2026 年 4 月，北京亦莊機器人馬拉松火熱舉辦，行業迎來新一輪技術展示熱潮。當下機器人領域正呈現鮮明的專業化分工：跑步機器人專注運動性能優化，表演機器人側重姿態與交互，而開普勒機器人，始終聚焦工業實干，做真正能在產線上創造價值的實用型機器人。
同月，上海開普勒機器人正式發布國內首個原生適配全感知模型的力觸覺全棧數采解決方案 。方案由開普勒全棧自研，涵蓋新一代數采套件、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。我們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。
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?；涞啬芰?。”
基于這一判斷，開普勒為自研的 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?；黄?，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。
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。
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。我們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；
-
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；
-
我們的突破：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。
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；而我們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，這也是我們能在汽車、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。
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。
