开普勒机器人发布国内首套原生VTLA全感知力触觉数采方案，开启工业人形机器人新纪元
2026年4月，北京亦庄举办的机器人马拉松活动吸引了众多行业目光，成为新一轮技术展示的热点。当前，机器人产业呈现出日益明显的专业化分工趋势：部分企业专注于提升运动性能，另一些则侧重交互与姿态表现，而开普勒机器人始终聚焦于工业应用，致力于打造可直接投入产线、创造实际价值的实用型机器人。
同月，开普勒在上海正式发布了国内首个原生适配VTLA（视觉-语言-动作）全感知模型的力触觉全栈数采解决方案——Kepler-OmniTac™。该方案由开普勒全栈自主研发，涵盖了新一代数采套件、Kepler-OmniVTLA大模型以及配套的原生数据集，能够在执行任务的同时完成数据采集，实现机器人在真实工业场景中边操作、边学习、边进化。
这一发布标志着工业人形机器人从以视觉为核心的信息处理模式，正式迈向融合力触觉感知的OmniVTLA新纪元。开普勒始终聚焦实际工业需求，致力于构建具备完整感知能力的智能机器人体系，弥补长期以来机器人在物理交互能力方面的短板，推动行业从技术展示转向实际应用，迈向更智能、更高效的未来发展路径。
数据驱动，开普勒具身智能迈入 Gen3.0 时代
开普勒在具身智能领域的探索，始终以落地价值为根本出发点。公司首席执行官宋华曾多次强调：在AI技术尚不成熟阶段，多数数据采集仍局限于实验室环境，所得“理想化数据”与实际工业场景脱节，不仅难以支撑复杂操作需求，还导致企业投入产出比偏低，难以形成大规模落地。
基于上述判断，开普勒为自研的KeplerBrain类脑系统规划了清晰的三阶段演进路径：
2021–2023 具身智能 Gen1.0：以规则模型为主导，聚焦封闭环境下的基础作业验证，确保系统的稳定性与可靠性，为工业级部署奠定基础。
2024–2025 具身智能 Gen2.0：升级为数据驱动的AI模型，在原有封闭场景中实现“有条件泛化”，可适应同类场景下的小幅变量变化，提升场景适应能力。
如今，人形机器人行业迎来关键拐点：执行器、整机控制、灵巧手等硬件技术已实现规模化突破，整机形态逐渐成熟，但行业仍面临三大核心瓶颈：
感知维度缺失：纯视觉方案难以捕捉接触力、摩擦力等关键物理交互信息；
力触觉数据匮乏：缺乏全维度接触数据支撑精细操作；
模型与数据不匹配：主流模型尚未原生支持触觉模态。
因此，目前的机器人普遍存在“看得见、摸不准、做不精”的问题。
凭借多年在本体技术积累与大量封闭场景的实际部署经验，开普勒正式迈入KeplerBrain具身智能 Gen3.0 时代，以真实场景中采集的海量数据驱动端到端大模型，实现更广泛场景的通用性和完全泛化能力。
开普勒明确指出，工业人形机器人的下一步发展，不再以硬件性能为竞争焦点，而是转向感知与数据能力的突破。融合物理世界的感知与高保真的交互数据，将成为行业真正的核心竞争力。
为此，公司坚定执行“具身智能大脑 + 力触觉全栈数采”双轮驱动战略，放弃“广而浅”的横向泛化路径，专注工业垂直领域的纵向泛化，借助真实场景数据突破行业智能瓶颈，使机器人具备“会摸、会懂、会做”的能力，升级为真正具备物理世界感知与决策能力的工业智能体。
原生 VTLA，打造触觉 + 六维力全感知体系
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数据集以及Kepler-OmniVTLA大模型组成，实现“硬件-数据-模型”的端到端原生适配，是国内首个工业级VTLA原生方案。
其核心理念是“人机同源感知”，不仅让机器人“看得见”，更使其“懂得推、拉、拧”。
Kepler-OmniTac 数采套件：全栈自研，双方案并行
该套件采用双方案并行架构，整体设计轻量化，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）+ 人形机器人（夹爪版/灵巧手版）”构成。
优势：与机器人动作空间高度一致，可采集高质量力控和接触数据，减少形态差异带来的误差。通过本地-边缘部署、通信优化、温度补偿及自校准等技术手段，有效抑制延迟、温漂与噪声，确保数据稳定可靠。
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。
优势：显著降低采集门槛与硬件成本，无需昂贵机器人即可高效采集大量人类操作数据，适用于数据集扩展与算法快速验证。通过多机型映射、策略蒸馏和多视角融合，缓解人手与机器人差异及视角遮挡问题，在低成本前提下保障数据质量。
