國內首個！加入六維力的全感知數采，讓VLA模型進化出力觸覺

編輯｜杜偉

這個月，具身智能領域又卷出新高度：硅谷獨角獸公司 Generalist AI 發布全新一代基礎模型 GEN-1，將機器人包裝手機、折紙箱這些活的平均成功率直接拉到了創紀錄的 99%，折紙箱的速度更是飆到了以前的三倍（34s vs 12.1s）。

支撐起這些突破的，除了模型的重新設計，一套規模龐大的數據底座同樣功不可沒：超過 50 萬小時的真實物理交互數據，它們通過可穿戴設備采集而來。

GEN-1 的成功說明了一點：過去數年，大語言模型的 Scaling Law 建立在幾乎取之不盡的互聯網數據之上；而如今，具身智能的 Scaling Law 正越來越依賴對真實世界交互數據的獲取、構建與高效利用。

與文本、圖像、視頻等可復制、可擴展、低成本的互聯網數據不同，具身智能依賴的數據往往需要在真實設備與真實環境中產生，比如機器人的每一次抓取、移動、接觸與失敗，都是不可復用的物理交互。

在這一背景下，行業逐漸達成一個更清晰的判斷：數據采集成為制約具身智能發展的關鍵瓶頸，也是當前最難規?；黄频囊画h。面對「數據規模與多樣性不足、標注成本高昂、泛化能力薄弱」這幾大攔路虎，行業亟需破局。

就在今天，一家國產工業級人形機器人公司選擇從源頭重構數采體系，給出了另一種解法。

開普勒機器人正式發布「國內首個原生全感知力觸數采系統」，該方案打通了從底層力觸覺硬件采集、多模態數據處理，到頂層 VTLA（視覺 - 觸覺 - 語言 - 動作）大模型原生適配與全場景落地驗證的全鏈路閉環，構建起了一套可持續擴展的數據引擎。

這套數采系統具備了明顯的「平臺化」特征，依托標準化的采集硬件、統一的數據結構以及與模型的原生適配，實現了跨任務、跨場景甚至跨機器人本體的數據復用。這意味著，數據不再是一次性消耗品，而是持續積累的生產資料。

在這樣的框架下，具身智能的范式也在悄然發生變化：從傳統上以視覺為主導的模仿學習（看著學），逐步走向了以力觸覺為核心的全感知物理交互（在接觸中理解世界）。從更長遠來看，這套數采系統有望成為未來人形機器人邁向全感知智能體的重要基礎設施。

數采體系以及具身大模型范式上的創新為開普勒在資本市場上贏得了更多青睞。就在近日，開普勒拿到了「億元級 A++ 輪融資」，并官宣公司戰略重大升級，將全面聚焦「具身智能大腦建設」與「力觸覺數據采集」核心賽道。

正如開普勒 CEO 宋華所說，「公司正加速向智能大腦升級，強化數據與模型能力，持續提升機器人在復雜工業場景中的落地效率與作業精度?！?/p>

具身數據，「不破不立」

具身智能的上限，歸根結底取決于對真實物理世界的理解。這種理解無法憑空獲得，建立在海量的數據之上。這使得數據成為整個系統能否持續進化的地基。當這層地基無法支撐起更復雜的能力演進時，我們就需要重新審視甚至推倒重來。

先看數據本身

現在用得最多的，還是視覺數據和仿真數據。但是，這兩類數據都有明顯短板。視覺只能「看」，感知不到接觸和受力狀態，在抓取、裝配這些精細操作中天然有盲區；仿真數據又太干凈，和真實工廠的復雜環境差得很遠。一旦進到真實場景，模型表現往往會明顯下滑，在工業場景的泛化成功率僅為 25%-30%。

再看數采路徑

過去一段時間，不少團隊走的是「多場景鋪開」的橫向數采思路，想一口氣覆蓋家庭、服務、工業等各種場景，做出通用能力。然而，落到工業場景，這條路往往走不通，原因是多方面的：數據太散、針對性太弱；與真實產線的需求對不上；投入很大，轉化很有限，橫向數采的工業場景 ROI 低至 15%。

最后是數采方式

當前很多數據還是靠人工遙操作一點點采，單采集員單日僅能采集 100 條有效數據，效率低且成本高；不同項目之間的標準也不統一，數據很難復用?？雌饋砻總€項目都在積累數據，但形不成一個可以持續產出的數據體系，模型也就很難滾動迭代起來。

