{
  "paper_id": "490f837b3de38b9e8c4dfbddb4258d98",
  "paper_title": "TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning",
  "paper_authors": [
    "Dayou Li",
    "Hao Wang",
    "Qianqian Yang",
    "Zihao Zhu",
    "Haoquan Fang",
    "Ziyao Zeng",
    "Yan Han",
    "Zihan Wang",
    "Yan Wang",
    "Baoru Huang",
    "Dilin Wang",
    "Kenji Shimada",
    "Yiyue Luo",
    "Manling Li",
    "Teresa Lv",
    "Mustafa Mukadam",
    "Rakesh Ranjan",
    "Ruohan Zhang",
    "Qi He",
    "Changliu Liu",
    "Xu Chen",
    "Marco Pavone",
    "Bangya Liu",
    "Jiachen Li",
    "Masayoshi Tomizuka",
    "Zhiwen Fan"
  ],
  "publication_date": "2026年9月27日",
  "publication_venue": "unknown",
  "abstract": "大规模第一视角人类交互数据正成为具身学习物理监督的重要来源，但仅用视频无法记录刻画物理交互的接触与压力。近期视触觉数据集提供了这种缺失监督，但其同步触觉数据的规模仍远小于人类视频。此外，最大规模的资源往往合并来自不同传感器或标注流程的记录，使数据规模的影响难以被隔离。简言之，通过单一一致传感管线采集数百小时人类视觉与触觉的数据集仍然稀缺。因此，本文提出TouchScale：一个使用单一统一可穿戴设备记录的500小时接触丰富人类交互数据集。其约2K个预定义任务描述涵盖日常活动与结构化操作，每条记录都将第一视角RGB-D视频、腕部RGB视频与密集全手双手触觉测量在时间上对齐。借助TouchScale，作者探究规模化人类视触觉数据能为感知和机器人学习带来什么。与既往触觉数据相比，使用完整TouchScale训练后，在未见触觉传感器数据上的零样本接触IoU从0.134提升至0.383。在TouchScale上预训练视觉编码器，还在三个基准的动作识别准确率上超过所比较的视触觉数据集。将TouchScale用于机器人策略的视触觉中期训练，使四项接触丰富操作任务的平均真实世界成功率从22.5%提升到57.5%。在传感器和采集协议保持固定时，零样本触觉预测和机器人成功率总体随TouchScale数据用量增加而上升。结果表明，以一致传感大规模采集的人类视触觉数据同时有利于感知和机器人操作。作者将公开发布TouchScale，包括所有同步视触觉记录和重建物体模型，以支持可扩展视触觉学习的未来研究。\n",
  "keywords": [
    "视觉-触觉学习",
    "第一视角数据集",
    "机器人操作"
  ],
  "paper_institutions": [
    "Texas A&M University",
    "Google DeepMind",
    "CMU",
    "Stanford University",
    "Yale University",
    "Microsoft",
    "Overfit Lab",
    "NVIDIA",
    "University of Liverpool",
    "Meta",
    "University of Washington",
    "Northwestern University",
    "Sony",
    "Georgia Tech",
    "UC Berkeley"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:27:03.961311Z",
  "template_tag": "deep_read",
  "summary": "# TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning\n\n\n**作者 / Authors:** Dayou Li, Hao Wang, Qianqian Yang, Zihao Zhu, Haoquan Fang, Ziyao Zeng, Yan Han, Zihan Wang, Yan Wang, Baoru Huang, Dilin Wang, Kenji Shimada, Yiyue Luo, Manling Li, Teresa Lv, Mustafa Mukadam, Rakesh Ranjan, Ruohan Zhang, Qi He, Changliu Liu, Xu Chen, Marco Pavone, Bangya Liu, Jiachen Li, Masayoshi Tomizuka, Zhiwen Fan\n\n\n**单位 / Institutions:** Texas A&M University, Google DeepMind, CMU, Stanford University, Yale University, Microsoft, Overfit Lab, NVIDIA, University of Liverpool, Meta, University of Washington, Northwestern University, Sony, Georgia Tech, UC Berkeley\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2026-09-27\n\n\n\n**期刊/会议 / Publication Venue:** 未注明（预印本；正文未给出会议或期刊）\n\n\n## 第一轮：问题与贡献\n\n\n### 材料与类型\n\n材料检查：文档包含正文、图1–12、表1–5及附录A–F；项目网站已给出，但代码与数据是否已实际开放未在本文中验证；未提供作者简历、venue等级或独立复现实验。\n\nArchetype 判断：归为 system。核心贡献是统一可穿戴采集系统与500小时视觉-触觉数据集，并围绕该数据系统开展感知与机器人评测；算法侧主要复用 TouchAnything、HierB 与 N0-VTLA，而非提出单一新模型。\n\n影响解释的缺口：TouchScale 不含人类动作标签；机器人实验仅一个 xArm6 + BrainCo Revo 2 平台、四个任务、每任务20次试验；触觉仅记录法向压力；跨传感器评测依赖映射到12个解剖区域；数据规模收益主要呈观测趋势，未见多随机种子或统计显著性检验；数据集“将公开”的承诺需后续核验。\n\n\n\n\n\n### 问题\n\n问题：第一视角视频能记录手如何运动，却不能记录手在哪里接触、施加多大压力；接触与压力恰恰是抓鸡蛋、拧湿布、擦白板等物理交互的关键监督。视觉-触觉数据集补上了触觉，但多数只有不到30小时，且最大的资源常由不同传感器、不同标注流程拼接而成，导致“数据规模”与“采集条件”混杂，无法干净地研究规模效应。\n\n为什么重要：接触丰富操作需要触觉反馈；若人类视觉-触觉数据能像 egocentric 视频一样扩展，就可能为触觉预测、可迁移视觉表征和机器人策略提供低成本物理监督。