國(guó)內(nèi)首個(gè)！加入六維力的全感知數(shù)采，讓VLA模型進(jìn)化出力觸覺

編輯｜杜偉

這個(gè)月，具身智能領(lǐng)域又卷出新高度：硅谷獨(dú)角獸公司 Generalist AI 發(fā)布全新一代基礎(chǔ)模型 GEN-1，將機(jī)器人包裝手機(jī)、折紙箱這些活的平均成功率直接拉到了創(chuàng)紀(jì)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(shè)計(jì)，一套規(guī)模龐大的數(shù)據(jù)底座同樣功不可沒：超過(guò) 50 萬(wàn)小時(shí)的真實(shí)物理交互數(shù)據(jù)，它們通過(guò)可穿戴設(shè)備采集而來(lái)。

GEN-1 的成功說(shuō)明了一點(diǎn)：過(guò)去數(shù)年，大語(yǔ)言模型的 Scaling Law 建立在幾乎取之不盡的互聯(lián)網(wǎng)數(shù)據(jù)之上；而如今，具身智能的 Scaling Law 正越來(lái)越依賴對(duì)真實(shí)世界交互數(shù)據(jù)的獲取、構(gòu)建與高效利用。

與文本、圖像、視頻等可復(fù)制、可擴(kuò)展、低成本的互聯(lián)網(wǎng)數(shù)據(jù)不同，具身智能依賴的數(shù)據(jù)往往需要在真實(shí)設(shè)備與真實(shí)環(huán)境中產(chǎn)生，比如機(jī)器人的每一次抓取、移動(dòng)、接觸與失敗，都是不可復(fù)用的物理交互。

在這一背景下，行業(yè)逐漸達(dá)成一個(gè)更清晰的判斷：數(shù)據(jù)采集成為制約具身智能發(fā)展的關(guān)鍵瓶頸，也是當(dāng)前最難規(guī)模化突破的一環(huán)。面對(duì)「數(shù)據(jù)規(guī)模與多樣性不足、標(biāo)注成本高昂、泛化能力薄弱」這幾大攔路虎，行業(yè)亟需破局。

就在今天，一家國(guó)產(chǎn)工業(yè)級(jí)人形機(jī)器人公司選擇從源頭重構(gòu)數(shù)采體系，給出了另一種解法。

開普勒機(jī)器人正式發(fā)布「國(guó)內(nèi)首個(gè)原生全感知力觸數(shù)采系統(tǒng)」，該方案打通了從底層力觸覺硬件采集、多模態(tài)數(shù)據(jù)處理，到頂層 VTLA（視覺 - 觸覺 - 語(yǔ)言 - 動(dòng)作）大模型原生適配與全場(chǎng)景落地驗(yàn)證的全鏈路閉環(huán)，構(gòu)建起了一套可持續(xù)擴(kuò)展的數(shù)據(jù)引擎。

這套數(shù)采系統(tǒng)具備了明顯的「平臺(tái)化」特征，依托標(biāo)準(zhǔn)化的采集硬件、統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)以及與模型的原生適配，實(shí)現(xiàn)了跨任務(wù)、跨場(chǎng)景甚至跨機(jī)器人本體的數(shù)據(jù)復(fù)用。這意味著，數(shù)據(jù)不再是一次性消耗品，而是持續(xù)積累的生產(chǎn)資料。

在這樣的框架下，具身智能的范式也在悄然發(fā)生變化：從傳統(tǒng)上以視覺為主導(dǎo)的模仿學(xué)習(xí)（看著學(xué)），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(zhǎng)遠(yuǎn)來(lái)看，這套數(shù)采系統(tǒng)有望成為未來(lái)人形機(jī)器人邁向全感知智能體的重要基礎(chǔ)設(shè)施。

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

正如開普勒 CEO 宋華所說(shuō)，「公司正加速向智能大腦升級(jí)，強(qiáng)化數(shù)據(jù)與模型能力，持續(xù)提升機(jī)器人在復(fù)雜工業(yè)場(chǎng)景中的落地效率與作業(yè)精度。」

