從看見，到觸感真實-開普勒國內(nèi)首發(fā) VTLA 全感知原生力觸覺全棧數(shù)采方案

2026年4月，北京亦莊機器人馬拉松火熱舉辦，行業(yè)迎來新一輪技術(shù)展示熱潮。當(dāng)下機器人領(lǐng)域正呈現(xiàn)鮮明的專業(yè)化分工：跑步機器人專注運動性能優(yōu)化，表演機器人側(cè)重姿態(tài)與交互，而開普勒機器人，始終聚焦工業(yè)實干，做真正能在產(chǎn)線上創(chuàng)造價值的實用型機器人。

同月，上海開普勒機器人正式發(fā)布國內(nèi)首個原生適配VTLA全感知模型的力觸覺全棧數(shù)采解決方案——Kepler-OmniTac?。方案由開普勒全棧自研，涵蓋新一代數(shù)采套件、Kepler-OmniVTLA大模型及原生數(shù)據(jù)集，可直接采集原生力觸覺全模態(tài)數(shù)據(jù)，實現(xiàn)機器人邊工作、邊數(shù)采，在真實工業(yè)場景里邊訓(xùn)練、邊進(jìn)化。

這一發(fā)布，標(biāo)志著工業(yè)人形機器人正式從以視覺為主的VLA時代，邁入更貼合生產(chǎn)實際的OmniVTLA時代。我們始終專注工業(yè)落地場景，致力于構(gòu)建真正實用的全感知智能機器人體系，補齊機器人長期缺失的"物理交互能力"，推動行業(yè)從炫技展示走向務(wù)實量產(chǎn)，向更智能、更可用、更能干活的方向持續(xù)邁進(jìn)。

一、數(shù)據(jù)驅(qū)動，開普勒具身智能邁入Gen3.0時代

開普勒機器人對具身智能的探索，始終以落地價值為核心錨點。開普勒CEO宋華曾多次公開表示："早期大模型等AI技術(shù)尚未成熟，行業(yè)內(nèi)多數(shù)數(shù)據(jù)采集停留在實驗室環(huán)境，產(chǎn)出的'完美數(shù)據(jù)'與真實工業(yè)場景脫節(jié)，既無法支撐機器人完成復(fù)雜操作，也導(dǎo)致企業(yè)投入產(chǎn)出比極低，難以形成規(guī)模化落地能力。"

基于這一判斷，開普勒為自研的KeplerBrain類腦系統(tǒng)?規(guī)劃了清晰的三階演進(jìn)路線：

? 2021–2023具身智能Gen1.0：以規(guī)則驅(qū)動模型為核心，聚焦封閉場景完成基礎(chǔ)作業(yè)驗證，實現(xiàn)"無泛化但穩(wěn)定可靠"的核心目標(biāo)，夯實工業(yè)級穩(wěn)定基礎(chǔ)；

? 2024–2025具身智能Gen2.0：升級為數(shù)據(jù)驅(qū)動AI模型，在原有封閉場景中實現(xiàn)"有條件泛化"，可適配同類場景下的小幅變量調(diào)整，實現(xiàn)場景內(nèi)靈活適配。

如今，人形機器人行業(yè)迎來關(guān)鍵拐點：執(zhí)行器、整機控制、靈巧手等硬件已實現(xiàn)規(guī)模化突破，軀體成熟，智能待啟。但行業(yè)仍被三大痛點牢牢束縛：

? 感知維度缺失-純視覺方案無法捕捉接觸力、摩擦力等物理交互信息

? 力觸覺數(shù)據(jù)稀缺-缺乏全維度接觸數(shù)據(jù)支撐精細(xì)操作

? 模型與數(shù)據(jù)不匹配-主流模型原生不支持觸覺模態(tài)

機器人普遍"看得清、摸不準(zhǔn)、做不精"。

依托早些年已完成的本體全棧布局與大量封閉場景落地經(jīng)驗，開普勒正式宣告：邁入KeplerBrain具身智能Gen3.0時代——以海量真實數(shù)據(jù)驅(qū)動端到端大模型，實現(xiàn)通用場景、完全泛化。