\n\n现有方法的主要不足：(1) 单数据集规模太小，难以观察 scaling；(2) 跨数据集池化引入硬件与协议差异，比较被混淆；(3) 人类触觉数据到机器人的迁移常需要动作重定向或共享触觉表征，流程复杂；(4) 缺少统一管线下的同步头戴 RGB-D、双腕 RGB 与双手密集触觉。\n\n形式化地，目标是构建数据集 D={(I_ego, D_ego, I_wrist^L, I_wrist^R, T^L, T^R)}，其中各模态时间对齐，并在固定传感器与采集协议下研究数据量 |D| 对零样本触觉预测、视觉表征和机器人成功率的影响。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话概览：TouchScale 用统一可穿戴管线采集500小时同步的头戴 RGB-D、双腕 RGB 与双手密集触觉，并证明该数据可用于零样本触觉预测、视觉表征预训练和机器人策略 mid-training。\n\n核心思路与贡献：现有 egocentric 视频缺少接触与压力信号，而视觉-触觉数据规模小且常混合不同传感器/流程，难以研究数据规模效应。作者构建约87K episodes、约2K任务描述、1.5K+物体、9类采集场景、800+场景配置的数据集；每只手套880个 taxel，覆盖五指与手掌，记录法向压力；所有记录共享同一代硬件与同步流程。贡献还包括三项评测：跨传感器零样本触觉预测、触觉监督下的视觉表征迁移、以及不依赖人类动作重定向的机器人策略 mid-training。\n\n最重要结果及条件：在 EgoTactile 未见传感器上，16小时等量训练使零样本 cIoU 从 EgoTouch 的0.134升至0.181（Table 2）；使用完整 TouchScale 的 scaling 曲线进一步达到0.383（Fig. 4）。机器人侧，N0-VTLA 经 TouchScale mid-training 后，四个接触丰富任务的平均真实成功率从22.5%升至57.5%（Table 4），但条件为同一预训练 checkpoint、每任务50条机器人示范、每任务20次试验、单一机器人平台。作者主张“规模带来收益”，文中支持的是在其测试范围内 cIoU 与成功率总体上升；不能外推为任意 embodiment 或任意触觉硬件均成立。\n\n优先阅读：Sec. 3.1 与 Fig. 2（采集系统）、Table 1（数据集对比）、Sec. 4.1 与 Table 2/Fig. 4（零样本触觉与 scaling）、Sec. 4.3 与 Table 4/Fig. 6（机器人 mid-training）、Appendix E.2（mid-training 实现细节）。下一轮应追问：质量控制如何影响数据分布；scaling 是否由任务/物体覆盖共同驱动；20次试验的统计功效；弱触觉-动作相关性（r=0.119）对机理解释的限制。\n\n这些结果将 TouchScale 的贡献从“更大数据集”推进到“可验证的感知与机器人收益”，但边界仍由单平台、少任务和无动作标签限定。\n\n\n\n\n## 第二轮：方法与证据\n\n\n### 方法与公式\n\n输入→关键步骤→输出\n输入是同步的多模态人类交互记录：头戴 RGB-D I_ego/D_ego、左右腕 RGB I_wrist^L/R、左右手触觉 T^L/R；输出是 500 h、约 87K episodes 的数据集，以及三条评测管线得到的触觉预测器、视觉编码器和 N0-VTLA mid-trained checkpoint。\n\n1. 采集系统（Sec. 3.1, Fig. 2）\n\n- 头戴：Orbbec Gemini 345Lg，RGB 1280×720@30 Hz，深度 640×480@30 Hz，提供米制 3D 场景几何。\n- 双腕：Intel RealSense D405，RGB 1280×720@30 Hz，补足头戴视角被遮挡时的接触特写。\n- 触觉：Tachin Glove，每手 880 taxels，覆盖五指与手掌，单 sensing unit 1.5×1.5 mm，空间分辨率 <2 mm；记录法向压力，量程 0.2–30 N/cm²，分辨率 0.05 N/cm²；无线 50 Hz / 有线 USB-C 100 Hz，电池 >10 h（Appendix B, Fig. 9）。\n- 同步：论文称所有记录共享同一代硬件与同步管线，并做时间对齐；具体同步误差、时钟方案和标定流程未在正文/附录给出，待核验。\n\n2. 数据组织与质检（Sec. 3.2, Appendix C, Fig. 10）\n\n- 规模：约 2K 任务描述、9 类采集场景、800+ 场景配置、1.5K+ 物体、约 20 名参与者；任务指令包含动作、对象、目标状态，必要时含工具、位置、顺序、用手方式或完成条件；无人类动作标签。\n- 质检：对每只手，先用 Gemini-3.7-Flash 在 2 fps 腕视频上做盲视觉接触/释放/参与手指/空手区间识别，不输入触觉；再与触觉响应比对。整只手在视觉确认交互时全静默，或高置信多指持续失效 → REJECT；单指静默 → REVIEW/人工复核；空手区间持续触觉活动 → 噪声候选，二次视觉核验。触觉响应阈值归一化为 0.03。该流程是数据筛选，不修正传感器物理误差。\n- 输出表示：每个 episode 为时间对齐的 (I_ego, D_ego, I_wrist^L, I_wrist^R, T^L, T^R)；触觉原生布局为 32×44 手形网格、880 个有效 cell。另用物体中心 RGB 多视角 + Meshy Multi-Image-to-3D 重建物体模型（Appendix F）。\n\n3. 评测管线一：跨传感器零样本触觉预测（Sec. 4.1, Appendix A）\n\n- 训练：同一 TouchAnything 架构，分别在 EgoTouch 16.2 h 训练集和约 16 h TouchScale 子集上训练；评测直接转到 EgoTactile，不做 post-training。\n- 跨传感器对齐：三个数据集原生布局不同（TouchScale 32×44/880、EgoTouch 21×21/217、EgoTactile 17×19/137 有效 cell），只在评测时映射到 12 个解剖区域 Ω = 五个指尖 + 五个手指中/基部 + 手掌 + 拇指基部。对数据集 d 的 N_d 个有效 taxel 定义查表 q_d(m) 和分配矩阵 M^(d) ∈ {0,1}^{12×N_d}，M^(d)_(r,m)=1[q_d(m)=r]；训练仍用原生布局，不做 resize/interpolation。\n- 区域接触：c_t,r(p)=1[ (Σ_m M_r,m·1[p_t,m>τ]) / (Σ_m M_r,m) > ρ ]，τ=0.1，ρ=0.2。含义是该区域超过 10% 归一化压力的 taxel 占比 >20% 才算接触；例：区域 10 个 taxel 中 3 个过阈值 → 0.3>0.2 → 接触=1；1 个过阈值 → 0.1 → 接触=0。用比例而非绝对数，降低传感器密度差异。\n- 区域压力：μ_t,r=Σ_m M_r,m p_t,m / Σ_m M_r,m；CoP g_t,r=Σ_m M_r,m p_t,m x_m /(Σ_m M_r,m p_t,m+ε)，x_m 为共享手部坐标系中的归一化坐标；压力幅度 s_t,r=Σ_m M_r,m p²_t,m /(Σ_m M_r,m p_t,m+ε)，可理解为以压力为权重的区域平均压力；总压力 S_t,r=Σ_m M_r,m p_t,m 仅用于选可评分的 region-time 对。