从看见，到触感真实-开普勒国内首发 VTLA 全感知原生力触觉全栈数采方案

上海2026年4月21日 /美通社/ -- 2026 年 4 月，北京亦庄机器人马拉松火热举办，行业迎来新一轮技术展示热潮。当下机器人领域正呈现鲜明的专业化分工：跑步机器人专注运动性能优化，表演机器人侧重姿态与交互，而开普勒机器人，始终聚焦工业实干，做真正能在产线上创造价值的实用型机器人。

同月，上海开普勒机器人正式发布国内首个原生适配 VTLA 全感知模型的力触觉全栈数采解决方案 ——Kepler-OmniTac™。方案由开普勒全栈自研，涵盖新一代数采套件、Kepler-OmniVTLA 大模型及原生数据集，可直接采集原生力触觉全模态数据，实现机器人边工作、边数采，在真实工业场景里边训练、边进化。

这一发布，标志着工业人形机器人正式从以视觉为主的 VLA 时代，迈入更贴合生产实际的 OmniVTLA 时代。我们始终专注工业落地场景，致力于构建真正实用的全感知智能机器人体系，补齐机器人长期缺失的 "物理交互能力"，推动行业从炫技展示走向务实量产，向更智能、更可用、更能干活的方向持续迈进。

一、数据驱动，开普勒具身智能迈入 Gen3.0 时代

开普勒机器人对具身智能的探索，始终以落地价值为核心锚点。开普勒CEO 宋华曾多次公开表示："早期大模型等 AI 技术尚未成熟，行业内多数数据采集停留在实验室环境，产出的'完美数据'与真实工业场景脱节，既无法支撑机器人完成复杂操作，也导致企业投入产出比极低，难以形成规模化落地能力。"

基于这一判断，开普勒为自研的 KeplerBrain 类脑系统™ 规划了清晰的三阶演进路线：

• 2021–2023 具身智能 Gen1.0：以规则驱动模型为核心，聚焦封闭场景完成基础作业验证，实现 "无泛化但稳定可靠" 的核心目标，夯实工业级稳定基础；
• 2024–2025 具身智能 Gen2.0：升级为数据驱动 AI 模型，在原有封闭场景中实现 "有条件泛化"，可适配同类场景下的小幅变量调整，实现场景内灵活适配。

如今，人形机器人行业迎来关键拐点：执行器、整机控制、灵巧手等硬件已实现规模化突破，躯体成熟，智能待启。但行业仍被三大痛点牢牢束缚：

• 感知维度缺失-纯视觉方案无法捕捉接触力、摩擦力等物理交互信息
• 力触觉数据稀缺-缺乏全维度接触数据支撑精细操作
• 模型与数据不匹配-主流模型原生不支持触觉模态

机器人普遍 "看得清、摸不准、做不精"。

依托早些年已完成的本体全栈布局与大量封闭场景落地经验，开普勒正式宣告：迈入KeplerBrain具身智能 Gen3.0 时代—— 以海量真实数据驱动端到端大模型，实现通用场景、完全泛化。

开普勒明确判断：工业人形机器人的下一程，不再拼硬件，而拼感知与数据。物理世界感知 + 高保真交互数据，将成为真正的核心竞争力。

为此，公司坚定采用"具身智能大脑 + 力触觉全栈数采" 双轮驱动战略，放弃 "广而浅" 的横向泛化，深耕工业垂类纵向泛化路径，用真实场景数据破解行业智能瓶颈，让机器人真正实现 "会摸、会懂、会做"，升级为具备真实物理世界感知与决策的工业智能体。

二、原生 VTLA，打造触觉 + 六维力全感知

本次推出的 Kepler-OmniTac™ 力触觉全栈数采解决方案，由自研Kepler-OmniTac 数采套件、Kepler-OmniVTLA 数据集、KEPLER OmniVTLA 大模型端到端打通，核心是 "人机同源感知"*，国内首个实现 "硬件 - 数据 - 模型" VTLA 原生适配的工业级方案。

