國內首發！這一全新數采方案，讓機器人邊干活邊進化？

今年4月，人形機器人接連迎來高光時刻。19日，北京亦莊人形機器人半程馬拉松圓滿收官，榮耀“閃電”機器人以50分26秒的成績奪冠，一舉超越人類男子半馬世界紀錄。僅隔兩日，第二屆世界人形機器人運動會正式官宣，將于8月22日至26日在國家速滑館“冰絲帶”舉辦，30余個賽項輪番登場，堪稱人形機器人的“全運會”。

賽事作為檢驗人形機器人能力的重要試驗場，無疑受到了行業的高度關注。而在聚光燈之外，開普勒機器人選擇了一條更務實的路徑，始終聚焦工業實干，力爭做真正能在產線上創造價值的實用型機器人。

就在半馬賽事前不久，上海開普勒機器人正式發布國內首個原生適配 VTLA 全感知模型的力觸覺全棧數采解決方案 ——Kepler-OmniTac?。方案由開普勒全棧自研，涵蓋新一代數采套件、Kepler-OmniVTLA 大模型及原生數據集，可直接采集原生力觸覺全模態數據，實現機器人邊工作、邊數采，在真實工業場景里邊訓練、邊進化。

這一發布，標志著工業人形機器人正式從以視覺為主的 VLA 時代，邁入更貼合生產實際的 OmniVTLA 時代。開普勒始終專注工業落地場景，致力于構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”，推動行業從炫技展示走向務實量產，向更智能、更可用、更能干活的方向持續邁進。

01.

開普勒具身智能邁入 Gen3.0 時代

“早期大模型等 AI 技術尚未成熟，行業內多數數據采集停留在實驗室環境，產出的‘完美數據’與真實工業場景脫節，既無法支撐機器人完成復雜操作，也導致企業投入產出比極低，難以形成規模化落地能力。”

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：

基于這一判斷，開普勒為自研的KeplerBrain 類腦系統?規劃了清晰的三階演進路線：

• 2021–2023 具身智能 Gen1.0：以規則驅動模型為核心，聚焦封閉場景完成基礎作業驗證，實現 “無泛化但穩定可靠” 的核心目標，夯實工業級穩定基礎；
• 2024–2025 具身智能 Gen2.0：升級為數據驅動 AI 模型，在原有封閉場景中實現 “有條件泛化”，可適配同類場景下的小幅變量調整，實現場景內靈活適配。
• 
  

如今，人形機器人行業迎來關鍵拐點：執行器、整機控制、靈巧手等硬件已實現規模化突破，軀體成熟，智能待啟。但行業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
• 力觸覺數據稀缺-缺乏全維度接觸數據支撐精細操作
• 模型與數據不匹配-主流模型原生不支持觸覺模態

機器人普遍 “看得清、摸不準、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—— 以海量真實數據驅動端到端大模型，實現通用場景、完全泛化。

開普勒明確判斷：工業人形機器人的下一程，不再拼硬件，而拼感知與數據。物理世界感知 + 高保真交互數據，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 + 力觸覺全棧數采”雙輪驅動戰略，放棄 “廣而淺” 的橫向泛化，深耕工業垂類縱向泛化路徑，用真實場景數據破解行業智能瓶頸，讓機器人真正實現 “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智能體。

02.

原生 VTLA，打造觸覺 + 六維力全感知

本次推出的 Kepler-OmniTac? 力觸覺全棧數采解決方案，由自研Kepler-OmniTac 數采套件、Kepler-OmniVTLA 數據集、KEPLER OmniVTLA 大模型端到端打通，核心是 “人機同源感知”，國內首個實現 “硬件 - 數據 - 模型” VTLA 原生適配的工業級方案。

不止能看見，更懂推拉擰

Kepler-OmniTac 數采套件為開普勒全棧自研，采用雙方案并行架構，整體輕量化設計，可快速適配各類真實工業場景。

1. 開普勒同構力觸數采套件

由 “同構力反饋外骨骼 + 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據，減少人機形態差異，在滑移、穩定性、材料區分、順應控制等信號采集上表現優異。同時通過本地 - 邊緣部署、通信優化、溫度補償、自校準等技術，有效抑制延遲、溫漂與噪聲，數據穩定可靠。
• 
  

2. 類 UMI 觸覺手套數采套件

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據，適合數據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，緩解人手 - 機器人差異與視角遮擋問題，低成本兼顧數據質量。

雙套件協同，高質高效全覆蓋

• 同構外骨骼搭配力觸手部采集套件實現精準動作映射與力覺反饋，保障遙操作數據高保真；
• 觸覺手套兼顧低成本與數據多樣性，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據采集任務，為 OmniVTLA 大模型訓練提供高質量、高多樣性的多模態數據支撐。

海量真實數據，筑牢感知底座

Kepler-OmniVTLA 數據集，基于自研采集設備原生采集構建，自帶 “真實無虛、多元覆蓋、全模融合、規模領先” 四大特質，數據儲備堪稱豐厚：累計收錄 10 萬 + 條真人實采全模態場景數據，覆蓋商業、工業、辦公、家居等多行業核心場景，囊括20+種專屬工業技能與 40 +種真實應用場景，真實還原核心場景全鏈路任務。

從 VLA 到 VTLA，一腦適配多機

KEPLER OmniVTLA 大模型，實現 VLA→VTLA 關鍵升級，將力觸覺模態提升至與視覺、語言、動作同等核心地位，原生支持力觸覺編碼與跨模態深度融合：

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

能力躍遷：模仿學習 2.0 落地，告別單純 “抄動作”，深度 “懂邏輯”，復雜任務泛化能力 “翻倍漲”；

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

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

03.

