TouchWorld：让机器人"预判接触怎么演化"+"出错当场快速纠"，分四个时间尺度做¶

📅 2026-07 · 🏛 哈工大（深圳）+ PHANES AI · 🏷 触觉世界模型 / 分层策略 📌 一句话省流：接触密集活既要预判接触该怎么走、又要当场反应纠正打滑/没对准/力不对。TouchWorld 把这拆成四层不同频率——慢层用视觉语言规划出"触觉子目标"，中层用视频扩散世界模型预测未来 17 帧视触觉，动作层照着目标出动作块，最快层用高频触觉残差在线修正。 ≈ 打比方：像人拧螺丝——脑子先想"该拧到什么手感"(规划+预测)，手照着拧(动作)，一旦感觉滑了/卡了指尖立刻微调(反射)。四个环各跑各的频率。 🎬 演示：https://phanes-lab.github.io/TouchWorld-website/

🧰 对我们（可用性速判）¶

对我们的用处：主线正中。它是"触觉世界模型"这个新子领域里架构最完整的一篇——把"预测触觉"和"触觉反射修正"合进一个可跑的操作策略。对我们评估"双隐空间/世界模型+触觉"这条 idea，是最直接的结构参照。
真实性(前期)：真机 6 任务 + 完整基线/消融，数字经全文逐格核证；但零开源、绑定特定手+触觉手套，可复现性差。
训练/微调资源：世界模型基座 = Wan2.2-TI2V-5B(视频扩散)；规划器 = Qwen3-VL-4B + LoRA。预训练用大规模 EgoTouch 人类交互视频，微调 10h 真机≈108 万帧@30fps。
能借多少(开源)：啥都没放——无 GitHub、无权重、无数据集，展示页也没写"待发布"。只能借思路。
可用性结论：仅思路借鉴（架构范式很值得学，但拿不到东西）。
📖 详读（按需）：暂无。

亮点¶

四层按时间尺度解耦（论文自己的命名，不是"System 0/1/2"）：① Subtask Planner(Qwen3-VL-4B，语义速率，出触觉子目标)→② Tactile World Model(Wan2.2-TI2V-5B 视频扩散，预测 17 帧视触觉@384×224)→③ 视触觉目标条件扩散策略(H=32 动作块)→④ Tactile-Conditioned Refinement(触觉残差 Transformer，前瞻窗 W=16、每次提交 C=4，高频反射修正)。
触觉世界模型是"视频扩散"路子：把触觉渲染成图像，和视觉一起当视频帧去预测未来——这与卡片-TTP(预测触觉向量)、卡片-VT-WAM(预测 3D 形变场)是三种不同的"预测触觉"表征。
消融铁结论：去掉触觉输入掉得最狠（"Removing tactile input causes the largest degradation"）——接触观测是必需的，不是锦上添花。

🧬 与其他工作的关系¶

基线只有三个（论文实际对比，其余我方 agent 已核证原文无 OmniVTA/TacForeSight/VT-WM）：π0.5、卡片-FTP-1（被定位为"此前单体式触觉策略"）、GR00T N1.7。→ 它拿 FTP-1 当基线并超过（干净设置 65.0 vs 49.3），可回填进 FTP-1 卡的"后续对照"。
同期同族：卡片-TTP、卡片-VT-WAM、卡片-TACO、卡片-OmniVTA 共同构成 2026 H1 成形的"触觉世界模型"簇。

关键数字（每条带来源 [n]）¶

[1] 真机 6 任务成功率（Table 1，逐格核证）：TouchWorld 65.0%(clean) / 53.7%(人为扰动)；基线 π0.5 40.7/27.7、FTP-1 49.3/35.2、GR00T N1.7 39.3/26.0 → 比最强基线(FTP-1) +15.7 / +18.5pp。任务：浇花/清桌/放杯/插电源/擦锅/抽纸巾。
[1] 世界模型：Wan2.2-TI2V-5B，预测 17 帧视触觉、384×224；LoRA rank 64。
[1] 数据：EgoTouch 人类交互视频预训练（规模未量化）+ 10h 真机≈1.08M 帧微调。
[1] 🟡 动作/规划细节（单轮未复验）：动作空间 120 维、Planner 训练 128,866 条监督、每任务≈200 遥操作轨迹、各消融具体降幅 → 引用前回原文 Fig.5/消融表核。
[1] 本体/传感器：Wuji 灵巧手 + JQ-Industries 触觉手套。

🔎 证据与可信度（源头决定权重）¶

论文：arXiv:2607.07287（2026-07-09 v2）— 📄 全文经子 agent 二/三轮 verbatim 核证。
代码/权重/数据：全无（连"coming soon"都没有）。
第三方评阅/复现：无。
证据等级：B → 权重：中（数字可信，但零开源 + 硬件专用压住复现价值）。

🧪 复现条件与成本（暂不亲做，只估）¶

硬件：Wuji 灵巧手 + JQ 触觉手套 + 人形平台（数十万级），且强绑定该感知布局。
数据：需 EgoTouch 级人类视频 + 10h 真机遥操作，作者均未放。
算力：视频扩散世界模型(5B)+VLM(4B)微调，估 8×A100 级以上。
时间估计：无开源，短期不可复现。
侧证判价值：架构完整、消融支持"触觉必需"是加分；零开源是硬减分。

💡 我的批注 / 判断¶

⭐ 最该记的（我的类比，非论文原话）：TouchWorld 的四层——"VL 规划 / 世界模型预测 / 高频触觉反射残差"——在结构上恰好对应追踪-千觉-Xense 通稿里 X-TouchMind 的"System 0/1/2"分层(System 0=接触后高频反馈)。区别是：TouchWorld 有真机数字、有论文；千觉那套目前只有通稿。 也就是说，千觉宣称的架构范式在学界已有可查的对应物，它的差异化更不在架构本身。（论文自己从未用 System 0/1/2 措辞，也未提千觉，这条是我方对照。）
对 idea 的意义：它证明"预测触觉 + 触觉反射"能装进一个策略并涨点，但代价是四层调度超参 + 特定硬件 + 零开源。对我们评双隐空间世界模型，正面价值是范式参照，反面提醒是分层世界模型的工程复杂度不低。
盯更点：是否补开源；长程预测（论文自陈只做短程视触觉子目标）后续怎么解。

来源编号¶

[1] Zhou, Hong, Li, 等（哈工大深圳 / PHANES AI）, TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation, arXiv:2607.07287v2（Table 1 及方法节，全文核证）, 2026-07-09。

🔗 相关卡片
卡片-FTP-1 · 卡片-OmniVTA · 卡片-VT-WAM · 卡片-TTP · 卡片-TACO · 卡片-TacImag