他说。“在不同下游场景中进行国际协作非常重要。”
这种合作有助于Daimon了解其他开发者对其传感器、数据采集设备、软件和评估工具的需求。
图片来源：Daimon Robotics
从触觉演示到工业应用
Daimon瞄准的是装配和包装等操作任务，在这些任务中，机器人必须对物理接触做出响应，而不是仅仅遵循预定轨迹。
机器人可能需要判断某个组件是否正确就位、检测物体何时滑动，或在零件表现异常时调整其动作。触觉反馈可以帮助它应对这些情况。
该公司在IROS 2026上演示了涉及精细操作的应用，包括在托特包上施加热转印图案和穿手链。它还展示了一台机器人收集和包装碎玻璃，说明基于来自多种场景的数据训练的模型可以被提示执行特定任务。
Daimon使用其Umi设备采集人类交互数据。Zhu表示，该公司的演示由基于跨多个场景采集的数据训练的基础模型驱动，而不是仅围绕单个机器人演示构建。
该公司已将联想创投和汇川技术确定为主要合作伙伴。Zhu表示，Daimon也已从概念验证项目扩展到工业装配线和仓库，但由于保密协议，他拒绝透露具体客户名称。
商业考验在于，触觉传感及围绕其构建的模型能否在生产环境中持续提升性能，而在生产环境中，机器人必须应对物体、材料和运行条件的各种变化。
超越视觉感知
Daimon更广泛的战略核心是开发能够利用触觉信息理解和响应物理交互的模型。
其Daimon-TWM工作聚焦于一个以触觉为基础的世界模型，旨在帮助机器人对物理交互进行推理，而不是仅依赖视觉感知。
识别物体只是操作的一部分。机器人还必须理解其动作如何影响该物体，并在物理结果与预期不同时进行调整。触觉反馈可以通过提供关于接触和动作后果的信息来帮助闭合这一环路。
Zhu描述了触觉传感在机器人系统中的两个作用：帮助模型推理物理特性，以及在接触密集型任务中实现快速调整。后者可能需要高频反馈，Daimon的目标是以30 Hz进行控制。
该公司还在探索如何利用通过人类交互采集的数据来帮助训练适用于不同机器人构型的模型，包括人形机器人和双臂操作机器人。
但采集数据和训练模型只是问题的一部分。开发者仍必须证明这些系统能够在不同物体、材料、机器人和运行条件之间泛化。
为机器人扩展触觉能力
机器人行业面临的更广泛问题是：需要什么样的基础设施，才能让物理AI在受控演示之外可靠运行。
各公司正在大力投资视觉-语言-动作模型、仿真和大规模机器人训练数据集。触觉增加了另一个维度，尤其是对于必须通过物理接触来操作物体的机器人而言。
Daimon旨在构建连接感知、数据、仿真和智能的部分基础设施。其策略是支持开发机器人系统的公司，而不是直接与它们竞争，去构建下一代通用机器人大脑。
其成功将取决于这种方法能否可衡量地改善操作能力、降低开发新应用所需的投入，并支持在不同工业环境中的部署。
Zhu谨慎地避免夸大当今模型的能力。他说，即使在大规模数据集上训练，它们的泛化能力仍然有限。
“模型并不像我们想象的那么智能，”Zhu说。“它有一定的泛化能力，但有时是域内泛化。”
他补充说，具身智能模型仍在开发中，从类似任务中收集数据可以帮助它们泛化到新应用。
对Daimon来说，挑战在于将这种新兴能力转化为在更广泛现实世界任务中的可靠性能。