\n- 指标（Appendix A.3）：cIoU 为各区域接触指示随时间的交并比，再按序列宏平均；vIoU 为 Σ_t min(μ_hat,μ)/Σ_t max(μ_hat,μ) 的区域平均；CoP Loc. 为 CoP 的 L2 误差；Press. Mag. 为 |s_hat−s|。cIoU/vIoU 越高越好，后两者越低越好。\n\n4. 评测管线二：视觉表征预训练（Sec. 4.2）\n\n- 用同一触觉预测目标分别预训练 HierB（Hiera-B 初始化），数据为 TouchScale、OpenTouch、FEEL、EgoTouch；相同优化日程与训练预算。\n- 下游：MECCANO、SSv2、Ego-Exo4D 的动作识别，分别做 linear probing 与 end-to-end fine-tuning。输出是可迁移视觉编码器；该管线检验触觉监督是否让视觉特征学到接触相关线索。\n\n5. 评测管线三：机器人策略 mid-training（Sec. 4.3, Appendix E.2）\n\n- 基础模型：N0-VTLA，输入视觉、语言、机器人状态与触觉，输出动作；其 Stage 1 用当前触觉+视觉语言上下文预测未来动作 chunk 内的潜触觉 token，并让动作专家以这些 token 为条件。\n- TouchScale mid-training：冻结 VLA 主干（3.71B），只更新触觉投影层、触觉预测器（tactile_kv，5 个潜 token）和辅助触觉重建头（约 123.8M 参数）。当前触觉 T_t 与视觉语言上下文 → 预测未来 H=50 帧的触觉变化潜表示 Z_hat；目标 Z* 由 t+H 与 t 的触觉变化经触觉编码器得到，并对可用触觉视角取平均，目标分支 stop-gradient。\n- 损失：对 z_hat=MeanPool(Z_hat)/||MeanPool(Z_hat)||₂ 与 z*=MeanPool(Z*)/||MeanPool(Z*)||₂ 计算对称 InfoNCE：L_NCE=−(1/N)Σ_i log(exp(s_ii/τ)/Σ_j exp(s_ij/τ))，s_ij=z_hat_iᵀz*_j，τ=0.07；重建头把预测 token 映射到 8×8 未来触觉变化，L_rec 为 L1；L_mid=L_NCE+0.5·L_rec。优化 AdamW，batch 64，梯度裁剪 1.0，学习率 500 步 warmup 到 1e-4、20K 步降到 1e-5。\n- 输出与后续：得到 mid-trained checkpoint；随后在每任务 50 条机器人示范上 post-training。基线从同一官方 checkpoint 出发但跳过 mid-training，因此两组只差是否做 TouchScale mid-training。H=50 帧在 30 Hz 下约 1.67 s（由帧率推算，论文未直接给秒数）。\n\n关键假设：统一硬件使数据规模可比较；12 区域映射足以公平比较不同触觉布局；人类触觉动态可迁移到机器人触觉 token；action-free mid-training 不需要人-机器人动作对齐。前两条有专门协议支撑，后两条主要靠下游结果间接支持。\n\n\n\n\n\n### 评测设置\n\n数据、指标与实验条件\n\n- TouchScale：500 h、约 87K episodes、约 2K 任务描述、1.5K+ 物体、9 类场景、800+ 配置、约 20 名参与者；头戴 RGB-D + 双腕 RGB + 双手 880 taxels/手；无法向压力之外的其他触觉模态；无人类动作标签。\n- 零样本触觉：源训练集 EgoTouch 16.2 h vs TouchScale 约 16 h 子集；目标域 EgoTactile；另报告各自 unseen split 的 in-distribution 结果。指标 cIoU、vIoU、CoP Loc.、Press. Mag.，按 12 个解剖区域、按序列宏平均。\n- 触觉 scaling：固定模型与 EgoTactile 协议，TouchScale 训练量 10%→100%；报告 cIoU 0.311→0.383 等。未报告每个比例对应的绝对小时数、随机种子和误差条。\n- 视觉表征：预训练数据 TouchScale/OpenTouch/FEEL/EgoTouch；同一 Hiera-B 初始化、同一优化日程和训练预算；下游 MECCANO、SSv2、Ego-Exo4D；linear probing 与 end-to-end fine-tuning。各数据集时长不同，预算相同不等于数据量相同；这是比较的主要混淆。\n- 机器人：xArm6 + BrainCo Revo 2 手 + 触觉手套 + 外部 RGB-D + 腕相机；每任务 50 条 VR 遥操作示范（VR 头显、tracker、动捕手套）；四个任务 Soft/Hard Sorting、Bottle-Cap Removal、Test-Tube Transfer、Whiteboard Wipe；每任务 20 次试验，变化物体与目标初始配置；报告成功率。两组从同一 N0-VTLA checkpoint 出发，post-training 协议相同，只差 TouchScale mid-training。\n- 未来触觉预测：Stage-1 checkpoint 在机器人轨迹上评测；Train 55 episodes/5,469 samples，Val 13 episodes/3,070 samples，Pooled 8,539 samples；这些轨迹均未用于 Stage-1 mid-training。指标 Top-10、MRR、Pool NCE。\n- 计算：mid-training 更新约 123.8M / 3.71B 参数，batch 64、20K 步；未报告 GPU 型号、总 GPU 小时、推理成本、随机种子数。视觉预训练与机器人 post-training 的计算预算也未量化。\n- 缺失/公平性：无多随机种子、置信区间或显著性检验（除触觉-动作相关的 Pearson 检验）；机器人每任务 20 次试验统计功效有限；单一机器人平台、四个任务；没有其他人类数据做同样 mid-training 或仅视觉 mid-training 的对照，因而不能把增益单独归因于触觉或 TouchScale；视觉预训练没有 size-matched 对照；跨传感器只测 EgoTactile 一个未见传感器；12 区域映射可能掩盖细粒度差异；同步误差、标定误差、手套磨损/个体差异未量化。\n\n\n\n\n\n### 结果与证据\n\n主要结果与证据强度\n\n- 零样本触觉（Table 2）：16 h 等量训练下，TouchScale 把 EgoTactile 的 cIoU 从 0.134 提到 0.181（相对 +35.1%），vIoU 0.185→0.243（+31.4%），CoP 0.444→0.416，Press 0.184→0.148。各自 unseen split 上 cIoU 0.422 vs 0.403、CoP 0.261 vs 0.272、Press 0.061 vs 0.095，vIoU 0.299 vs 0.302 基本持平。支持统一管线的人类触觉数据可跨传感器迁移，但只有单一目标传感器、单一架构、无误差条；12 区域池化是宽松评测。\n- 触觉 scaling（Fig. 4）：10%→100% 使 cIoU 0.311→0.383、vIoU 0.252→0.276、CoP 0.332→0.317、Press 0.108→0.105。