邊工作、邊數采、邊訓練、邊進化

當前機器人訓練的核心數據，多以純視覺數據和虛擬合成數據為主。虛擬數采場、集中式基地產出的理想化數據，脫離了工廠的真實環境 —— 不同材質的零件、復雜的光照遮擋、動態的生產流程，讓這類數據在工業場景的泛化成功率僅【25%-30%】；而純視覺數據存在天然盲區，無法感知力、觸等物理信息，在精密裝配、多材質抓取等精細操作中，幾乎不具備實用價值。

傳統遙操作數采作為 “人工主導的離線采集模式”，同樣未能解決數據與真實場景脫節的核心問題，而 Kepler-OmniTac? 憑借于 “硬件 - 數據 - 模型” 端到端原生打通：硬件實時采集不卡頓，數據管線秒級處理無延遲，模型原生適配力觸覺模態，三者形成高效閉環，大幅減少人工參與，快速完成 “采集 - 處理 - 訓練 - 迭代” 全流程。率先實現“干活即采數、采數即訓練、訓練即進化”的革命性突破，徹底打破行業 “采集 - 訓練 - 部署” 割裂的痛點。開普勒的優勢不止于技術邏輯，更在汽車、3C 等真實產線得到驗證。

產線實測：從能用，到好用

汽車精密裝配：1000 次零失誤，成功率 98%

• 行業痛點：傳統遙操作數采與虛擬 / 純視覺數據難以精準還原精密裝配的力控細節與真實場景，采集數據適配性差，泛化成功率僅 25%-30%，導致機器人實際作業易卡滯、錯位，依賴人工補位，效率低、成本高；
• 開普勒的突破：VTLA 模型通過六維力傳感器 + 觸覺反饋，動態修正姿態，實現亞毫米級精準對齊，采集數據與實際作業場景 1:1 匹配；
• 落地數據：某汽車工廠 1000 次連續裝配，成功率達 98%，較虛擬 / 純視覺數據的 25%-30% 泛化成功率實現質的飛躍，產線產能提升 30%，人工成本降低 40%，大幅減少人工干預。

多材質抓取：零滑落，成功率 99%

• 行業痛點：傳統遙操作數采與虛擬 / 純視覺數據無法精準捕捉不同材質零件的受力差異與真實場景特性，采集數據通用性差，機器人抓取時易出現抓碎、滑落問題，人工干預率高，幾乎不具備實用價值；
• 開普勒的突破：VTLA 模型通過力觸覺實時反饋，動態調節抓取力度（重物抓牢、輕物輕柔、易碎品控力），采集數據覆蓋全場景材質特性與復雜環境；
• 落地數據：某制造工廠多品種小批量零件抓取及放置，抓取成功率 99%，連續作業零滑落。

開普勒 K2 大黃蜂目前已成功實現自主拆垛，顯著降低人工干預，推動產線自動化升級，徹底解決純視覺與虛擬數據的實用化難題。

04.

從人工采集，到自主成長，補齊感知短板

傳統遙操作數采與虛擬 / 純視覺數據僅解決 “數據怎么采”，但無法解決 “數據怎么用、機器人怎么升級” 的核心問題；而開普勒的方案實現全鏈路高效閉環：

• 對企業：無需額外投入采集時間與大量人工成本，機器人自主進化，持續降低產線試錯成本與人工干預，擺脫對低泛化率數據的依賴；
• 對行業：打破 “人工依賴型數采” 與 “虛擬數據脫節場景” 的雙重瓶頸，用 “力觸覺 + 視覺” 雙驅動的自主成長模式，讓機器人真正適配工業場景的復雜多變，這也是開普勒能在汽車、3C、物流等行業快速落地的核心原因。

1. 補齊感知短板：首次實現 “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.降低數據門檻：提供開箱即用的工業力觸覺數采方案，大幅降低企業獲取高保真交互數據的成本與周期，加速具身智能迭代；

3.加速場景落地：原生適配 VTLA 模型，數據與模型深度協同，提升機器人在精密制造、汽車裝配、物流分揀等場景的作業精度與穩定性，助力工業人形機器人規模化商用。

05.

以數據為芯，從工業出發，向萬物智能延伸

開普勒深耕工業人形機器人領域，旗下 K2 “大黃蜂” 機器人已在工業制造、物流作業、高空作業等場景完成穩定驗證。本次力觸覺全棧數采方案的發布，是公司從 “硬件研發” 向 “硬件 + 數據 + 模型” 全棧智能公司升級的關鍵一步。

未來，開普勒將立足工業、跳出工業，持續迭代 VTLA 模型與力觸覺數采體系，以工業級高可靠能力為根基，不斷拓展全場景智能邊界；聯合生態伙伴共建「場景 - 數據 - 模型」正向循環，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，走向服務萬物智能。