三个月融两轮，清华00后团队要给机器人“装上”触觉

先说说触觉这回事儿。一个杯子是轻是重，表面光滑还是粗糙，握持时是否即将滑落——这些对人类来说近乎本能的判断，对当前的机器人系统依然是显性的技术挑战。

让机器人观看大量操作视频，确实可以习得视觉层面的轨迹模仿，但指尖力反馈信息的缺失，直接限制了它在不确定环境下的操作稳健性。缺乏触觉反馈，机器人操作能力的泛化就卡在了瓶颈上，精密装配、手术辅助、养老护理这类真实场景的应用，也就很难真正落地。

传统的触觉方案，从接触开关、触摸屏到电子皮肤，大多在空间分辨率、多维信息解耦、耐用性与批量一致性方面难以兼顾。更关键的是，输出信号维度普遍偏低，很难与AI训练体系有效对接。

面对这个局面，一支来自清华大学的00后团队选择了一条不同的路——视触觉传感。创始团队主要来自清华和浙大。创始人兼CEO王陈玉珩，本硕就读于清华大学电子工程系，跨学科研究背景，深度参与过灵巧手、视触觉传感及机器人数据采集系统的产品开发，在机器人产品定义、工程落地与团队管理方面积累了实战经验。CTO徐继凯，硕士毕业于浙江大学控制科学与工程系，本科来自华中科技大学机械科学与工程学院，长期从事视触觉传感器、机器人感知与操作方向研究，在传感器硬件研发和量产环节都有经验。

核心思路很清晰：通过光学信号采集弹性体接触面的形变图像，再经算法模型从图像中重建出接触位置、受力分布、滑移及纹理等多维信息。简单说，就是把物理接触转化为可被视觉模型处理的图像信号。

为什么选择光？

从第一性原理出发，光是感知媒介中频率最高、带宽最大的电磁波之一。更高的频率意味着更高的精度与分辨率上限。视触觉技术能够将物理接触过程转化为微米级空间分辨率的图像数据，每帧记录接触面上的压力分布和形变细节。这类高保真、高维度的数据，正是物理AI训练所需要的关键素材。更关键的是，视触觉输出的图像化数据，天然适配当前主流的AI架构——CNN、Vision Transformer、扩散模型等，无需复杂的信号转换与特征工程，可以直接汇入具身智能的训练闭环。传感器的输出，就是模型可以直接处理的输入。

创业初期，团队没有外部资金，自己垫钱买设备、买物料，在出租屋里搭起简易工位，用半年时间开发出第一代产品。为了验证市场需求，他们开了淘宝店，几个月内卖出几百单。通过这个渠道，团队跑通了接单、生产、发货、售后的完整链条，确认了产品的市场接受度。然后，他们又跑到深圳、东莞拜访工厂，实地了解产线工艺，和上下游的工程师、工人反复沟通。这段从研发到直面市场的经历，为他们积累了客户反馈和量产认知。

在夯实研发与生产基础后，团队开始向B端拓展，逐步拿到多家数十万元至百万元级的客户订单。三个月内，公司连续完成数千万元种子轮和天使轮融资，由峰瑞资本与一家双币财投机构领投，破壳机器人、无限基金SEE Fund、水木清华校友种子基金跟投。

汇光创新的核心产品是一款名为LIGHT TILE的超薄视触觉传感器。在技术路线上，团队选择了灰度重建方案，而非更常见的彩色标记点追踪路线。这一选择有效降低了内部光学结构与算法链路的复杂度，带来了三个相互叠加的产品力：更薄的结构、更低的算力需求、更优的成本控制。第一版产品厚度控制在3至4毫米，已经进入产品化推进阶段，正在针对机器人指尖、夹爪等末端执行器进行深度适配。

“薄”不只是一个结构参数，它直接关系到触觉传感器在真实机器人系统中的应用可行性。传感器越薄，对机器人末端执行器的运动学干涉越小，大规模真机数据采集的部署门槛也就越低。同时，视触觉数据的信息密度在各类触觉模态中处于较高水平，所采集的高维图像数据具备向下兼容、降维到其他触觉数据模态的潜力，有助于实现跨本体的策略泛化。在灵巧手等紧凑结构中，传感器厚度直接决定了它能否嵌入指尖关节。更薄，意味着从实验室装置向机器人基础部件的跨越。

在商业模式上，汇光创新采取了“硬件切入、数据生长”的双层结构。前期以LIGHT TILE系列硬件直接进入市场，通过销售触觉传感器获取客户与场景，积累部署规模与市场认知。随着装机量扩大，触觉数据与感知算法就逐步产品化，形成数据集授权、算法API等持续性收入来源。

团队还会与产业伙伴协作，推进两条数据路径：一是通过超薄视触觉传感器采集高保真真机触觉数据，二是以真机数据反哺仿真平台，构建虚实融合的触觉数据生态。目前，指尖款和夹爪款产品已经与头部客户签约，进入小批量交付阶段。

本轮融资完成后，汇光创新将继续推进核心传感器的迭代、工程化验证、供应链建设与试点合作，并完善触觉数据采集与处理体系。公司的长远目标是推动视触觉传感器及数据基础设施在具身智能与消费电子产业中的规模化应用。

从行业视角来看，具身智能当前的核心瓶颈之一不在视觉感知，而在接触感知；触觉技术的瓶颈不在原理验证，而在缺少可规模化、可嵌入、可量产的基础传感器。汇光创新的路径表明，视触觉传感正在从实验室原型向可部署的基础部件演进。

让机器人不仅“看见”世界，也能“感知”物理接触，这一目标的实现，最终取决于传感器、算法与数据基础设施三者的协同推进。