不止能看见，更懂推拉拧

Kepler-OmniTac 数采套件为开普勒全栈自研，采用双方案并行架构，整体轻量化设计，可快速适配各类真实工业场景。

1. 开普勒同构力触数采套件

由 "同构力反馈外骨骼 + 力触反馈手部套件（夹爪 / 五指手套）+ 开普勒人形机器人（夹爪版 / 灵巧手版）"组合而成。

• 核心优势：动作空间与机器人高度一致，可原位采集高保真力控与接触数据，减少人机形态差异，在滑移、稳定性、材料区分、顺应控制等信号采集上表现优异。同时通过本地 - 边缘部署、通信优化、温度补偿、自校准等技术，有效抑制延迟、温漂与噪声，数据稳定可靠。

2. 类 UMI 触觉手套数采套件

以五指触觉采集手部套件为核心，可灵活搭配外骨骼扩展使用。

• 核心优势：大幅降低采集门槛与硬件成本，无需昂贵机器人即可快速采集大量人类演示数据，适合数据集扩容与算法快速验证。通过多机型映射、策略蒸馏、多视角融合等技术，缓解人手 - 机器人差异与视角遮挡问题，低成本兼顾数据质量。

双套件协同，高质高效全覆盖

• 同构外骨骼搭配力触手部采集套件实现精准动作映射与力觉反馈，保障遥操作数据高保真；
• 触觉手套兼顾低成本与数据多样性，提升采集效率与覆盖度。

两者互补配合，可灵活覆盖不同场景、不同精度需求的全品类数据采集任务，为 OmniVTLA 大模型训练提供高质量、高多样性的多模态数据支撑。

海量真实数据，筑牢感知底座

Kepler-OmniVTLA 数据集，基于自研采集设备原生采集构建，自带 "真实无虚、多元覆盖、全模融合、规模领先" 四大特质，数据储备堪称丰厚：累计收录 10 万 + 条真人实采全模态场景数据，覆盖商业、工业、办公、家居等多行业核心场景，囊括20+种专属工业技能与 40 +种真实应用场景，真实还原核心场景全链路任务。

从 VLA 到 VTLA，一脑适配多机

KEPLER OmniVTLA 大模型，实现 VLA→VTLA 关键升级，将力触觉模态提升至与视觉、语言、动作同等核心地位，原生支持力触觉编码与跨模态深度融合：

核心突破：从 "被动看" 到 "主动摸"，精准理解接触力度、材料软硬等物理属性，柔性 / 易碎工件操作 "不翻车"；

能力跃迁：模仿学习 2.0 落地，告别单纯 "抄动作"，深度 "懂逻辑"，复杂任务泛化能力 "翻倍涨"；

实用价值：一脑多机高效适配，通过多机型目标映射与策略蒸馏，一套模型可兼容不同自由度、不同结构的人形机器人，无需重复开发，大幅降低部署成本；

工业实效：接触密集型任务成功率提升 10%-20%，试错成本 "砍一刀"，已在汽车、3C 等行业真实工厂完成 POC 验证，彻底补齐工业人形机器人感知短板。

三、边工作、边数采、边训练、边进化

当前机器人训练的核心数据，多以纯视觉数据和虚拟合成数据为主。虚拟数采场、集中式基地产出的理想化数据，脱离了工厂的真实环境 —— 不同材质的零件、复杂的光照遮挡、动态的生产流程，让这类数据在工业场景的泛化成功率仅【25%-30%】；而纯视觉数据存在天然盲区，无法感知力、触等物理信息，在精密装配、多材质抓取等精细操作中，几乎不具备实用价值。

传统遥操作数采作为 "人工主导的离线采集模式"，同样未能解决数据与真实场景脱节的核心问题，而 Kepler-OmniTac™ 凭借于 "硬件 - 数据 - 模型" 端到端原生打通：硬件实时采集不卡顿，数据管线秒级处理无延迟，模型原生适配力触觉模态，三者形成高效闭环，大幅减少人工参与，快速完成 "采集 - 处理 - 训练 - 迭代" 全流程。率先实现 "干活即采数、采数即训练、训练即进化" 的革命性突破，彻底打破行业 "采集 - 训练 - 部署" 割裂的痛点。