具身數(shù)據(jù)，「不破不立」

具身智能的上限，歸根結(jié)底取決于對(duì)真實(shí)物理世界的理解。這種理解無(wú)法憑空獲得，建立在海量的數(shù)據(jù)之上。這使得數(shù)據(jù)成為整個(gè)系統(tǒng)能否持續(xù)進(jìn)化的地基。當(dāng)這層地基無(wú)法支撐起更復(fù)雜的能力演進(jìn)時(shí)，我們就需要重新審視甚至推倒重來(lái)。

先看數(shù)據(jù)本身

現(xiàn)在用得最多的，還是視覺數(shù)據(jù)和仿真數(shù)據(jù)。但是，這兩類數(shù)據(jù)都有明顯短板。視覺只能「看」，感知不到接觸和受力狀態(tài)，在抓取、裝配這些精細(xì)操作中天然有盲區(qū)；仿真數(shù)據(jù)又太干凈，和真實(shí)工廠的復(fù)雜環(huán)境差得很遠(yuǎn)。一旦進(jìn)到真實(shí)場(chǎng)景，模型表現(xiàn)往往會(huì)明顯下滑，在工業(yè)場(chǎng)景的泛化成功率僅為 25%-30%。

再看數(shù)采路徑

過(guò)去一段時(shí)間，不少團(tuán)隊(duì)走的是「多場(chǎng)景鋪開」的橫向數(shù)采思路，想一口氣覆蓋家庭、服務(wù)、工業(yè)等各種場(chǎng)景，做出通用能力。然而，落到工業(yè)場(chǎng)景，這條路往往走不通，原因是多方面的：數(shù)據(jù)太散、針對(duì)性太弱；與真實(shí)產(chǎn)線的需求對(duì)不上；投入很大，轉(zhuǎn)化很有限，橫向數(shù)采的工業(yè)場(chǎng)景 ROI 低至 15%。

最后是數(shù)采方式

當(dāng)前很多數(shù)據(jù)還是靠人工遙操作一點(diǎn)點(diǎn)采，單采集員單日僅能采集 100 條有效數(shù)據(jù)，效率低且成本高；不同項(xiàng)目之間的標(biāo)準(zhǔn)也不統(tǒng)一，數(shù)據(jù)很難復(fù)用。看起來(lái)每個(gè)項(xiàng)目都在積累數(shù)據(jù)，但形不成一個(gè)可以持續(xù)產(chǎn)出的數(shù)據(jù)體系，模型也就很難滾動(dòng)迭代起來(lái)。

以上幾個(gè)問題疊加在一起，就導(dǎo)致了今天的局面：數(shù)據(jù)既不夠多，也不夠好。

更關(guān)鍵的是，這并不能通過(guò)「繼續(xù)堆數(shù)據(jù)」就能解決，而是要從數(shù)據(jù)生產(chǎn)本身找問題：感知維度單一、采集效率低、與真實(shí)場(chǎng)景脫節(jié)，導(dǎo)致現(xiàn)有體系無(wú)法滿足大規(guī)模擴(kuò)展的需求。

光「看見」還不夠，更要全方位「觸碰」

在重打數(shù)據(jù)這層地基的過(guò)程中，每一個(gè)環(huán)節(jié)都有必要進(jìn)行重構(gòu)。尤其是在感知維度上，過(guò)去以視覺為主的數(shù)據(jù)所帶來(lái)的信息缺失，使得模型難以全方位理解復(fù)雜物理交互的關(guān)鍵細(xì)節(jié)

視覺可以告訴機(jī)器人「東西在哪兒、長(zhǎng)得什么樣」，但是一旦進(jìn)入真實(shí)操作，很多關(guān)鍵問題是看不見的，比如有沒有接觸、接觸是否穩(wěn)定、力度是否合適。特別是在遮擋、反光、柔性物體或者復(fù)雜裝配的場(chǎng)景里，只靠視覺往往很難把動(dòng)作做穩(wěn)。