方向支持规模收益；但曲线并非每个点严格单调，且没有多 seed，不能把规模单独导致当成已证明的因果。\n- 视觉表征（Table 3）：TouchScale 平均 linear 24.45%、FT 49.62%，高于 OpenTouch 22.97/48.28、FEEL 7.85/13.29、EgoTouch 8.99/21.75；三个下游、两种协议均为最高。支持触觉监督学到可迁移视觉特征；但对最强基线 OpenTouch 的平均增益只有 +1.48（linear）/+1.34（FT）个百分点，而数据时长 500 h vs 5.1 h，说明更多数据不是线性放大收益，且比较未做 size-match。\n- 机器人（Table 4）：平均成功率 22.5%→57.5%（+35 pp）；Soft/Hard 10→60、Bottle-Cap 40→70、Test-Tube 30→60、Whiteboard 10→40，四个任务全部提升。支持 action-free 人类视觉-触觉 mid-training 对真实接触任务有用；但每任务仅 20 次试验，按二项比例粗算 95% 区间约 ±13–21 pp（推断，论文未报告），单平台、四任务，且缺少其他数据同样 mid-training 的对照，不能排除额外训练/数据量的贡献。\n- 机器人 data scaling（Fig. 6 左）：无 mid-training 22.5%，20/40/60/80/100% 分别为 30.0/32.5/50.0/50.0/57.5%，总体上升但 60–80% 平台。与规模单调提升相比，更像有收益但饱和/噪声。\n- 未来触觉预测（Table 5, Fig. 6 右）：Train Top-10 从无 mid-training 的 0.18% 升到 2.87–3.31%；20%→100% 仅 2.87→3.31，Val 2.93→4.17，Pooled 2.34→2.49 并非单调。说明 mid-training 确实让预测器学到机器人触觉动态，但规模收益 modest。\n- 触觉-动作相关性（Sec. 4.3）：held-out 机器人数据上，per-step 未来触觉预测误差与动作预测误差的 Pearson r=0.119（p=0.020），基线 r=0.003（p=0.953）。作者称有限但可检测；这实际上削弱了触觉预测驱动动作的强机理主张，成功也可能来自表征正则/额外监督。\n- 消融：没有架构消融、无 QC 消融、无触觉布局消融、无人类动作标签消融；scaling 是数据量消融，不是机制消融。总体证据最强的是在该数据与评测范围内，TouchScale 对感知和机器人有用；最弱的是规模本身是唯一原因和未来触觉预测是机器人增益的主要机制。\n\n\n\n\n\n### 相关工作\n\n最近相关工作与差异（按与本文主张的相关性排序）\n\n- EgoTouch（Zhou et al., 2026b）：最直接的零样本触觉预测基线。Table 1 记为 20 h、2.1M frames、头戴+双腕、双手、16×16 触觉阵列、仅手掌、1000+ 物体；TouchScale 为 500 h、约 87K episodes、头戴 RGB-D+双腕 RGB、双手、每手 880 taxels 覆盖五指与手掌、1.5K+ 物体。差异不只是规模：TouchScale 用同一代硬件与同一采集/同步协议，因而可在固定传感器条件下做 scaling；EgoTouch 被用作 16.2 h 的 size-matched 对照。成本：TouchScale 采集 500 h、约 20 名参与者、9 类场景，明显高于单个 20 h 数据集；但只记录法向压力，缺少动作标签。\n- EgoTactile（Zeng et al., 2026）：5.82 h、768 clips、单手套 162 taxels、63 物体，是本文零样本评测的目标域。它与 TouchScale 的传感器布局和密度不同，因此作者只在评测时映射到 12 个解剖区域，训练仍用各自原生布局。差异在于本文强调跨传感器迁移与数据规模；代价是 12 区域池化会掩盖细粒度布局错误。\n- OpenTouch（Song et al., 2025）与 FEEL（Dessalene et al., 2026）：分别约 5.1 h、169 taxels 和约 27 h、6 taxels（指尖+手掌）。二者是 Table 3 视觉表征预训练的主要对照。作者称在相同 Hiera-B 初始化、相同优化日程和预算下比较；但各数据集时长/模态不同，Table 3 的差异不能单独归因于数据量。\n- DeskTask-Tac（Zhang et al., 2026a）：37.2 h、约 4M frames、头戴+双外视、双手、触觉布局未报告；是 Table 1 中时长最接近的公开人类视觉-触觉数据之一，但仍比 TouchScale 小一个数量级。作者用它说明 500 h 的稀缺性；该对比依赖 Table 1 的抽取数值，待独立核验。\n- TouchSight/TwinTouch-20H（Zhou et al., 2026a）：用 glove 记录配对生成裸手视频，触觉标签共享；与 TouchScale 的统一硬件直接记录路线不同，本文不依赖生成式视觉增强。\n- 机器人迁移相关工作：Touch in the Wild 用便携触觉夹爪预训练视觉-触觉表征；TactAlign 对齐人-机器人触觉观测；TTP 在混合人/机器人数据上用未来触觉预测预训练；T-Rex 在大规模无触觉人类预训练后做触觉丰富的机器人 mid-training；N0-VTLA 在机器人数据上训练未来触觉预测器并对齐动作专家。TouchScale 的差异是：只用人类视觉-触觉数据做 action-free mid-training，不做手部动作重定向，也不要求人-机器人动作空间匹配；随后在同一机器人示范上 post-training。代价是 mid-training 与机器人 post-training 之间没有动作监督桥接，机理上依赖潜触觉 token 的可迁移性。\n- 说明：以上数据集规模与硬件差异主要来自本文 Table 1 和 Sec. 2 的描述；除文中引用外，未做外部网页核验，标为待核验。\n\n\n\n\n\n### 关键图表解读\n\n重点图表（按对核心主张的证据力排序）\n\n1. Table 1（Sec. 1/2）：把 TouchScale 放进人类触觉/视觉-触觉数据集谱系。它显示 500 h、约 87K episodes、RGB-D 头戴+双腕、双手、880 taxels/手、1.5K+ 物体，对比 EgoTouch 20 h、EgoTactile 5.82 h、OpenTouch 5.1 h、FEEL ~27 h、DeskTask-Tac 37.2 h。支持规模与统一硬件同时稀缺的定位，也是全文动机的定量入口。限制：抽取表格有多处空白单元格，部分数值需按子行读取；小时数与 frames 不可直接换算；最多小时/最密 glove 是作者在表注中的主张，待外部核验。\n2. Fig. 2（Sec. 3.1）：展示统一可穿戴硬件与同一 episode 的头戴 RGB-D、双腕 RGB、双手触觉时间对齐示例。支持单一管线同步多模态这一核心卖点，使后续 scaling 可把硬件差异固定。限制：只给一个示例，未给同步误差、时间戳偏差、相机-手套标定误差；视觉上无法验证所有 500 h 的一致性。\n3. Table 2 + Fig. 4（Sec. 4.1）：Table 2 用 16 h 等量训练隔离数据来源：EgoTouch→TouchScale 使零样本 cIoU 0.134→0.181；Fig. 4 固定模型与目标域，显示 10%→100% 数据使 cIoU 0.311→0.383。