Ant Lingbo、触覚基盤モデル「LingBot-Touch」を発表:約5,000時間のデータ、1つの表現を4種類の行動モデルに接続
Machine Heartの2026年11月10日の報道によると、Ant Lingboは触覚基盤モデル「LingBot-Touch」を発表した。4,983時間の実触覚データで磁気触覚、圧抵抗式、視覚触覚の3種類のセンサーを統合し、同一の事前学習済み表現をDiffusion Policy、π0.5、LingBot-VLA、T-Rexに接続すると実機の成功率が向上したと報道されている。
主な変更
Machine Heartの2026年11月10日の報道によると、Ant Lingboは同日、触覚基盤モデル「LingBot-Touch」を発表した。報道はAnthropicのFable 5.2がロボット操作デモとRoboDojoベンチマークで64.9%を記録したことを導入として取り上げ、その上で「デモの成功は汎用的な物理操作能力と同義ではない」という点に焦点を当て、精密な「手触り」は依然として身体性に根ざしたモデルで補う必要があるとの見方を示した。 報道によると、チームはLingBot-Touchのために4,983時間の実触覚データを収集した。464,431件のインタラクションセグメント、約13.3億フレームに及び、圧抵抗式、磁気触覚、視覚触覚の3種類のセンサーをカバーする。データの約3分の2は触覚グローブを装着した人間の操作者によるもので、3分の1はSharpa Waveの器用な手を搭載した双腕遠隔操作システムによるものだ。モデルはマルチブランチエンコーダと共有バックボーンという構成を採用する。3種類のセンサーはそれぞれ独自の軽量Tokenizerを持ち、変換された触覚Tokenは同一のHaptic Transformerに入る。チームは統合された指先幾何座標系を構築し、各触覚Tokenに時間窓インデックス、指番号、3次元座標からなる5次元アドレスを付与することで、センサー間の測定点数、配置、サンプリングレートの違いに対応した。訓練はJEPAの考え方を踏襲し、チームはこれをTactile-JEPAと呼ぶ。生信号を再構成するのではなく、潜在空間でマスク予測を行う。その理由は、触覚データには接触のない時間が多く、ほぼゼロの背景信号が再構成目標を散漫にしてしまうためだ。 報道が示した下流検証は3層に分かれる。5つの凍結エンコーダによる触覚理解タスク、Sharpa WaveとXHand1の2種類の器用な手での26の実機タスク、そして12のシミュレーションタスクである。報道によると、わずか1000時間の事前学習データで、モデルは30〜50 Nの指先測力範囲における接触力予測誤差が2 N未満、接触中心の定位がサブミリメートル級、接触面積の推定誤差が2%未満に達した。実機部分では、LingBot-Touchを追加の触覚表現モジュールとしてDiffusion Policy、π0.5、LingBot-VLA、T-Rexの4種類の行動モデルに接続して下流の事後学習を行うと、平均成功率が概ね上昇したと報道されている。例えばπ0.5はSharpa Waveで47.56%から68.58%に、LingBot-VLAは45.60%から72.51%に上昇した。XHand1ではπ0.5が49.71%から74.17%に上昇した。報道はFTP-1との比較データや、事前学習データを1000時間から5000時間に増やしたスケーリング実験も示している。報道はプロジェクトページ、技術レポート、GitHub、Hugging Face、ModelScopeなどの公開チャネルを列挙しているが、全文を通じてライセンス条項には触れておらず、APIや価格についても言及していない。
開発者への影響
この件が開発者にとって意味するのは、また一つ大きなモデルがAPIで公開されたということとは全く異なり、3層に分けて見る必要がある。 第一層は「触覚エンコーダを自分で作る必要がまだあるのか」という点だ。報道の中心的主張は、触覚表現がセンサーをまたぎ、行動モデルをまたいで再利用できるというものだ。同一の事前学習済み特徴を4種類のポリシーモデルに接続しても平均成功率が向上し、行動モデルごとに触覚エンコーダを再訓練する必要はない。この主張が自分のハードウェアで成立するなら、省けるのは1回の訓練ではなく、器用な手やセンサーを変えるたびに適応作業をやり直す手間である。報道によると、LingBot-VLAは以前に「1つの頭脳で複数の機体」を検証済みであり、LingBot-Touchは同じ考え方をより統一が難しい触覚モダリティへ押し広げたものだ。 第二層はデータコストの構造だ。報道が開示したデータの出所の比率(約3分の2が人間のグローブ装着、3分の1が遠隔操作)は、ロボット本体に依存しない収集経路を示唆する。人間の日常操作で接触経験を蓄積し、遠隔操作で特定ハードウェア上の実インタラクションを補うというものだ。実機の稼働時間を大量に確保できないチームにとって、この比率自体が議論に値する収集戦略であり、単なる訓練の細部ではない。 第三層は評価の基準だ。報道における「触覚を接続すると良くなる」と「触覚表現の品質が向上幅を決める」は別の結論である。シミュレーション部分では、二値の接触信号のみ、あるいは触覚入力を使用しないポリシーは球体バランスタスクで成功率0%だったのに対し、LingBot-TouchはSharpa WaveとXHand1でそれぞれ67.7%と35.9%だったと報道されている。これは、単に接触スイッチを追加しても同等の利益は得られず、「触覚があるかどうか」ではなく接続方式が結果を左右することを意味する。留意すべきは、上記の数値はすべてチームの自己申告であり、報道は第三者の再現や独立評価に言及していない点だ。