開普勒明確判斷：工業(yè)人形機器人的下一程，不再拼硬件，而拼感知與數(shù)據(jù)。物理世界感知+高保真交互數(shù)據(jù)，將成為真正的核心競爭力。

為此，公司堅定采用"具身智能大腦+力觸覺全棧數(shù)采"雙輪驅(qū)動戰(zhàn)略，放棄"廣而淺"的橫向泛化，深耕工業(yè)垂類縱向泛化路徑，用真實場景數(shù)據(jù)破解行業(yè)智能瓶頸，讓機器人真正實現(xiàn)"會摸、會懂、會做"，升級為具備真實物理世界感知與決策的工業(yè)智能體。

二、原生VTLA，打造觸覺+六維力全感知

本次推出的Kepler-OmniTac?力觸覺全棧數(shù)采解決方案，由自研Kepler-OmniTac數(shù)采套件、Kepler-OmniVTLA數(shù)據(jù)集、KEPLEROmniVTLA大模型端到端打通，核心是"人機同源感知"*，國內(nèi)首個實現(xiàn)"硬件-數(shù)據(jù)-模型"VTLA原生適配的工業(yè)級方案。

不止能看見，更懂推拉擰

Kepler-OmniTac數(shù)采套件為開普勒全棧自研，采用雙方案并行架構(gòu)，整體輕量化設(shè)計，可快速適配各類真實工業(yè)場景。

1.開普勒同構(gòu)力觸數(shù)采套件

由"同構(gòu)力反饋外骨骼+力觸反饋手部套件（夾爪/五指手套）+開普勒人形機器人（夾爪版/靈巧手版）"組合而成。

? 核心優(yōu)勢：動作空間與機器人高度一致，可原位采集高保真力控與接觸數(shù)據(jù)，減少人機形態(tài)差異，在滑移、穩(wěn)定性、材料區(qū)分、順應(yīng)控制等信號采集上表現(xiàn)優(yōu)異。同時通過本地-邊緣部署、通信優(yōu)化、溫度補償、自校準(zhǔn)等技術(shù)，有效抑制延遲、溫漂與噪聲，數(shù)據(jù)穩(wěn)定可靠。

2.類UMI觸覺手套數(shù)采套件

以五指觸覺采集手部套件為核心，可靈活搭配外骨骼擴展使用。

? 核心優(yōu)勢：大幅降低采集門檻與硬件成本，無需昂貴機器人即可快速采集大量人類演示數(shù)據(jù)，適合數(shù)據(jù)集擴容與算法快速驗證。通過多機型映射、策略蒸餾、多視角融合等技術(shù)，緩解人手-機器人差異與視角遮擋問題，低成本兼顧數(shù)據(jù)質(zhì)量。

雙套件協(xié)同，高質(zhì)高效全覆蓋

? 同構(gòu)外骨骼搭配力觸手部采集套件實現(xiàn)精準(zhǔn)動作映射與力覺反饋，保障遙操作數(shù)據(jù)高保真；

? 觸覺手套兼顧低成本與數(shù)據(jù)多樣性，提升采集效率與覆蓋度。

兩者互補配合，可靈活覆蓋不同場景、不同精度需求的全品類數(shù)據(jù)采集任務(wù)，為OmniVTLA大模型訓(xùn)練提供高質(zhì)量、高多樣性的多模態(tài)數(shù)據(jù)支撐。

海量真實數(shù)據(jù)，筑牢感知底座

Kepler-OmniVTLA數(shù)據(jù)集，基于自研采集設(shè)備原生采集構(gòu)建，自帶"真實無虛、多元覆蓋、全模融合、規(guī)模領(lǐng)先"四大特質(zhì)，數(shù)據(jù)儲備堪稱豐厚：累計收錄10萬+條真人實采全模態(tài)場景數(shù)據(jù)，覆蓋商業(yè)、工業(yè)、辦公、家居等多行業(yè)核心場景，囊括20+種專屬工業(yè)技能與40+種真實應(yīng)用場景，真實還原核心場景全鏈路任務(wù)。