二者共同支持跨传感器可迁移与规模有收益。限制：单一未见传感器 EgoTactile、单一 TouchAnything 架构、12 区域映射；无 seed/误差条，不能判断 0.311→0.383 是否超出训练噪声。\n4. Table 3（Sec. 4.2）：同一 Hiera-B 初始化与预算下，TouchScale 预训练在 MECCANO/SSv2/Ego-Exo4D 的 linear 与 FT 两项均为最高（平均 24.45/49.62）。支持触觉监督产生可迁移视觉表征，而不只是触觉预测器过拟合。限制：各预训练数据集时长/模态不同，未做 size-match；对 OpenTouch 的增益很小；不能把差异单独归因于 500 h。\n5. Table 4 + Fig. 6（Sec. 4.3）：Table 4 显示同一 checkpoint、同一 50 条示范/任务、同一 20 次试验协议下，mid-training 把四个任务平均成功率 22.5%→57.5%，且四任务全升；Fig. 6 左给出 20%→100% 的总体上升（30.0→57.5%），Fig. 6 右/Table 5 给出未来触觉 Top-10 0.18→3.31%。支持人类视觉-触觉 mid-training 可改善真实机器人接触任务，并给出规模趋势。限制：单平台、四任务、20 次试验；无其他数据/仅视觉的 mid-training 对照；60–80% 平台与弱触觉-动作相关（r=0.119）说明机制解释仍弱。\n\n总体看，Table 2/4 提供最强的有用性证据，Fig. 4/6 提供较弱的 scaling 证据，Table 3 提供表征迁移证据；三者都受单传感器/单平台/少 seed 限制。下面进入评价：这些证据足以支持论文的哪些主张，哪些仍需补实验。\n\n\n\n\n\n### 术语表\n\n术语表\n\n- Visual-tactile learning（视觉-触觉学习）：同时利用视觉与触觉信号学习感知或控制；本文特指用人类同步视频与压力数据做预训练/mid-training。\n- Egocentric RGB-D（第一视角 RGB-D）：头戴相机的彩色+深度视频；提供手-物交互的整体视角与米制几何。\n- Taxel（触觉传感单元）：触觉矩阵中的一个压力传感点；TouchScale 每手 880 个，覆盖五指与手掌。\n- 统一采集管线（unified sensing pipeline）：同一代相机、手套、同步与后处理流程贯穿全部 500 h；这是本文能把数据规模与硬件差异分离的前提。\n- Episode（片段）：一次任务执行的记录单元；TouchScale 约 87K episodes。\n- 法向压力（normal pressure）：垂直于皮肤表面的压力分量；手套只测这一分量，不测剪切/温度。\n- 12 解剖区域映射：把不同触觉布局池化为五个指尖、五个手指中/基部、手掌、拇指基部；仅用于跨数据集评测，训练仍用原生布局。\n- cIoU（contact IoU）：区域接触指示随时间的交并比；衡量哪里接触而非压力大小。\n- vIoU（volumetric IoU）：区域平均压力随时间的 min/max 重叠；衡量压力幅度的时序重叠。\n- CoP（center of pressure，压力中心）：区域内压力加权的位置；CoP Loc. 是其与真值的 L2 距离。\n- Regional pressure magnitude（区域压力幅度）：s=Σp²/Σp 的区域聚合量；对高压更敏感，用于 Press. Mag. 误差。\n- Zero-shot transfer（零样本迁移）：在源数据训练后直接用于未见目标传感器/数据集，不做目标域 post-training；本文指 EgoTouch/TouchScale→EgoTactile。\n- Linear probing（线性探测）：冻结预训练编码器，只训练线性分类头；检验特征线性可分性。\n- End-to-end fine-tuning（端到端微调）：解冻编码器与分类头一起训练；检验特征可塑性。\n- Mid-training（中训练）：在目标机器人 post-training 之前，用人类数据做一段额外训练；本文不使用人类动作标签，也不做动作重定向。\n- N0-VTLA：视觉-触觉-语言-动作策略；Stage 1 预测未来潜触觉 token，动作专家以之为条件。\n- Latent tactile token（潜触觉 token）：触觉预测器输出的紧凑表示，编码未来触觉变化；本文用 5 个 token。\n- Future-tactile prediction（未来触觉预测）：给定当前触觉与视觉语言上下文，预测未来 H 帧的触觉变化；H=50 帧。\n- InfoNCE：对比损失；把对应样本的未来触觉表示拉近、其他样本推远；本文温度 0.07。\n- Stop-gradient：目标分支不回传梯度；防止预测器通过改变目标编码器作弊。\n- Action retargeting（动作重定向）：把人类手部动作映射到机器人关节/末端空间；本文明确避免这一步骤。\n- Scaling（规模效应）：固定传感器与协议，只增加训练数据量，观察指标是否随数据量上升；本文的 scaling 是观测趋势，不是因果识别。\n- Tachin Glove：本文使用的柔性触觉手套型号；880 taxels/手，法向压力，50/100 Hz 采集。\n\n\n\n\n\n### 全部图表索引\n\n图表索引（材料含正文 Fig. 1–12、Table 1–5、Appendix A–F；无缺附录）\n\n- Fig. 1：Overview，展示采集系统、数据集规模与三条评测；位于 Sec. 1 前。相关主张：500 h 统一管线 + 感知/机器人评测。\n- Fig. 2：TouchScale 采集系统与一个 episode 的头戴 RGB-D、双腕 RGB、双手触觉时间对齐示例；Sec. 3.1。相关主张：统一硬件与同步多模态。\n- Fig. 3：任务/场景/交互多样性，含任务示例、动词频率、9 类场景构成、代表性触觉接触模式；Sec. 3.2。相关主张：任务、物体、行为多样性。\n- Fig. 4：零样本触觉预测随 TouchScale 数据量的 scaling；Sec. 4.1。相关主张：10%→100% 总体提升 cIoU/vIoU 等。\n- Fig. 5：真实机器人平台（xArm6+Revo 2+触觉+外视/腕视）与四个任务、遥操作采集；Sec. 4.3。相关主张：机器人实验设置与任务覆盖。\n- Fig. 6：TouchScale mid-training 的 scaling；左为四任务平均成功率随 20–100% 数据变化，右为未来触觉预测 Top-10；Sec. 4.3。相关主张：机器人成功总体上升、触觉预测 modest 提升。\n- Fig. 7：跨传感器解剖映射，把 TouchScale/EgoTouch/EgoTactile 布局池化到 12 区域；Appendix A.1。相关主张：跨数据集评测协议。\n- Fig. 8：触觉预测定性结果，双手接触区域与压力分布；Appendix A.4。相关主张：预测能恢复主要接触模式；为定性证据。\n- Fig. 9：Tachin Glove 硬件，背侧采集模块、掌侧五指+手掌传感、外接电源；Appendix B。相关主张：880 taxels、wearable 采集。\n- Fig. 10：数据后处理/质检流程，腕视频盲视觉接触识别→触觉比对→PASS/REVIEW/REJECT；Appendix C。