Spark-0: Skaliertes, räumlich ausgerichtetes Tastsinn-Pretraining für geschickte Robotermanipulation
Mit 1.000 Stunden menschlicher Tastdaten vortrainiert, steigert Spark-0 die Erfolgsquote auf einem Humanoid-Benchmark ohne Tastsinn von 52,5 auf 71,7 Prozent. Bei realen Kontaktaufgaben liegt es 16 Punkte vor der besten taktilen Policy.
Lässt sich in großem Umfang aufgezeichneter menschlicher Tastsinn nicht nur als Live-Eingang einer Roboterpolicy nutzen, sondern auch als Trainingssignal, das eine rein visuelle Policy geschickter macht?
Vision-Language-Action-Modelle lernen aus Bildern und Videos, doch Kraft, Nachgiebigkeit und beginnendes Rutschen sind für Kameras kaum sichtbar. Deshalb bleiben kontaktreiche Aufgaben wie das Einsetzen von Reagenzgläsern schwierig. Taktile Roboterdatensätze sind klein und hardwaregebunden.
Frühere taktile VLA-Modelle nutzten Tastdaten nur als zusätzlichen Eingang, trainierten auf kleinen Roboterdatensätzen und benötigten im Einsatz Tastsensoren. Generalistische Modelle wie pi0.5 und GR00T N1 kommen ohne Tastsinn aus.
Das Team baute HumanTouch: 1.000 Stunden Ganzhand-Tastdaten von 32 Bedienern bei über 100 Aufgaben, mit 320 Taxeln pro Hand und 25 Fingergelenken bei 60 Hz, ergänzt um Ego-Video-, Roboter- und Simulationsdaten zu 1.900 Stunden. Spark-0 basiert auf Qwen3-VL-4B. Nur im Pretraining überwachen ins Kamerabild projizierte Kontaktkarten und ein eingefrorenes 3D-Geometriemodell die visuellen Tokens; ein eigener Tast-Encoder speist Kraftverläufe in den Aktionsteil. Ein Checkpoint läuft mit und ohne Tastsinn.
Auf dem eigenen Benchmark SparkArena (Gen-1-Prototyp mit Marvin-M6S-Armen, WUJI Hand 2 und Moxian-Tasthandschuhen) lag Spark-0 bei sieben rein visuellen Simulationsaufgaben 8,6 Punkte vor FastWAM und bei fünf realen Kontaktaufgaben 16,0 Punkte vor der taktilen Policy FTP-1 (52,0 gegenüber 36,0 Prozent). Auf dem externen Ego-Humanoid-Benchmark belegte es bei allen acht Gesamtmetriken Platz eins. Gegenüber denselben Daten ohne Tastsinn stieg die Erfolgsquote dort von 52,45 auf 71,72 Prozent und am realen Roboter von 44,0 auf 52,0 Prozent; 100 Stunden Tastdaten brachten bei zwei von drei Benchmarks keinen Vorteil.
Das Preprint enthält keinen Abschnitt zu Grenzen. SparkArena ist ein eigener Benchmark auf eigener Hardware mit nur fünf realen Aufgaben; der Vorsprung braucht externe Bestätigung. Der Effekt zeigt sich erst bei voller Datenmenge, was teuer ist, und taktiler Einsatz verlangt Handschuhsensorik mit identischem Taxel-Layout. In der Simulation brachte Tastsinn nur 0,29 Punkte.
Die Arbeit stützt das Geschäftsmodell handschuhbasierter Datensammlung und Investitionen von Handherstellern wie WUJI und Sharpa. Für europäische Anbieter taktiler Sensorik und Greifer, etwa in der Montageautomatisierung der Automobilindustrie, zeigt sie, dass Tastdaten auch Robotern ohne Sensorhaut nützen. Ein Praxiseinsatz in Montage und Verpackung ist in 12 bis 24 Monaten denkbar.