2026年4月，北京亦莊機器人馬拉鬆火熱舉辦，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pao步bu機ji器qi人ren專zhuan注zhu運yun動dong性xing能neng優you化hua
，表biao演yan機ji器qi人ren側ce重zhong姿zi態tai與yu交jiao互hu
，而er開kai普pu勒le機ji器qi人ren，始shi終zhong聚ju焦jiao工gong業ye實shi幹gan，做zuo真zhen正zheng能neng在zai產chan線xian上shang創chuang造zao價jia值zhi的de實shi用yong型xing機ji器qi人ren。

同月
，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
，在真實工業場景裏邊訓練
、邊進化。

這一發布，標誌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
，致力於構建真正實用的全感知智能機器人體係
，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、更能幹活的方向持續邁進。

一、數據驅動，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複雜操作

，也導致企業投入產出比極低
，難以形成規模化落地能力。"

基於這一判斷，開普勒為自研的KeplerBrain類腦係統™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、整機控製
、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，不再拚硬件
，而拚感知與數據。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。

二
、原生VTLA，打造觸覺+六維力全感知

本次推出的Kepler-OmniTac™力觸覺全棧數采解決方案，由自研Kepler-OmniTac數采套件
、Kepler-OmniVTLA數據集、KEPLEROmniVTLA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，采用雙方案並行架構，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、順應控製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
，有效抑製延遲

、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，築牢感知底座

Kepler-OmniVTLA數據集
，基於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

KEPLEROmniVTLA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"，複雜任務泛化能力"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，無需重複開發，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。

三、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、複雜的光照遮擋、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™憑借於"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"幹活即采數
、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。

我們的優勢不止於技術邏輯
，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
；

• 我們的突破：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%

，大幅減少人工幹預。

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，人工幹預率高，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複雜環境；

• 落地數據：某製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，顯著降低人工幹預，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。

四、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"數據怎麼采"，但無法解決"數據怎麼用
、機器人怎麼升級"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幹預，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複雜多變，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
，提升機器人在精密製造
、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。

五、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"機器人已在工業製造、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係
，以工業級高可靠能力為根基，不斷拓展全場景智能邊界；聯合生態夥伴共建「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
，從賦能智能製造，走向服務萬物智能。