相关主张：自动化质量控制。\n- Fig. 11：有 TouchScale mid-training 的四任务成功执行示例；Appendix E.1。相关主张：定性展示接触建立到任务完成。\n- Fig. 12：无 TouchScale mid-training 的 Whiteboard Wipe 失败示例；Appendix E.1。相关主张：基线在持续接触任务上失败；为定性对照。\n- Table 1：人类触觉/视觉-触觉数据集对比（小时、samples、视觉、视角、手、传感器、组件、taxels/手、覆盖、物体）；Sec. 1/2。相关主张：TouchScale 500 h、880 taxels/手、1.5K+ 物体，规模与密度领先。注：抽取表格多行有空白单元格，需按子行读取；部分数值待核验。\n- Table 2：触觉预测，EgoTouch vs TouchScale 在 EgoTactile 零样本与各自 unseen split 的 cIoU/vIoU/CoP/Press；Sec. 4.1。相关主张：零样本跨传感器迁移与 in-distribution 表现。\n- Table 3：下游动作识别，OpenTouch/FEEL/EgoTouch/TouchScale 预训练在 MECCANO/SSv2/Ego-Exo4D 的 linear/FT 与平均；Sec. 4.2。相关主张：TouchScale 视觉表征迁移最好。\n- Table 4：真实机器人四任务成功率，无/有 TouchScale mid-training，每任务 20 trials；Sec. 4.3。相关主张：平均 22.5%→57.5%，四任务全升。\n- Table 5：未来触觉预测在机器人观测上的 Train/Val/Pooled Top-10、MRR、Pool NCE，随 mid-training 数据量变化；Appendix D。相关主张：mid-training 提升预测，20%→100% 增益 modest。\n- 缺失/可读性说明：Appendix A–F 均在材料中；Fig. 8/11/12 为图像定性结果，数值不可从文本复核；Table 1 的抽取格式不完整；未提供独立复现实验、代码/数据实际开放状态、GPU 预算与多 seed 结果。\n\n\n\n\n## 第三轮：评估与复现\n\n\n### 可信度、局限与复现\n\n### 可信结论（有本文定位符）\n\n1. **数据集规模与统一管线是本文最扎实的贡献**（Sec. 3.1–3.2, Table 1, Fig. 2, Appendix B）。论文报告 500 h、约87K episodes、约2K任务描述、1.5K+物体、9类场景、800+配置、约20名参与者；每手880 taxels，头戴RGB-D 30 Hz、双腕RGB 30 Hz、触觉50/100 Hz。Table 1 的对比支持“在作者所列数据集中时长最长、手套触觉最密”，但表格抽取存在空白单元格，且数据“将公开”尚未验证，因此规模数字应按待核验处理。\n2. **16 h等量训练下的跨传感器零样本迁移方向可信**（Sec. 4.1, Table 2）。同一 TouchAnything、同一目标域 EgoTactile、不做post-training，TouchScale 16 h 子集把 cIoU 从0.134提到0.181，vIoU 0.185→0.243，CoP 0.444→0.416，Press 0.184→0.148。这是本文最干净的对照，因为训练时长匹配；但仍只有单一目标传感器、单一架构、12区域池化，且无随机种子/误差条。\n3. **视觉表征迁移的“相对最高”可信，但“由500 h规模导致”不可信**（Sec. 4.2, Table 3）。同一 Hiera-B 初始化与预算下，TouchScale 平均 linear 24.45%、FT 49.62%，高于 OpenTouch 22.97/48.28、FEEL 7.85/13.29、EgoTouch 8.99/21.75；对最强基线仅高约1.5个百分点，而数据时长为500 h vs 5.1 h，说明收益远非线性，且未做size-match。\n4. **机器人 mid-training 的增益在该设置内是真实观测**（Sec. 4.3, Table 4）。同一 N0-VTLA checkpoint、每任务50条示范、每任务20次试验，四任务平均22.5%→57.5%，四任务全升（10→60、40→70、30→60、10→40）。这支持“人类视觉-触觉数据作为action-free mid-training有用”，但单平台、四任务、20 trials，精确效应量和统计显著性不足。\n5. **未来触觉预测确实学到机器人触觉动态，但规模收益有限**（Appendix D, Table 5, Fig. 6右）。Train Top-10 从0.18%升到2.87–3.31%，20%→100%仅2.87→3.31；Val/Pooled 非单调。作者也报告触觉-动作误差相关仅 r=0.119, p=0.020，基线 r=0.003, p=0.953。\n\n### 证据不足或不能外推的主张\n\n- **“规模本身带来收益”尚未因果识别**。Fig. 4 的10%→100% cIoU 0.311→0.383、Fig. 6左的机器人20%→100% 30.0%→57.5% 都是观测趋势；没有多seed、置信区间、显著性检验，且曲线有平台/非单调点。数据量变化同时改变任务/物体覆盖和QC后的分布，不能把增益单独归因于小时数。\n- **不能外推到任意触觉硬件或embodiment**。跨传感器只测 EgoTactile 一个未见传感器，且评测被池化到12个解剖区域；细粒度布局错误会被掩盖。机器人只测 xArm6+BrainCo Revo 2 一个平台、四个任务。\n- **mid-training 的机制解释弱**。r=0.119 说明未来触觉预测误差与动作误差只有弱相关；成功也可能来自额外监督/正则化、更多训练步数或数据分布匹配。论文没有“仅视觉 mid-training”“其他人类数据同预算 mid-training”“随机触觉”的对照。\n- **数据质量与同步未被量化**。Sec. 3.1 只称统一硬件与同步管线，未给同步误差、相机-手套标定误差、手套磨损/个体差异；Appendix C 的QC以 Gemini-3.7-Flash 盲视觉比对，可能系统性筛掉难样本，影响 scaling 解释。\n\n### 关键假设与失败情景\n\n1. **统一硬件使规模可比较**。若QC按视觉可确认接触筛选，长尾/遮挡/失败交互被移除，则规模曲线混入质量选择偏差；失败情景是“更多数据”主要增加简单重复任务。\n2. **12区域映射足以公平比较**。若任务依赖指尖细微接触或剪切，区域池化会高估跨传感器迁移；失败情景是换到高密度/不同布局传感器后 cIoU 增益消失。\n3. **人类触觉动态可迁移到机器人潜触觉token**。若机器人接触分布、手部几何或控制频率差异大，action-free mid-training 可能只学到视觉-触觉相关性；失败情景是机器人任务无触觉相关性时增益消失。\n4. **action-free mid-training 不需要人-机器人动作对齐**。这依赖 N0-VTLA 的 Stage-1 未来触觉目标；若机器人 post-training 数据很少（50条/任务），mid-training 的表征可能被覆盖或不匹配。\n5. **单checkpoint、同post-training协议可分离mid-training效应**。