觸覺和六維力的引入正好可以補(bǔ)上這些短板。我們先來(lái)了解下什么是六維力？它可以理解為機(jī)器人在接觸過(guò)程中感受到的完整受力狀態(tài)，包括三軸方向上的力（F_x、F_y、F_z）和繞三個(gè)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(guò)程中，持續(xù)提供壓力、摩擦和受力方向等信息，讓機(jī)器人在操作時(shí)一邊執(zhí)行、一邊修正，「邊做邊感受」。

在此基礎(chǔ)上，力反饋改變了機(jī)器人的控制方式。以往，機(jī)器人基本是按預(yù)設(shè)軌跡執(zhí)行，換個(gè)環(huán)境就容易出錯(cuò)；有了六維力數(shù)據(jù)之后，動(dòng)作可以根據(jù)接觸狀態(tài)隨時(shí)調(diào)整。

更進(jìn)一步的變化體現(xiàn)在了學(xué)習(xí)層面。以視覺主導(dǎo)的模仿學(xué)習(xí)大多只記錄怎么動(dòng)，不關(guān)心怎么用力，結(jié)果就是動(dòng)作可以復(fù)現(xiàn)，一旦環(huán)境變了就容易失敗。加入觸覺和力數(shù)據(jù)之后，模型不僅能學(xué)習(xí)軌跡，還能學(xué)得什么時(shí)候接觸、用多大力、怎么調(diào)整。這些本來(lái)隱含在操作里的經(jīng)驗(yàn)，開始被顯式建模。

得益于此，在多材質(zhì)抓取、精密裝配這類接觸密集的任務(wù)中，模型的穩(wěn)定性與成功率通常會(huì)有顯著提升。

觸覺和六維力數(shù)據(jù)帶來(lái)的不只是性能的提升，更讓機(jī)器人改變了參與物理世界的方式。從「只會(huì)看」到「可以觸」，再到「理解接觸過(guò)程中的力與交互反饋」，這種轉(zhuǎn)變才是具身智能走向?qū)嶋H應(yīng)用的關(guān)鍵。

圍繞這一點(diǎn)，開普勒搭建了一套全感知數(shù)據(jù)采集系統(tǒng)，將視覺、力覺、觸覺、語(yǔ)言和動(dòng)作這些多模態(tài)數(shù)據(jù)，放在了同一套流程里同步采集并統(tǒng)一對(duì)齊

在這樣的數(shù)據(jù)底座之上，機(jī)器人學(xué)到了更完整的操作過(guò)程，不僅清楚如何運(yùn)動(dòng)，也能理解「何時(shí)接觸、用多大力以及如何動(dòng)態(tài)調(diào)整」。

既要精，又要量，「雙路徑數(shù)采」并行

面對(duì)具身智能在數(shù)據(jù)本身、數(shù)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(shù)采系統(tǒng)」，從數(shù)據(jù)生產(chǎn)源頭著手優(yōu)化。

本質(zhì)上來(lái)講，開普勒不是圍繞單一路徑做優(yōu)化，創(chuàng)造性地將數(shù)據(jù)采集拆分為兩條互補(bǔ)的路徑：一條做精，追求高保真數(shù)據(jù)；另一條做量，追求規(guī)模化與全場(chǎng)景數(shù)據(jù)。

兩條路徑并行推進(jìn)，在精度與規(guī)模之間建立平衡，為機(jī)器人的復(fù)雜操作能力與模型泛化能力提供穩(wěn)定的數(shù)據(jù)基礎(chǔ)。

做精的關(guān)鍵在于「雙向遙操作閉環(huán)采集路徑」，包含力反饋外骨骼、觸覺反饋手套以及機(jī)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(tài)數(shù)據(jù)，構(gòu)成了支撐精密工業(yè)場(chǎng)景中高精度操作的關(guān)鍵數(shù)據(jù)來(lái)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(dòng)作被捕獲并映射到機(jī)器人；接著機(jī)器人通過(guò)手部搭載的高分辨率觸覺傳感器，實(shí)時(shí)檢測(cè)接觸時(shí)的力、滑動(dòng)和狀態(tài)變化，這些觸覺數(shù)據(jù)在被轉(zhuǎn)換為振動(dòng)、阻力等可感知反饋之后回傳給操作員；最后操作員根據(jù)觸覺反饋動(dòng)態(tài)調(diào)整操作。