從VLA到VTLA，一腦適配多機

KEPLEROmniVTLA大模型，實現(xiàn)VLA→VTLA關(guān)鍵升級，將力觸覺模態(tài)提升至與視覺、語言、動作同等核心地位，原生支持力觸覺編碼與跨模態(tài)深度融合：

核心突破：從"被動看"到"主動摸"，精準(zhǔn)理解接觸力度、材料軟硬等物理屬性，柔性/易碎工件操作"不翻車"；

能力躍遷：模仿學(xué)習(xí)2.0落地，告別單純"抄動作"，深度"懂邏輯"，復(fù)雜任務(wù)泛化能力"翻倍漲"；

實用價值：一腦多機高效適配，通過多機型目標(biāo)映射與策略蒸餾，一套模型可兼容不同自由度、不同結(jié)構(gòu)的人形機器人，無需重復(fù)開發(fā)，大幅降低部署成本；

工業(yè)實效：接觸密集型任務(wù)成功率提升10%-20%，試錯成本"砍一刀"，已在汽車、3C等行業(yè)真實工廠完成POC驗證，徹底補齊工業(yè)人形機器人感知短板。

三、邊工作、邊數(shù)采、邊訓(xùn)練、邊進(jìn)化

當(dāng)前機器人訓(xùn)練的核心數(shù)據(jù)，多以純視覺數(shù)據(jù)和虛擬合成數(shù)據(jù)為主。虛擬數(shù)采場、集中式基地產(chǎn)出的理想化數(shù)據(jù)，脫離了工廠的真實環(huán)境——不同材質(zhì)的零件、復(fù)雜的光照遮擋、動態(tài)的生產(chǎn)流程，讓這類數(shù)據(jù)在工業(yè)場景的泛化成功率僅【25%-30%】；而純視覺數(shù)據(jù)存在天然盲區(qū)，無法感知力、觸等物理信息，在精密裝配、多材質(zhì)抓取等精細(xì)操作中，幾乎不具備實用價值。

傳統(tǒng)遙操作數(shù)采作為"人工主導(dǎo)的離線采集模式"，同樣未能解決數(shù)據(jù)與真實場景脫節(jié)的核心問題，而Kepler-OmniTac?憑借于"硬件-數(shù)據(jù)-模型"端到端原生打通：硬件實時采集不卡頓，數(shù)據(jù)管線秒級處理無延遲，模型原生適配力觸覺模態(tài)，三者形成高效閉環(huán)，大幅減少人工參與，快速完成"采集-處理-訓(xùn)練-迭代"全流程。率先實現(xiàn)"干活即采數(shù)、采數(shù)即訓(xùn)練、訓(xùn)練即進(jìn)化"的革命性突破，徹底打破行業(yè)"采集-訓(xùn)練-部署"割裂的痛點。

我們的優(yōu)勢不止于技術(shù)邏輯，更在汽車、3C等真實產(chǎn)線得到驗證

產(chǎn)線實測：從能用，到好用

汽車精密裝配：1000次零失誤，成功率98%

? 行業(yè)痛點：傳統(tǒng)遙操作數(shù)采與虛擬/純視覺數(shù)據(jù)難以精準(zhǔn)還原精密裝配的力控細(xì)節(jié)與真實場景，采集數(shù)據(jù)適配性差，泛化成功率僅25%-30%，導(dǎo)致機器人實際作業(yè)易卡滯、錯位，依賴人工補位，效率低、成本高；

? 我們的突破：VTLA模型通過六維力傳感器+觸覺反饋，動態(tài)修正姿態(tài)，實現(xiàn)亞毫米級精準(zhǔn)對齊，采集數(shù)據(jù)與實際作業(yè)場景1:1匹配；

? 落地數(shù)據(jù)：某汽車工廠1000次連續(xù)裝配，成功率達(dá)98%，較虛擬/純視覺數(shù)據(jù)的25%-30%泛化成功率實現(xiàn)質(zhì)的飛躍，產(chǎn)線產(chǎn)能提升30%，人工成本降低40%，大幅減少人工干預(yù)。