以上幾個問題疊加在一起，就導致了今天的局面：數據既不夠多，也不夠好。

更關鍵的是，這并不能通過「繼續堆數據」就能解決，而是要從數據生產本身找問題：感知維度單一、采集效率低、與真實場景脫節，導致現有體系無法滿足大規模擴展的需求。

光「看見」還不夠，更要全方位「觸碰」

在重打數據這層地基的過程中，每一個環節都有必要進行重構。尤其是在感知維度上，過去以視覺為主的數據所帶來的信息缺失，使得模型難以全方位理解復雜物理交互的關鍵細節

視覺可以告訴機器人「東西在哪兒、長得什么樣」，但是一旦進入真實操作，很多關鍵問題是看不見的，比如有沒有接觸、接觸是否穩定、力度是否合適。特別是在遮擋、反光、柔性物體或者復雜裝配的場景里，只靠視覺往往很難把動作做穩。

觸覺和六維力的引入正好可以補上這些短板。我們先來了解下什么是六維力？它可以理解為機器人在接觸過程中感受到的完整受力狀態，包括三軸方向上的力（F_x、F_y、F_z）和繞三個軸的力矩（M_x、M_y、M_z）。前者描述「被推 / 拉了多少」，后者描述「被擰 / 扭了多少」。

不同于視覺，觸覺和力反饋直接作用在接觸過程中，持續提供壓力、摩擦和受力方向等信息，讓機器人在操作時一邊執行、一邊修正，「邊做邊感受」。

在此基礎上，力反饋改變了機器人的控制方式。以往，機器人基本是按預設軌跡執行，換個環境就容易出錯；有了六維力數據之后，動作可以根據接觸狀態隨時調整。

更進一步的變化體現在了學習層面。以視覺主導的模仿學習大多只記錄怎么動，不關心怎么用力，結果就是動作可以復現，一旦環境變了就容易失敗。加入觸覺和力數據之后，模型不僅能學習軌跡，還能學得什么時候接觸、用多大力、怎么調整。這些本來隱含在操作里的經驗，開始被顯式建模。

得益于此，在多材質抓取、精密裝配這類接觸密集的任務中，模型的穩定性與成功率通常會有顯著提升。

觸覺和六維力數據帶來的不只是性能的提升，更讓機器人改變了參與物理世界的方式。從「只會看」到「可以觸」，再到「理解接觸過程中的力與交互反饋」，這種轉變才是具身智能走向實際應用的關鍵。

圍繞這一點，開普勒搭建了一套全感知數據采集系統，將視覺、力覺、觸覺、語言和動作這些多模態數據，放在了同一套流程里同步采集并統一對齊

在這樣的數據底座之上，機器人學到了更完整的操作過程，不僅清楚如何運動，也能理解「何時接觸、用多大力以及如何動態調整」。

既要精，又要量，「雙路徑數采」并行

面對具身智能在數據本身、數采方式等方面存在的局限，開普勒亮出了一套「以力觸覺為核心的全感知數采系統」，從數據生產源頭著手優化。

本質上來講，開普勒不是圍繞單一路徑做優化，創造性地將數據采集拆分為兩條互補的路徑：一條做精，追求高保真數據；另一條做量，追求規?；c全場景數據。

兩條路徑并行推進，在精度與規模之間建立平衡，為機器人的復雜操作能力與模型泛化能力提供穩定的數據基礎。

做精的關鍵在于「雙向遙操作閉環采集路徑」，包含力反饋外骨骼、觸覺反饋手套以及機器人端高分辨率觸覺傳感器等核心硬件。采集到的高保真多模態數據，構成了支撐精密工業場景中高精度操作的關鍵數據來源。

流程是這樣的：首先操作員戴上力反饋外骨骼和觸覺手套，手部動作被捕獲并映射到機器人；接著機器人通過手部搭載的高分辨率觸覺傳感器，實時檢測接觸時的力、滑動和狀態變化，這些觸覺數據在被轉換為振動、阻力等可感知反饋之后回傳給操作員；最后操作員根據觸覺反饋動態調整操作。

整個過程形成了一個完整的雙向反饋回路：人做動作，機器人執行，觸覺和受力信息反饋回來，人再根據這些信息微調動作。

這樣采下來的數據在真實接觸中不斷修正，精度高、細節全，數據保真度高達 99%。

與此同時，像延遲、噪聲問題，也能通過本地部署、低延遲通信和傳感器補償等手段來解決，保證鏈路能穩定跑起來，將延遲控制在毫秒級，噪聲誤差降低至 1% 以下。

做量的關鍵在于「類 UMI 的人類示范采集路徑」，其核心硬件是集成高密度觸覺傳感器的手套。用一句話來總結整體思路：將數據采集從依賴成本高昂、數量有限的機器人本體轉移到依賴人本身，從而降低成本并提升采集效率。

