「具身智能」爆发前夜，国内首个VR遥操作专属方案加速落地

文/VR陀螺

在刚刚结束的2026世界人工智能大会上，VR陀螺在现场看到了多个基于VR设备遥操作机器人的演示。

在这些方案中，操作者先通过头显建立空间定位与坐标参考，再利用6DoF手柄的按键、位置变化，对机械臂或人形机器人进行控制，使其完成抓取、移动等操作。

事实上，随着机器人从行走、跳舞等能力展示，进一步走向工业制造、仓储物流和商业服务场景，行业关注的重点也已经从机器人本体和模型能力，延伸至动作数据、遥操作和训练验证等基础环节。机器人要真正进入物理世界，不仅要理解任务，还需要学习人类如何移动、抓取和操作物体。

长期深耕VR行业的大朋（DPVR），也顺着原有的空间计算技术路径，将业务延伸至具身智能场景。今年3月，大朋正式推出RoboPilot。据介绍，这是“中国首个VR遥操作专属具身方案”，主要面向机器人遥操作、动作数据采集与训练验证场景。

一、机器人学习人类动作，VR提供空间数据入口

AI模型的发展，为机器人理解环境、拆解任务和生成行动计划提供了新的技术路径。相比依赖固定程序、在封闭场景中重复执行任务的传统机器人，具身智能需要感知模型、决策系统和控制算法协同工作，在不断变化的环境中连续完成多个动作。

物理世界的复杂度远高于文本输出。机器人拿起一颗鸡蛋，需要判断目标位置、抓取角度和施力大小；完成倒水、叠衣服或制作咖啡等任务，还要持续处理物体状态、空间关系和操作顺序。文字、图片和普通视频可以记录任务结果，却很难完整描述手臂移动的轨迹、手腕旋转的角度，以及动作前后的空间关系。

RoboPilot演示

这使得具身智能需要一类更具体的数据：人在某个时刻站在哪里，双手处于什么位置，朝向哪个方向，又沿着怎样的轨迹完成移动和抓取。

这类空间动作数据，长期以来都是VR设备实现人机交互的基础。VR设备之所以能够记录人的空间动作，背后依赖摄像头、IMU和vSLAM等技术。摄像头负责观察周围环境，IMU记录设备的运动状态，系统再结合两类信息，持续计算头显和手柄在三维空间中的位置与方向。

这种定位能力过去主要用于还原用户在虚拟世界中的动作。进入机器人场景后，头显和手柄产生的位姿数据可以被传入机器人控制系统，成为机械臂移动、旋转和抓取时的动作参考。

陈朝阳在接受VR陀螺采访时表示，过去十余年，VR在技术上主要解决显示与交互两个问题。交互的核心工作，是采集人在现实空间中的动作，再将其映射到虚拟世界。具身智能出现后，这套能力有了新的输出对象，人的空间动作可以被传入机器人系统，用于遥操作和真机训练。

二、VR如何驱动机器人，RoboPilot打通遥操作链路

大朋RoboPilot的核心思路，是将具备6DoF交互能力的VR设备接入机器人控制系统，采集操作者的空间动作，再由机器人复现相应的运动轨迹。该方案主要面向机械臂、人形机器人等设备的遥操作场景。

具体来看，大朋E4具身版及配套手柄负责采集操作者头部及手柄的6DoF位姿数据。所谓6DoF，是指设备在前后、左右、上下三个方向上的移动，以及围绕三个坐标轴产生的旋转。PC端对这些数据进行处理和转换，再将其传输至机器人运控系统，由机器人完成相应动作。

这条链路看起来直观，真正的难点在于VR设备与机器人之间的动作对齐。手柄与机械臂采用不同的坐标系统，手柄向前移动，并不意味着机器人天然知道应该朝哪个方向运动。系统需要提前完成位置、方向和运动比例的标定，再根据机器人的关节结构，将操作者的动作转换为机器人可以执行的运动轨迹。

陈朝阳向VR陀螺举了一个抓取矿泉水的例子。操作者做出移动和抓取动作后，系统需要将手柄的位置、方向和轨迹变化传递到机器人端，再由机械臂完成接近、对准和抓取。这里传输的不是一个简单的“抓取”指令，而是一段连续的空间动作。

RoboPilot演示

在遥操作过程中，追踪精度、采样频率和数据延迟会直接影响机器人的动作表现。延迟过高，机器人动作会明显滞后；定位不稳定，机械臂的运动轨迹也容易出现偏差。

基于大朋E4具身版，RoboPilot支持毫米级6DoF追踪精度，采样频率达到90～120 Hz，数据延迟控制在20 ms以内。较高的采样频率可以保留更完整的动作轨迹，较低的延迟则有助于缩小操作者动作与机器人执行之间的时间差。