多材質(zhì)抓取：零滑落，成功率99%

? 行業(yè)痛點：傳統(tǒng)遙操作數(shù)采與虛擬/純視覺數(shù)據(jù)無法精準(zhǔn)捕捉不同材質(zhì)零件的受力差異與真實場景特性，采集數(shù)據(jù)通用性差，機器人抓取時易出現(xiàn)抓碎、滑落問題，人工干預(yù)率高，幾乎不具備實用價值；

? 我們的突破：VTLA模型通過力觸覺實時反饋，動態(tài)調(diào)節(jié)抓取力度（重物抓牢、輕物輕柔、易碎品控力），采集數(shù)據(jù)覆蓋全場景材質(zhì)特性與復(fù)雜環(huán)境；

? 落地數(shù)據(jù)：某制造工廠多品種小批量零件抓取及放置，抓取成功率99%，連續(xù)作業(yè)零滑落。

開普勒K2大黃蜂目前已成功實現(xiàn)自主拆垛，顯著降低人工干預(yù)，推動產(chǎn)線自動化升級，徹底解決純視覺與虛擬數(shù)據(jù)的實用化難題。

四、從人工采集，到自主成長，補齊感知短板

傳統(tǒng)遙操作數(shù)采與虛擬/純視覺數(shù)據(jù)僅解決"數(shù)據(jù)怎么采"，但無法解決"數(shù)據(jù)怎么用、機器人怎么升級"的核心問題；而我們的方案實現(xiàn)全鏈路高效閉環(huán)：

? 對企業(yè)：無需額外投入采集時間與大量人工成本，機器人自主進(jìn)化，持續(xù)降低產(chǎn)線試錯成本與人工干預(yù)，擺脫對低泛化率數(shù)據(jù)的依賴；

? 對行業(yè)：打破"人工依賴型數(shù)采"與"虛擬數(shù)據(jù)脫節(jié)場景"的雙重瓶頸，用"力觸覺+視覺"雙驅(qū)動的自主成長模式，讓機器人真正適配工業(yè)場景的復(fù)雜多變，這也是我們能在汽車、3C、物流等行業(yè)快速落地的核心原因。

1. 補齊感知短板：首次實現(xiàn)"視覺+力觸覺"全維度物理感知，讓機器人不止"看見"，更能"觸摸真實"，解決遮擋、反光、柔性物體等場景失效問題；

2. 降低數(shù)據(jù)門檻：提供開箱即用的工業(yè)力觸覺數(shù)采方案，大幅降低企業(yè)獲取高保真交互數(shù)據(jù)的成本與周期，加速具身智能迭代；

3. 加速場景落地：原生適配VTLA模型，數(shù)據(jù)與模型深度協(xié)同，提升機器人在精密制造、汽車裝配、物流分揀等場景的作業(yè)精度與穩(wěn)定性，助力工業(yè)人形機器人規(guī)模化商用。

五、以數(shù)據(jù)為芯，從工業(yè)出發(fā)，向萬物智能延伸

開普勒深耕工業(yè)人形機器人領(lǐng)域，旗下K2"大黃蜂"機器人已在工業(yè)制造、物流作業(yè)、高空作業(yè)等場景完成穩(wěn)定驗證。本次力觸覺全棧數(shù)采方案的發(fā)布，是公司從"硬件研發(fā)"向"硬件+數(shù)據(jù)+模型"全棧智能公司升級的關(guān)鍵一步。

未來，開普勒將立足工業(yè)、跳出工業(yè)，持續(xù)迭代VTLA模型與力觸覺數(shù)采體系，以工業(yè)級高可靠能力為根基，不斷拓展全場景智能邊界；聯(lián)合生態(tài)伙伴共建「場景-數(shù)據(jù)-模型」正向循環(huán)，讓機器人真正具備人類級物理感知與交互能力，從賦能智能制造，走向服務(wù)萬物智能。

來源：北青網(wǎng)