若 post-training 超参对初始化敏感，35 pp 的差异可能包含优化交互；需要多seed和多checkpoint复现。\n\n### 复现计划\n\n## 必需工件\n\n- TouchScale 发布包：同步RGB-D/双腕RGB/双手触觉、episode时间戳、任务描述、split、触觉归一化统计、手套布局与12区域 lookup q_d、QC标签；项目网站已给但未验证可访问。\n- 基线数据与工具：EgoTouch 16.2 h 训练split、EgoTactile 评测集、WiLoR 姿态（EgoTouch released；TouchScale 自动手部裁剪）、TouchAnything 代码/配置；Hiera-B 预训练checkpoint；MECCANO/SSv2/Ego-Exo4D 下游split与 linear/FT 协议。\n- 机器人依赖：N0-VTLA 官方checkpoint与 tactile_kv 五token配置、机器人后训练管线；xArm6+BrainCo Revo 2+Tachin glove+外视/腕视；每任务50条VR遥操作示范；20次/任务评测脚本。\n- 计算：论文只给 mid-training 更新约123.8M/3.71B、batch 64、20K步、lr 500步warmup到1e-4后降到1e-5；GPU型号、总GPU小时、视觉预训练与post-training预算均未报告，属于阻塞项。\n\n## 最小复现（优先验证核心创新）\n\n1. 数据审计：抽样核对500 h、87K episodes、每手880 taxels、三路RGB+两路触觉时间对齐；统计QC的PASS/REVIEW/REJECT比例与任务/物体分布；报告同步误差。\n2. 复现 Table 2：固定 TouchAnything，分别用 EgoTouch 16.2 h 与 TouchScale 约16 h（需作者给子集选择规则或随机可复现抽样），在 EgoTactile 上按12区域、τ=0.1、ρ=0.2、逐序列宏平均计算 cIoU/vIoU/CoP/Press；至少3个seed。\n3. 复现 Fig. 4：固定模型和目标域，用 TouchScale 10%与100%（以及可得的中间比例）训练；报告每个点的绝对小时数、seed均值与95% CI；检验斜率是否为正。\n4. 复现 Table 4：从同一 N0-VTLA checkpoint 出发，一组做 TouchScale mid-training 后 post-training，一组直接 post-training；每任务50条示范、20 trials先对齐论文，再扩到更多 trials/seed；记录成功率与失败类型。\n5. 机制对照：增加仅视觉 mid-training、随机触觉/打乱触觉、其他人类触觉数据同预算、无 mid-training 但等算力；比较四任务与未来触觉Top-10。\n\n## 成功标准\n\n- Table 2 方向复现：TouchScale 16 h 的 cIoU 高于 EgoTouch，且相对增益达到论文量级（约+35%）；若多seed下95% CI不重叠或至少均值稳定更高，则支持跨传感器迁移。\n- Table 4 方向复现：mid-training 平均成功率的95% CI下界高于基线；四任务中至少三个提升；若只有一两个任务提升，则结论降级为任务特定。\n- Scaling：cIoU/成功率随数据量总体上升，且端点差异的CI不包含0；若平台/非单调主导，则只能称“观测趋势”。\n- 视觉：TouchScale 在size-matched控制下仍优于最强基线；若只在全长数据胜出，则不能归因于规模。\n\n## 复现阻塞项\n\n- 数据/代码是否实际开放未验证；16 h子集、split、归一化统计、q_d、QC标签未给全。\n- EgoTouch/EgoTactile 访问与预处理、WiLoR 版本、TouchAnything 训练细节需外部依赖。\n- N0-VTLA checkpoint、机器人后训练超参、遥操作与评测随机化协议未在正文完整给出。\n- 计算预算与多seed结果缺失，难以判断小差异是否超出噪声。\n\n**复现伪代码（仅核心对照）**\nfor D in [EgoTouch_16.2h, TouchScale_16h]: train TouchAnything(D); eval EgoTactile with 12-region metrics\nfor s in scaling_points: train TouchAnything(TouchScale_s); eval EgoTactile; report mean±CI over seeds\nfor variant in [no_midtrain, touchscale_midtrain]: init N0-VTLA; optional midtrain on TouchScale; posttrain on same 50 demos/task; eval 20+ trials/task\n\n\n\n\n\n### 应用约束\n\n### 实际约束\n\n- **数据与存储**：500 h 三路RGB（头戴RGB-D+双腕RGB）+双手880 taxels@50/100 Hz，原始数据量巨大；论文未给压缩格式、总TB数、下载/托管方式。采集需约20名参与者、9类场景、800+配置、1.5K+物体，并经过 Appendix C 的QC（Gemini-3.7-Flash 盲视觉比对+人工复核），采集与清洗成本高。数据“将公开”尚未验证；涉及人物视频与手部数据，需同意书/许可证/隐私审查。\n- **计算**：TouchScale mid-training 冻结3.71B VLA主干，只更新约123.8M参数，batch 64、20K步；论文未给GPU型号、GPU小时、显存、视觉预训练与机器人post-training成本。Hiera-B 预训练四个数据集均称同预算，但未量化。\n- **延迟与吞吐**：传感器采集为相机30 Hz、触觉无线50 Hz/有线100 Hz；mid-training 的未来horizon H=50帧在30 Hz下约1.67 s（由帧率推算）。机器人策略推理频率、触觉预处理延迟、控制闭环延迟未报告；不能从论文判断实时性。\n- **鲁棒性**：只记录法向压力，缺剪切/温度/纹理；手套磨损、个体手型、佩戴松紧、标定误差未量化；QC阈值0.03与视觉模型可能引入选择偏差。跨传感器评测依赖12区域池化，可能掩盖细粒度布局差异；对高密度/不同布局传感器能否保持增益未知。\n- **适用性**：最适合“人类视觉-触觉预训练/action-free mid-training + 机器人少量post-training”的流程，而不是直接人类动作模仿；不提供人类动作标签，不能直接做行为克隆。机器人端仍需触觉手套/触觉输入和N0-VTLA式策略；若目标机器人没有触觉或接触分布差异大，收益未证明。\n- **已演示 vs 推断**：已演示的是 xArm6+BrainCo Revo 2、四任务、每任务20 trials、单checkpoint；推断的是可迁移到其他embodiment、其他触觉硬件、更多接触丰富任务。部署前需在目标平台重做post-training与统计功效评估。\n- **成本边界**：500 h人类数据可能比机器人示范便宜，但采集/QC/存储和mid-training算力仍是门槛；若收益主要来自额外训练而非触觉，则成本效益需与纯视觉预训练比较。\n\n\n\n\n\n### 探索问题\n\n### 后续问题1：增益来自数据规模，还是任务/物体覆盖与QC分布？