大朋E4具身版采用PCVR架构，主要计算任务由PC端完成。相较于一体式VR设备，这种方案减少了头显端的计算和散热压力，也更适合长时间运行。在部分场景中，头显主要承担定位功能，操作者则通过手柄或数据手套完成动作输入。

三、从动作采集到训练数据，RoboPilot切入机器人训练链

机器人跟随人的动作完成一次任务，只是RoboPilot的第一步。遥操作过程中产生的位置、方向和轨迹数据，还可以被记录下来，用于动作示教、模型训练和任务验证。

具身智能模型需要学习的是完整的操作过程。以机械臂抓取物体为例，训练数据需要记录操作者如何接近目标、如何调整手腕角度、何时闭合夹爪，以及机器人各个关节在这一过程中发生了哪些变化。相关数据还要保持连续，并与机器人状态处于同一时间轴上，模型才能理解一个动作是如何发生和完成的。

陈朝阳向VR陀螺表示，利用VR设备采集机器人训练数据并不是近两年才出现的方向。早在数年前，海外高校便开始通过VR头显和动作追踪设备遥操作机器人，将人的操作过程记录为真机示范数据，并进一步用于机器人模仿学习。随着具身智能发展，类似方案开始从学术研究走向更多机器人企业和研发机构。

相关资料显示，2017年，加州大学伯克利分校研究团队曾展示一套基于消费级VR设备的机器人遥操作系统。操作者通过VR头显和手部追踪设备控制PR2机器人完成复杂任务，系统再利用采集到的人类示范数据训练机器人策略。

对于RoboPilot而言，从遥操作走向训练数据，还需要解决数据整理与系统对接问题。VR设备采集的是操作者的位姿和动作，机器人端则会产生关节状态、夹爪动作和任务结果等数据。只有将这些信息按照统一时间轴记录下来，遥操作过程才能进一步转化为模型可读取的训练样本。

据介绍，RoboPilot可以对接ROS 2、LeRobot和Isaac Gym等机器人开发与训练生态。这意味着其采集的动作数据能够进入机器人企业已有的研发流程，减少不同设备和软件系统之间的重复开发。

大朋也在继续扩展数据采集终端的形态。按照产品规划，公司将在2026年下半年推出数据手套与手臂追踪套件，在部分场景中降低对头显的依赖，并采集更完整的手部与手臂动作数据。到2027年，大朋计划进一步接入触觉和力觉传感，使采集内容从位置与动作扩展至接触状态和施力大小。对于精密装配、灵巧手操作等任务，这类数据将影响机器人对抓取力度和物体状态的判断。

四、大朋的下一站，仍是空间计算

把RoboPilot放回大朋过去十余年的发展路径中，这项业务仍然围绕空间定位、动作追踪和低延迟交互展开。过去，这些能力用于处理现实动作与虚拟空间之间的关系；进入机器人场景后，动作的接收对象从虚拟角色变成了机械臂和人形机器人。

陈朝阳告诉VR陀螺，公司将具身智能视为空间计算技术的新应用方向，投入主要集中在空间定位、动作追踪、遥操作和数据采集。机器人本体、机械结构等距离原有积累较远的环节，并不在公司的扩张计划内。

这也明确了大朋在具身智能产业链中的位置。机器人企业负责本体、运控系统和模型算法，大朋提供动作输入设备和数据采集方案，并与不同机器人完成接口适配。

目前，大朋正在围绕机器人遥操作和数据采集搭建具身智能生态。RoboPilot产品与方案已经与临界点、求之科技、宇叠科技、节卡机器人、越疆科技等企业的机器人本体及交互设备完成适配，覆盖机械臂、数据手套等不同产品形态。

大学期间，陈朝阳曾参与足球机器人等实验性项目。谈到如今再次接触机器人相关技术，他坦言，自己确实会感到兴奋，那种研究和完成实验性项目的状态，也让他重新找回了学生时代对技术最直接的兴趣。在他看来，对技术本身的喜欢，也是自己创业十余年后仍能保持动力的原因之一。

相比追逐短暂的风口，让长期积累的技术进入新的产业周期，或许才是大朋这次业务延伸更值得关注的地方。从这个角度看，大朋过去十余年坚持的技术方向并没有过时，只是它的价值，正在被新的产业需求重新定义。