我们的优势不止于技术逻辑，更在汽车、3C 等真实产线得到验证

产线实测：从能用，到好用

汽车精密装配：1000 次零失误，成功率 98%

• 行业痛点：传统遥操作数采与虚拟 / 纯视觉数据难以精准还原精密装配的力控细节与真实场景，采集数据适配性差，泛化成功率仅 25%-30%，导致机器人实际作业易卡滞、错位，依赖人工补位，效率低、成本高；
• 我们的突破：VTLA 模型通过六维力传感器 + 触觉反馈，动态修正姿态，实现亚毫米级精准对齐，采集数据与实际作业场景 1:1 匹配；
• 落地数据：某汽车工厂 1000 次连续装配，成功率达 98%，较虚拟 / 纯视觉数据的 25%-30% 泛化成功率实现质的飞跃，产线产能提升 30%，人工成本降低 40%，大幅减少人工干预。

多材质抓取：零滑落，成功率 99%

• 行业痛点：传统遥操作数采与虚拟 / 纯视觉数据无法精准捕捉不同材质零件的受力差异与真实场景特性，采集数据通用性差，机器人抓取时易出现抓碎、滑落问题，人工干预率高，几乎不具备实用价值；
• 我们的突破：VTLA 模型通过力触觉实时反馈，动态调节抓取力度（重物抓牢、轻物轻柔、易碎品控力），采集数据覆盖全场景材质特性与复杂环境；
• 落地数据：某制造工厂多品种小批量零件抓取及放置，抓取成功率 99%，连续作业零滑落。

开普勒 K2 大黄蜂目前已成功实现自主拆垛，显著降低人工干预，推动产线自动化升级，彻底解决纯视觉与虚拟数据的实用化难题。

四、从人工采集，到自主成长，补齐感知短板

传统遥操作数采与虚拟 / 纯视觉数据仅解决 "数据怎么采"，但无法解决 "数据怎么用、机器人怎么升级" 的核心问题；而我们的方案实现全链路高效闭环：

• 对企业：无需额外投入采集时间与大量人工成本，机器人自主进化，持续降低产线试错成本与人工干预，摆脱对低泛化率数据的依赖；
• 对行业：打破 "人工依赖型数采" 与 "虚拟数据脱节场景" 的双重瓶颈，用 "力触觉 + 视觉" 双驱动的自主成长模式，让机器人真正适配工业场景的复杂多变，这也是我们能在汽车、3C、物流等行业快速落地的核心原因。

1. 补齐感知短板：首次实现 "视觉 + 力触觉" 全维度物理感知，让机器人不止 "看见"，更能 "触摸真实"，解决遮挡、反光、柔性物体等场景失效问题；
2. 降低数据门槛：提供开箱即用的工业力触觉数采方案，大幅降低企业获取高保真交互数据的成本与周期，加速具身智能迭代；
3. 加速场景落地：原生适配 VTLA 模型，数据与模型深度协同，提升机器人在精密制造、汽车装配、物流分拣等场景的作业精度与稳定性，助力工业人形机器人规模化商用。

五、以数据为芯，从工业出发，向万物智能延伸

开普勒深耕工业人形机器人领域，旗下 K2 "大黄蜂" 机器人已在工业制造、物流作业、高空作业等场景完成稳定验证。本次力触觉全栈数采方案的发布，是公司从 "硬件研发" 向 "硬件 + 数据 + 模型" 全栈智能公司升级的关键一步。

未来，开普勒将立足工业、跳出工业，持续迭代 VTLA 模型与力触觉数采体系，以工业级高可靠能力为根基，不断拓展全场景智能边界；联合生态伙伴共建「场景 - 数据 - 模型」正向循环，让机器人真正具备人类级物理感知与交互能力，从赋能智能制造，走向服务万物智能。