\n\n验证：在TouchScale内构造“随机子集”“任务/物体覆盖匹配子集”“QC严格/宽松子集”，保持小时数或样本数相同，训练同一TouchAnything与N0-VTLA，比较Table 2/Table 4。收益：区分规模与多样性，决定是否值得继续扩采。风险：子集构造和QC标签不公开，需大量重训；若多样性驱动，500 h的“规模”卖点会被削弱。\n\n### 后续问题2：action-free触觉mid-training是否优于同预算的纯视觉或其他人类数据mid-training？\n\n验证：同一N0-VTLA checkpoint、同一50条/任务post-training，比较无mid-training、仅视觉mid-training、TouchScale触觉mid-training、其他触觉数据同预算、打乱触觉对照；扩展到更多任务和至少3个seed。收益：确认触觉信号与机制，给出可复用配方。风险：算力高、checkpoint/数据访问受限；若打乱触觉也提升，则增益来自额外训练而非触觉。\n\n### 后续问题3：跨传感器迁移在细粒度接触上是否仍成立？\n\n验证：去掉12区域池化，改用传感器特定标定或密集对应，在EgoTactile及新增1–2种触觉传感器上评指尖/指腹接触定位；同时报告区域级与taxel级指标。收益：界定12区域结论的边界，判断能否用于灵巧操作。风险：不同布局可能不存在可靠密集对应；需要新采集或硬件访问，且taxel级真值标注困难。\n\n\n\n\n\n### 引用与核验\n\n### 引用与核验说明\n\n本次仅基于所给论文材料，未访问外部网页/代码库；因此除论文内部定位符外，外部事实均标为待核验，不代表已核实。\n\n## 支撑新颖性与最强比较的引用（重点）\n\n- EgoTouch（Zhou et al., 2026b）：Table 1 的20 h/2.1M frames/16×16 palm/1000+ objects，以及 Table 2 的零样本基线、TouchAnything架构均依赖此工作。论文称16.2 h训练split；该数值、split和代码是否与TouchScale 16 h严格等量，未独立核验。\n- EgoTactile（Zeng et al., 2026）：Table 2 的目标域，5.82 h/768 clips/162 taxels/63 objects；12区域映射与评测协议依赖其原生布局。未核验其数据访问与预处理。\n- OpenTouch（Song et al., 2025）与 FEEL（Dessalene et al., 2026）：Table 1/Table 3 的最强视觉预训练对照。OpenTouch 5.1 h/169 taxels，FEEL约27 h/6 taxels；论文称同Hiera-B初始化与同预算，但未做size-match。引用数值与实验条件待核验。\n- DeskTask-Tac（Zhang et al., 2026a）：Table 1 中37.2 h的最接近公开人类视觉-触觉数据；其“37.2 h、约4M frames、H+2Exo、触觉布局NR”来自论文表格抽取，待核验。\n- N0-VTLA（NeoteAI Team and Fudan TEAI Team, 2026）：机器人mid-training的基座与Stage-1未来触觉公式来源；官方checkpoint、tactile_kv五token配置和post-training管线是复现依赖。未核验。\n- TouchAnything（Zhou et al., 2026b）：零样本触觉预测架构；其训练细节与代码可用性未核验。\n- WiLoR（Potamias et al., 2025）：EgoTouch姿态来源与TouchScale手部裁剪姿态；版本与预处理未核验。\n- Hiera/Hiera-B（Ryali et al., 2023）：视觉预训练初始化；MECCANO（Ragusa et al., 2021）、SSv2（Goyal et al., 2017）、Ego-Exo4D（Grauman et al., 2024）为下游基准；split与linear/FT协议未核验。\n- Gemini 3.7 Flash（Google DeepMind, 2026）：Appendix C QC的视觉模型；模型卡链接在参考文献中给出，但本次未访问，QC可复现性待核验。\n- Meshy Multi-Image-to-3D API：Appendix F物体重建依赖；API版本/许可未核验。\n\n## 其他引用（分组，未逐条核验）\n\n- 第一视角/人类数据背景：Ego4D、Ego-Exo4D、EPIC-KITCHENS-100、EgoDex、EgoMimic、EgoScale、EgoVerse、EgoVLA、EMMA、Humanoid Policy ~ Human Policy等，用于动机与scaling背景；未逐条核验。\n- 触觉数据集/表征：STAG、ActionSense、PressureVision/++、EgoPressure、TouchSight/TwinTouch-20H、HT-Bench、OpenTouch、FEEL、EgoTactile、EgoTouch、DeskTask-Tac等；Table 1的数值与“最长/最密”主张直接依赖这些来源，未独立核验。\n- 机器人触觉迁移：Touch in the Wild、TactAlign、TTP、T-Rex、N0-VTLA、3D-ViTac、VT-DeXManip、MimicTouch、Robot Synesthesia等；用于区分“直接触觉策略/人-机器人对齐/action-free mid-training”，未逐条核验。\n- 方法与工具：TouchAnything、WiLoR、Hiera、MECCANO、SSv2、Ego-Exo4D、Gemini 3.7 Flash、Meshy；属于复现依赖，建议优先获取原始论文/模型卡/代码。\n\n## 版本与日期\n\n- 论文标注 Date: September 27, 2026；publication_venue 未注明，按预印本处理。项目网站 <https://touch-scale.github.io/> 在文中给出，但本次未访问，不能确认数据/代码已开放。\n- Table 1 的抽取存在空白单元格与子行错位风险；“500 h/87K episodes/880 taxels/1.5K+ objects”应按论文报告值引用，并注明待发布核验。\n- 本文内部结果（Table 2–5、Fig. 4/6）可直接定位；外部比较与数据集规模需以原始论文/主页为准。若后续访问发现版本差异，应以正式版本和发布包为准并记录冲突。\n\n\n\n\n\n### 最终判断\n\nTouchScale 最值得信任的是“统一管线采集的大规模人类视觉-触觉数据在该团队设定的三类评测中有用”：16 h等量跨传感器迁移（Table 2）、视觉表征相对最高（Table 3）和单平台机器人mid-training增益（Table 4）都有直接证据；但“500 h规模本身导致收益”“可广泛迁移到任意传感器/机器人”“未来触觉预测是主要机制”都未充分证明。建议把它当作数据集与预训练/中训练配方来用，而不是当作 scaling law 或机理结论；使用前先核验数据/代码发布、split与QC，并在目标平台做size-matched、多seed复现。下一步：获取发布包与N0-VTLA checkpoint，优先复现Table 2和Table 4，并加入仅视觉/打乱触觉对照。"
}