導入と評価の提案
以下の2つ以上の意思決定ルールは、報道内容に基づく提案と条件分析であり、報道自体の事実結論ではない。 意思決定1(提案):LingBot-Touchを共有触覚エンコーダとして再利用するか、それとも行動モデルごとに専用エンコーダを自前で訓練し続けるか。対応する報道の変化は、同一の事前学習済み表現をDiffusion Policy、π0.5、LingBot-VLA、T-Rexの4種類のアーキテクチャに接続でき、実機の平均成功率が概ね上昇したというものだ。前提条件は厳しい。あなたの触覚センサーが報道の対象である圧抵抗式、磁気触覚、視覚触覚の3種類に属している必要がある。報道は事前学習が静電容量式センサーをまだカバーしていないと明言しており、実機検証もSharpa WaveとXHand1の2種類の器用な手に限られている。指の構造やセンサー方式が大きく異なるチームは、この再利用の結論をそのまま適用できない。測定可能な評価基準は、自分の実機タスクセット上で、凍結エンコーダと既存の触覚ベースライン(例えば自前で訓練したCNN触覚特徴)を同一タスクで比較し、成功率の差と接触力予測誤差を記録することだ。報告が示す参考の目安は、同一タスク・同一プラットフォームで接触力の平均誤差がFTP-1の2.31 Nから0.81 Nに下がったというものだが、必要なのは自分で収集した数値であり、これらの数値を復唱することではない。さらに着手前に一つ確認すべきことがある。あなたのセンサーの測点配置が、報道で説明された統一直角座標系と5次元Tokenアドレスにマッピングできるかどうかだ。マッピングできなければ、その後の再利用はすべて成り立たない。 意思決定2(提案、自前で訓練または継続事前学習を行うチーム向け):次のリソースはデータ規模に投じるか、モデル容量に投じるか。対応する報道の変化はスケーリング実験だ。事前学習データを1000時間から4000時間に増やすとHaT-Tinyは4次元で持続的に向上し、5000時間と4000時間ではほぼ横ばいになり、チームはモデル容量が制限になり始めたと判断した。より大きなHaT-Smallに替えると、どのデータ規模でもさらに向上した。前提条件は、安定して拡張可能な触覚データパイプラインを既に持っていることだ。そうでなければ、まずバックボーンのサイズではなく収集を解決すべきだ。測定可能な基準は、固定した評価セット上で「事前学習時間数—接触力誤差/成功率」の曲線を描き、すでにプラトーが現れているかを見ることだ。プラトーが現れ、データを増やしても利益がないなら、その時点でバックボーンを大きくし、同じ曲線を再実行して対照することを検討する。 意思決定3(提案、データ収集計画向け):人間のグローブ収集を優先するか、遠隔操作収集を優先するか。対応する報道の変化は、データの出所の構造が約3分の2がグローブ、3分の1が遠隔操作というものだ。前提条件は、目標ハードウェアが遠隔操作システム中の同一モデルかどうかだ。そうでなければ、遠隔操作部分の特定本体への適応価値は下がる。測定可能な基準は、同一の表現を2台目の器用な手に転移した後、平均成功率の下落幅を観察することだ。下落幅が小さければ表現の転移可能な部分の割合が高く、グローブデータの限界価値がより大きいことを示す。
制限と未確認事項
第一に、今回のカタログ確認(2026年11月12日)では、LingBot-TouchはKimiSeekのモデルカタログに現れておらず、報道もAPIや価格に一切言及していない。報道が示したプロジェクトページ、コードリポジトリ、Hugging Face、ModelScopeのアドレスはいずれもベンダー側が公開したものであり、このモデルが入手可能かどうか、どのように接続するかに関する記述は、本サイトではなくベンダー(Ant Lingbo/Robbyant)のチャネルに従うべきだ。第二に、報道は全体を通じてライセンス条項に触れておらず、「重みページが公開されている」ことと「商用利用可能」は別問題であり、導入前に必ず自分でライセンスを確認する必要がある。第三に、実機検証はSharpa WaveとXHand1の2種類の器用な手のみをカバーし、事前学習データは静電容量式センサーをカバーしておらず、報道自身もより多くのロボット形態、複雑な環境、長期的タスクにはより広範な実験が必要だと認めている。第四に、すべての成功率、誤差、比較数値はチームの自己申告であり、報道は第三者の再現に言及していない。比較ベースラインであるFTP-1についても、その実装の詳細やチューニングの予算は報道で説明されておらず、横比較の公平性は報道から確認できない。第五に、遠隔操作データはSharpa Waveを搭載した双腕システムでのみ収集されており、本体をまたぐデータ分布の差異がどれほど大きいかについて、報道は定量化を示していない。第六に、モデルのパラメータ数、訓練と推論に必要な計算資源、推論遅延はいずれも報道で開示されておらず、導入コストは現時点で公開情報から見積もれない。以上の点は本文中の報道事実や提案と矛盾しない。本文中の性能数値は常に報道ベースとして明記されており、本段落が説明するのはこれらの数値の外側に依然として空白がある部分である。