Роботы ошибаются не потому, что не видят, а потому, что не чувствуют
TARS показывает OmniVTA — визуально-тактильную мировую модель, которая помогает роботам не просто видеть объекты, а предсказывать контакт, скольжение и деформацию.
Источник: пост RoboHub в X. Внутри поста процитирована полная X Article: оригинал статьи.
От foundation models до ловких манипуляторов: TARS показывает на ICRA 2026 почти полный контур физического интеллекта. Ключевой элемент — DexHand, биомиметическая роботизированная кисть, построенная вокруг кинематики человеческой руки, визуально-тактильного восприятия и предсказания контакта.
A1 переносит тот же стек AWE 3.0 в длинную задачу из семи и более шагов: собрать разбросанные канцелярские предметы, упаковать пенал, закрыть его, положить в рюкзак и застегнуть молнию. Это уже не просто управление движением, а единый физический workflow: восприятие, планирование, бимануальная координация, тактильная обратная связь и восстановление после ошибок.
Роботы ошибаются не потому, что не видят, а потому, что не чувствуют
Я наткнулся на OmniVTA Visuo-Tactile World Model от TARS — и, честно говоря, это заставило меня иначе взглянуть на то, что на самом деле сдерживает роботов.
Роботы ошибаются не потому, что не могут видеть, — они ошибаются потому, что не могут чувствовать.
Именно этот разрыв TARS пытается закрыть с помощью OmniVTA, и проблема здесь фундаментальнее, чем кажется на первый взгляд.
Большая часть современного robot learning всё ещё доминируется зрением: камеры на входе, действия на выходе.
Но манипуляции в реальном мире почти всегда завязаны на контакт: трение, деформация, проскальзывание — всё это зрение само по себе не способно надёжно уловить.
OmniVTA переопределяет задачу как визуально-тактильную мировую модель.
Вместо того чтобы просто реагировать на то, что робот видит, модель предсказывает, что робот почувствует дальше. Так манипуляция превращается в замкнутую задачу прогнозирования.
И этот сдвиг важен.
Когда робот способен предсказывать контакт, он перестаёт быть реактивным и становится адаптивным — он начинает понимать взаимодействие с объектом.
Убедительность этого подхода усиливает стек, который стоит за ним.
TARS, основанная в 2025 году, позиционирует себя как full-stack компания в области physical AI: «супералгоритм + супервоплощение + суперприложения».
Модель разрабатывается совместно с шестью крупными исследовательскими институтами, включая National University of Singapore, Fudan University, Institute of Automation Chinese Academy of Sciences, Tsinghua University, Zhongguancun Academy и Beihang University.
Эта кооперация видна и в данных.
OmniViTac — один из крупнейших и наиболее качественных визуально-тактильных датасетов для манипуляций на сегодняшний день.
OmniViTac — это не просто набор данных, а масштабный визуально-тактильный корпус, созданный для согласования зрения и действий с сигналами физического взаимодействия.
Это критично, потому что тактильные данные всегда были узким местом робототехники: их сложно собирать и ещё сложнее стандартизировать.
Теперь к ним начинают относиться как к топливу для предобучения.
С технической точки зрения OmniVTA ближе к мировой модели, чем к политике управления.
Она учит кросс-модальные представления, предсказывает будущие тактильные состояния и передаёт это в управление.
Именно так появляется contact-aware planning — планирование с учётом контакта, а не слепое исполнение траектории.
Это напрямую связано с AI World Engine 3.0 от TARS, который должен позволить роботам выходить из лаборатории и реально выполнять сложные задачи в физическом мире.
AWE 3.0 уже показывал прирост точности до субмиллиметрового уровня, снижение дрожания более чем на 45% и до трёхкратного роста успешности в незнакомых ракурсах.
OmniVTA выглядит как недостающий ключ, который объясняет, почему такие улучшения становятся возможными.
Проще говоря:
Зрение говорит роботу, где находятся объекты.
Осязание говорит ему, что на самом деле происходит.
Мировые модели связывают одно с другим.
В результате получается робот, который не просто действует, а предвосхищает взаимодействие.
Индустрия робототехники всё ещё находится на ранней стадии.
Тактильные сенсоры шумные, аппаратная интеграция нетривиальна, а масштабирование мультимодальных данных остаётся дорогим.
Но если робототехника движется к foundation models, то осязание — не опция, а следующая ось масштабирования.
И OmniVTA — один из самых ясных сигналов, что область начинает воспринимать это всерьёз.