整個(gè)過(guò)程形成了一個(gè)完整的雙向反饋回路：人做動(dòng)作，機(jī)器人執(zhí)行，觸覺和受力信息反饋回來(lái)，人再根據(jù)這些信息微調(diào)動(dòng)作。

這樣采下來(lái)的數(shù)據(jù)在真實(shí)接觸中不斷修正，精度高、細(xì)節(jié)全，數(shù)據(jù)保真度高達(dá) 99%。

與此同時(shí)，像延遲、噪聲問題，也能通過(guò)本地部署、低延遲通信和傳感器補(bǔ)償?shù)仁侄蝸?lái)解決，保證鏈路能穩(wěn)定跑起來(lái)，將延遲控制在毫秒級(jí)，噪聲誤差降低至 1% 以下。

做量的關(guān)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(lái)總結(jié)整體思路：將數(shù)據(jù)采集從依賴成本高昂、數(shù)量有限的機(jī)器人本體轉(zhuǎn)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(shù)采路徑，這一路徑在流程上更為簡(jiǎn)化：采集員戴上觸覺手套，在真實(shí)環(huán)境里完成各類操作任務(wù)，系統(tǒng)同步將視覺信息、手部關(guān)節(jié)角度、觸覺壓力陣列以及肌肉運(yùn)動(dòng)等多模態(tài)數(shù)據(jù)記錄下來(lái)，再通過(guò)算法映射到目標(biāo)機(jī)器人的運(yùn)動(dòng)學(xué)模型中。

圍繞過(guò)程中可能出現(xiàn)的一些痛點(diǎn)問題，同樣給出了應(yīng)對(duì)方案：

針對(duì)人手與機(jī)器人之間的形態(tài)差異，引入多機(jī)型目標(biāo)映射算法與策略蒸餾技術(shù)，使一套數(shù)據(jù)能夠在數(shù)十種機(jī)器人本體之間復(fù)用；針對(duì)第一人稱視角容易被遮擋的問題，通過(guò)頭部與腕部多視角相機(jī)融合，補(bǔ)全視覺盲區(qū)，進(jìn)一步提升數(shù)據(jù)的完整性與可用性。

這條路徑不依賴真機(jī)，成本低、速度快，可以很快把數(shù)據(jù)量堆起來(lái)，覆蓋的場(chǎng)景也更廣。

兩條路徑放在一起來(lái)看，其實(shí)是在解決同一件事的兩個(gè)面：前者保證數(shù)據(jù)足夠精，支撐起復(fù)雜工業(yè)任務(wù)；后者保證數(shù)據(jù)量足夠大，能夠應(yīng)對(duì)更多情況。

最終，開普勒構(gòu)建了一套兼顧深度與廣度的數(shù)采系統(tǒng)，為 VTLA 全感知模型的訓(xùn)練提供了有質(zhì)有量的數(shù)據(jù)根基。

觸覺加入，VTLA 開啟「全感知」范式

開普勒的雙路徑數(shù)采方案解決了「數(shù)據(jù)如何高效生產(chǎn)」的問題，接下來(lái)的關(guān)鍵是：如何將這些數(shù)據(jù)有效地應(yīng)用于模型，轉(zhuǎn)化為實(shí)際操作能力。同時(shí)隨著力觸覺數(shù)據(jù)的引入，傳統(tǒng) VLA 模型架構(gòu)也發(fā)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(guó)內(nèi)首次將觸覺模態(tài)提升到了與視覺、語(yǔ)言、動(dòng)作同等重要的地位

傳統(tǒng) VLA（視覺 - 語(yǔ)言 - 動(dòng)作）模型主要依賴視覺和語(yǔ)言來(lái)理解環(huán)境，再去生成動(dòng)作。在此基礎(chǔ)上，VTLA 加入力觸覺，讓模型在感知與決策過(guò)程中同時(shí)處理接觸與受力信息，為復(fù)雜物理交互提供更完整的建模基礎(chǔ)。

