36氪首发 | 南洋理工院士团队做全域具身智能系统，种子轮获同创伟业领投，卧安机器人、旭源资本跟投

作者 | 乔钰杰

编辑 | 袁斯来

硬氪获悉，全域场景下具身智能系统供应商「星际觅元」近日完成千万元种子轮融资，由同创伟业领投，家庭具身智能机器人企业卧安机器人和旭源资本跟投。目前客户群体包括国内主流智能具身智能厂商，以及能源、高端制造等行业场景客户。

「星际觅元」成立于2026年7月，由中新国际联合研究院智能感知创新研发中心执行主任温明星博士创立，新加坡工程院院士王郸维教授担任首席科学家。公司核心团队成员来自新加坡南洋理工大学、哈尔滨工业大学、北京理工大学、华南理工大学以及国内上市公司高管。

随着具身智能从实验室 Demo 走向真实场景，机器人面对的问题也从“能否完成动作”，转向“能否在动态、不确定和复杂工况的环境中持续稳定作业”。真实环境中的光照变化、物体移动、人类干扰，以及烟雾、粉尘、弱光等因素，都对机器人的感知、决策和执行提出了更高要求。

政策层面，工业和信息化部、应急管理部近日联合印发《安全应急装备产业发展“十五五”规划》，提出到2030年重点领域产业规模达到1.4万亿元，并进一步推动安全应急装备向高端化、智能化方向发展。规划提出，围绕化工、矿山、储能、森林火灾、洪涝、地震、极端应急通信等场景加强核心技术攻关，并推动AI垂域大模型、救援机器人/无人机等前沿技术与应急装备融合，以提升复杂环境下的风险智能识别、灾情推演和无人处置能力。

创始人温明星向硬氪介绍，团队此前长期在新加坡从事机器人与人工智能研发，参与过多个国家级机器人项目，包括新加坡第一台物流车、第一台环卫车以及第一台消防机器人等。这些机器人长期运行于热带雨林、复杂城市环境和灾害救援等场景，让团队积累了丰富的复杂环境感知和机器人系统工程交付经验。2023年团队加入中新国际联合研究院，开始围绕全域场景进行技术开发。

「星际觅元」的具身智能系统，计划通过自研“多模态物理资产重构引擎+高拟真场景模拟生成器+全域具身智能大脑”，打通物理数据生产、全域数据仿真生成与模型训练、认知决策和机器人部署环节，使机器人能够理解环境和任务，并自主完成复杂操作。

（图源/企业）

数据采集方面，「星际觅元」构建了多模态物理资产重构引擎，通过自研手持采集设备和多模态ego设备，融合激光雷达、相机、热成像相机、4D毫米波雷达等多类传感器，利用毫米级时空标定算法完成不同传感器之间的数据融合。相比传统单一视觉方案，多模态融合能显著提升机器人在弱光、烟雾、粉尘等复杂环境下的感知稳定性。目前公司支持多类异构传感器组合标定，单次标定流程可控制在10分钟以内。

数据生成环节，「星际觅元」选择“Real-Sim-Real”，即“真实采集—仿真生成—真实验证”的数据闭环路线，解决具身智能模型训练过程中数据规模不足以及场景覆盖有限的问题。具体而言，利用多模态采集设备对真实场景和物理资产进行建模重构，将真实环境数字化后导入仿真系统，构建可交互、可推演、可训练的数字孪生训练场，再通过仿真技术快速生成大量训练数据，实现复杂场景、长尾场景下的数据扩展和评测。这也使其能够在真实部署前，对不同复杂工况和长尾场景进行反复训练与验证，提高模型和机器人系统进入实际场景前的验证效率。

大脑系统方面，公司将依托自研VLM²、CIRL算法与Agent原子技能体系，实现环境理解、自主决策与任务执行。系统支持多传感器融合感知，一套大脑可适配人形、四足、无人车、复合机器人等多种本体，覆盖矿山、工业、园区巡检等复杂室内外场景。

商业模式方面，星际觅元预计主要围绕两条路径展开。一方面，通过项目制方式，为机器人本体厂商提供场景定制、软硬件集成、现场部署以及后续运维服务；另一方面，沉淀的高价值场景数据资产化，通过API接口或授权方式，为机器人厂商、大模型训练团队及解决方案企业提供数据服务。

以下为硬氪与创始人温明星交流节选：

硬氪：选择REAL-SIM-REAL的数据路线有什么考量？如何解决Sim-to-Real之间的差距？

温明星：在我们看来，如果互联网没有让用户“免费”生产数据，搜索引擎和社交网络就不可能存在，大语言模型更无从谈起。同样的逻辑，具身智能要成功，数据不能是“为了训练而采集”，而必须是“因为有用才产生”。在我们看来正确的范式应该是先让人操作机器人在真实场景里干活，再拿干活过程中自然产生的数据去训练。