相較于做精的高保真數采路徑，這一路徑在流程上更為簡化：采集員戴上觸覺手套，在真實環境里完成各類操作任務，系統同步將視覺信息、手部關節角度、觸覺壓力陣列以及肌肉運動等多模態數據記錄下來，再通過算法映射到目標機器人的運動學模型中。

圍繞過程中可能出現的一些痛點問題，同樣給出了應對方案：

針對人手與機器人之間的形態差異，引入多機型目標映射算法與策略蒸餾技術，使一套數據能夠在數十種機器人本體之間復用；針對第一人稱視角容易被遮擋的問題，通過頭部與腕部多視角相機融合，補全視覺盲區，進一步提升數據的完整性與可用性。

這條路徑不依賴真機，成本低、速度快，可以很快把數據量堆起來，覆蓋的場景也更廣。

兩條路徑放在一起來看，其實是在解決同一件事的兩個面：前者保證數據足夠精，支撐起復雜工業任務；后者保證數據量足夠大，能夠應對更多情況。

最終，開普勒構建了一套兼顧深度與廣度的數采系統，為 VTLA 全感知模型的訓練提供了有質有量的數據根基。

觸覺加入，VTLA 開啟「全感知」范式

開普勒的雙路徑數采方案解決了「數據如何高效生產」的問題，接下來的關鍵是：如何將這些數據有效地應用于模型，轉化為實際操作能力。同時隨著力觸覺數據的引入，傳統 VLA 模型架構也發生了變化。

在這一背景下，開普勒推出了 VTLA 全感知大模型，在國內首次將觸覺模態提升到了與視覺、語言、動作同等重要的地位

傳統 VLA（視覺 - 語言 - 動作）模型主要依賴視覺和語言來理解環境，再去生成動作。在此基礎上，VTLA 加入力觸覺，讓模型在感知與決策過程中同時處理接觸與受力信息，為復雜物理交互提供更完整的建?；A。

看起來只是多了一個模態，但帶來的變化很直接：機器人不只是判斷該怎么做，也能在執行過程中不斷校正做得對不對。

具體實現上，VTLA 模型更傾向于把視覺、觸覺、語言、關節狀態這些數據放在同一套體系里處理，包括多視角 RGB-D 數據、語言指令、本體 / 關節狀態、觸覺 / 力數據（壓力分布、力矢量、滑移事件等），不再由不同模塊分開處理，而是統一編碼后一起進入模型，由同一套網絡端到端輸出控制指令。

其次對數據的依賴也發生了變化。相比過去主要依賴視覺數據，VTLA 模型需要大量包含接觸、受力和操作細節的多模態數據。因此，力反饋外骨骼、觸覺手套這些采集設備提供的數據變得尤為重要，它們決定了操作成敗與否。

此外在訓練上，VTLA 模型通常會借助已有的視覺語言模型（VLM）做基礎，再結合仿真數據、真實數據以及人類視頻等多種來源提高效率。在評估上，關注點同樣發生變化，從只看「任務做沒做成」到更看重過程，比如抓取是否穩定、精度是否足夠、面對新物體能否保持表現，以及復雜環境下是否依然可靠。

力觸覺補上了具身智能長期以來最缺的一環，即對接觸過程與物理交互的理解，使其更接近真實世界中的可用狀態。

整體來看，開普勒沒有選擇集中某一個點做優化，而是把行業里幾個長期存在的系統性問題，包括人采數據和機器人使用之間的錯位、硬件不統一帶來的重復成本以及數據質量和規模之間失衡，逐一從頭理順。

一套方案走下來，包括力觸覺在內的全感知數據逐步具備了「可用、可復用、可持續生產」的能力。

目前，開普勒一方面繼續夯實數采系統采集的「指尖點陣壓力分布 + 三軸力 + 三軸力矩」全維度力覺數據，另一方面持續深化 VTLA 原生多模態融合能力，在精密裝配、多材質抓取以及復雜環境的精細操作中，實現了遠超以視覺為主的傳統 VLA 方案的穩定性、成功率與泛化表現。

在真實產線中，這些能力也得到了驗證。在某汽車工廠產線的實測中，依托力觸覺全感知數據的 VTLA 模型連續完成 1000 次高精度裝配操作，成功率達到 99.4%，較純視覺模型提升 19.4 %，且全程無需人工干預，極大地降低了返工率與人工成本。

可以說，開普勒為當前具身智能在工業場景的規模化落地提供了更現實的解法。一定程度上，這也是具身智能從實驗室階段走向工程階段的一個明顯信號。