看起來(lái)只是多了一個(gè)模態(tài)，但帶來(lái)的變化很直接：機(jī)器人不只是判斷該怎么做，也能在執(zhí)行過(guò)程中不斷校正做得對(duì)不對(duì)。

具體實(shí)現(xiàn)上，VTLA 模型更傾向于把視覺、觸覺、語(yǔ)言、關(guān)節(jié)狀態(tài)這些數(shù)據(jù)放在同一套體系里處理，包括多視角 RGB-D 數(shù)據(jù)、語(yǔ)言指令、本體 / 關(guān)節(jié)狀態(tài)、觸覺 / 力數(shù)據(jù)（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(tǒng)一編碼后一起進(jìn)入模型，由同一套網(wǎng)絡(luò)端到端輸出控制指令。

其次對(duì)數(shù)據(jù)的依賴也發(fā)生了變化。相比過(guò)去主要依賴視覺數(shù)據(jù)，VTLA 模型需要大量包含接觸、受力和操作細(xì)節(jié)的多模態(tài)數(shù)據(jù)。因此，力反饋外骨骼、觸覺手套這些采集設(shè)備提供的數(shù)據(jù)變得尤為重要，它們決定了操作成敗與否。

此外在訓(xùn)練上，VTLA 模型通常會(huì)借助已有的視覺語(yǔ)言模型（VLM）做基礎(chǔ)，再結(jié)合仿真數(shù)據(jù)、真實(shí)數(shù)據(jù)以及人類視頻等多種來(lái)源提高效率。在評(píng)估上，關(guān)注點(diǎn)同樣發(fā)生變化，從只看「任務(wù)做沒做成」到更看重過(guò)程，比如抓取是否穩(wěn)定、精度是否足夠、面對(duì)新物體能否保持表現(xiàn)，以及復(fù)雜環(huán)境下是否依然可靠。

力觸覺補(bǔ)上了具身智能長(zhǎng)期以來(lái)最缺的一環(huán)，即對(duì)接觸過(guò)程與物理交互的理解，使其更接近真實(shí)世界中的可用狀態(tài)。

整體來(lái)看，開普勒沒有選擇集中某一個(gè)點(diǎn)做優(yōu)化，而是把行業(yè)里幾個(gè)長(zhǎng)期存在的系統(tǒng)性問題，包括人采數(shù)據(jù)和機(jī)器人使用之間的錯(cuò)位、硬件不統(tǒng)一帶來(lái)的重復(fù)成本以及數(shù)據(jù)質(zhì)量和規(guī)模之間失衡，逐一從頭理順。

一套方案走下來(lái)，包括力觸覺在內(nèi)的全感知數(shù)據(jù)逐步具備了「可用、可復(fù)用、可持續(xù)生產(chǎn)」的能力。

目前，開普勒一方面繼續(xù)夯實(shí)數(shù)采系統(tǒng)采集的「指尖點(diǎn)陣壓力分布 + 三軸力 + 三軸力矩」全維度力覺數(shù)據(jù)，另一方面持續(xù)深化 VTLA 原生多模態(tài)融合能力，在精密裝配、多材質(zhì)抓取以及復(fù)雜環(huán)境的精細(xì)操作中，實(shí)現(xiàn)了遠(yuǎn)超以視覺為主的傳統(tǒng) VLA 方案的穩(wěn)定性、成功率與泛化表現(xiàn)。

在真實(shí)產(chǎn)線中，這些能力也得到了驗(yàn)證。在某汽車工廠產(chǎn)線的實(shí)測(cè)中，依托力觸覺全感知數(shù)據(jù)的 VTLA 模型連續(xù)完成 1000 次高精度裝配操作，成功率達(dá)到 99.4%，較純視覺模型提升 19.4 %，且全程無(wú)需人工干預(yù)，極大地降低了返工率與人工成本。

可以說(shuō)，開普勒為當(dāng)前具身智能在工業(yè)場(chǎng)景的規(guī)模化落地提供了更現(xiàn)實(shí)的解法。一定程度上，這也是具身智能從實(shí)驗(yàn)室階段走向工程階段的一個(gè)明顯信號(hào)。