双套件协同，实现高质高效数据采集
同构外骨骼与力触手部套件协同，实现高保真遥操作数据采集；
触觉手套提升数据多样性与采集效率，覆盖不同精度要求的全品类任务。
两者互补，灵活适配多种工业场景，为OmniVTLA大模型训练提供高质量、多样化的多模态数据支撑。
海量真实数据，构建感知基础
Kepler-OmniVTLA数据集基于自研设备原生采集构建，具备“真实无虚、多元覆盖、全模融合、规模领先”四大特点。目前数据总量已超过10万条，涵盖商业、工业、办公、家居等多个场景，覆盖20余种专属工业技能与40余种实际应用场景，真实还原关键任务链。
从VLA到VTLA，实现一脑适配多机
KEPLER OmniVTLA大模型实现了从VLA到VTLA的关键升级，将力触觉模态提升至与视觉、语言和动作同等的核心地位，原生支持触觉与六维力信号的融合处理。
核心突破：从“被动感知”迈向“主动触控”，精准理解接触力度与材料属性，确保柔性或易碎工件操作的稳定性。
能力跃迁：模仿学习2.0落地，深度理解操作逻辑，复杂任务泛化能力显著提升。
实用价值：实现多机型适配，一套模型即可兼容不同自由度和结构的人形机器人，降低部署与开发成本。
工业实效：接触密集型任务成功率提升10%-20%，已在汽车与3C等行业完成POC验证，显著弥补工业机器人感知短板。
边工作、边数采、边训练、边进化
当前机器人训练主要依赖视觉数据与虚拟合成数据。然而，集中式采集或虚拟环境中得到的数据往往脱离真实工业环境，如复杂光照、动态流程和零件材质差异等，导致实际泛化成功率仅在25%-30%之间。而纯视觉数据在精密装配、多材质抓取等场景中，因缺乏物理感知维度，几乎不具备实际应用价值。
传统遥操作采集虽为“人工主导的离线模式”，但仍未能解决数据与实际场景脱节的核心问题。Kepler-OmniTac™通过“硬件-数据-模型”端到端原生协同，实现数据采集与模型训练的高效闭环。
该方案具备实时采集、秒级处理与原生适配力触觉模态的能力，大幅减少人工干预，实现“采集即训练、训练即进化”的流程闭环，彻底打破以往“采集—训练—部署”割裂的行业痛点。
从能用，到好用：真实产线验证
汽车精密装配：成功率高达98%
行业痛点：传统方法在力控细节与场景还原方面存在明显短板，导致机器人卡顿、错位，依赖人工补位。
开普勒突破：通过六维力传感器和触觉反馈，实现亚毫米级精准对齐，采集数据与实际场景高度匹配。
落地验证：某汽车工厂连续1000次装配，成功率高达98%，显著提升产能并降低人工成本。
多材质抓取：成功率99%
行业痛点：传统方式无法精准捕捉不同材质的受力差异，导致机器人操作易出现滑落或损坏。
开普勒突破：通过力触觉实时反馈，动态调节抓取力度，实现轻重适配、控力精准。
落地验证：某工厂在多品种、小批量零件抓取中实现零滑落，连续作业成功率高达99%。
开普勒K2大黄蜂机器人已在自主拆垛任务中显著降低人工干预，推动产线自动化升级，全面破解纯视觉与虚拟数据在实际应用中的难题。
从人工采集，到自主成长：构建感知闭环
传统遥操作采集与虚拟数据虽解决“采集”的问题，但未能解决“如何使用数据”和“如何升级机器人”的核心挑战。开普勒提出的全链路闭环方案，实现了从采集到模型训练的自主演化。
对企业：减少人工投入和采集时间，机器人具备自主进化能力，持续优化，提升效率。
对行业：打破对人工采集的依赖与虚拟数据的场景脱节困境，借助“视觉 + 力触觉”双模态驱动，让机器人真正适应工业场景的复杂多变。
补齐感知短板：首次实现视觉与力触觉融合感知，解决遮挡、反光、柔性操作等场景失效问题。
降低数据门槛：提供开箱即用的力触觉采集方案，缩短企业获取高保真交互数据的周期与成本。
加速场景落地：原生适配VTLA模型，提升机器人在精密制造、汽车装配、物流分拣等场景的作业稳定性与精度。
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、物流作业与高空作业等场景完成稳定验证。此次力触觉全栈数采方案的发布，标志着公司从“硬件研发”向“硬件 + 数据 + 模型”全栈智能公司的战略升级。
未来，开普勒将立足工业，同时拓展更多应用场景，持续优化VTLA模型与力触觉数采体系。依托工业级高可靠性能力，构建“场景-数据-模型”的正向循环，推动机器人具备类人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。
稿源：美通社