但具身智能对于数据规模的需求，仅依靠真实数据采集是很难满足的。从我们对数据的理解来看，数据可以分成两类，一类是合成数据，另一类是真实数据。真实数据包括遥操作数据、Umi数据、ego数据，以及全身动捕感知数据。这些数据采集都受到物理时间限制，需要机器人或者人进入真实环境进行采集。

而合成数据最大的优势是不受物理时间约束，可以快速生成大量不同场景的数据，也能很好的补足复杂工况和长尾场景所需要的数据。所以我们的核心路线是以合成数据为主，再结合真实数据进行校准。但合成数据也存在一个行业普遍关注的问题，就是Sim-to-Real之间的差距。很多仿真数据无法有效训练模型，原因在于两个方面：一个是物理真实性不足，另一个是数据丰富度不够。

我们的解决方式是先利用自主研发的多模态数据采集设备，对真实场景和物理资产进行1:1建模和重构，把真实世界搬到仿真环境中，保证数据的高拟真度。在此基础上，再利用合成数据可以多次运行、时间加速、视角扩展等优势，提高数据规模和覆盖范围。通过Real-Sim-Real闭环，让数据既有真实世界的质量，也具备规模化生产能力。

室内外场景高精度重建（图源/企业）

硬氪：从硬件设计到算法层面，如何解决全域环境下的数据获取和鲁棒性的问题？

温明星：全域场景包括实验室的干净场景和复杂工况场景，复杂工况对机器人的要求，本质上是需要更多维度的信息进行环境理解。我们团队过去七八年一直在做多模态传感器时空标定和鲁棒感知相关研究，在硬件和算法方面已经有一定积累。目前针对不同工况，我们已经开发了一些样机。硬件层面，我们会根据不同场景选择不同传感器组合，比如激光雷达、视觉、热成像、毫米波雷达等，通过多模态融合提升环境感知能力。

多源异构传感器时空精准对齐（图源/企业）

多模态鲁棒感知（图源/企业）

浓烟高温下的定位建图（图源/企业）

算法层面，关键在于如何把不同传感器的数据融合起来。比如在烟雾、粉尘或者低光照环境下，单一视觉可能失效，但通过多模态信息融合，可以保持机器人对环境的持续理解。

另外一个挑战是复杂工况和长尾场景的数据覆盖。比如消防场景中，真正发生火灾时，不可能让人反复进入危险区域采集数据。所以我们的思路是，通过少量真实数据建立基础，再利用仿真算法生成烟雾、粉尘等复杂环境，把更多长尾情况加入训练，让机器人在真实部署时具备更强泛化能力。最终通过多模态数据采集、仿真生成和模型训练，形成完整的大脑开发和方案落地能力。

硬氪：您是较早一批研究VLA模型的研究者，您会怎么定义目前星际觅元在做的全域具身大脑和VLA模型或世界模型的关系？

温明星：星际觅元做的全域场景的具身大脑是为了保证具身智能走进生活和生产过程中，能够在任意的环境和作业条件下安全持续稳定为客户提供价值，这是一个目标。而VLA也好，WAM世界动作模型也好，是实现该目标的技术路线中的一环，相信未来还会有更多技术演进和突破会给具身智能这个行业带来更多的惊喜。我们在做全域场景具身大脑的开发，会综合考虑不同的技术路线在任务拆解、规划预测、执行控制等环节的优劣。

投资方观点

同创伟业投资总监唐正表示：我们领投星际觅元，源于对 Real2Sim2Real 这条路线的坚定看好。具身智能真正的门槛不只在算法框架，更在于能否低成本、规模化地获取高质量的物理交互数据——在这一点上，我们与团队的判断高度一致：以高拟真重构把真实世界搬进仿真，再借仿真的规模化能力批量产出训练数据，是当下最具工程可行性的破局路径。

星际觅元的独特之处，在于把这条路线做在了"多模态"层面。依托七八年多模态传感器时空标定与鲁棒感知的深厚功底，团队能对激光雷达、热成像、毫米波、视觉等多源信号做物理级重构与仿真生成，而非停留在纯视觉——这既是机器人在烟雾、粉尘、弱光等严苛工况下依然稳定作业的关键，也是其他团队最难复制的壁垒。

卧安机器人CTO潘阳表示：卧安机器人长期深耕家庭具身智能场景。在产品研发和实际落地过程中，我们深刻感受到一个行业共性挑战：机器人在实验室环境中能够完成任务，但进入真实家庭后，光照变化、物品摆放差异以及用户行为的不确定性，都会对系统的稳定性和泛化能力提出更高要求。解决这一问题，离不开高质量、规模化且足够丰富的数据，尤其需要更好地覆盖真实环境中大量难以穷举的复杂情况和长尾场景。

星际觅元团队提出的 Real-Sim-Real 路线，为解决这一问题提供了一条很有价值的技术路径。通过对真实场景进行高拟真重构，并进一步开展规模化仿真生成和真实验证，可以有效扩展训练数据的丰富度与场景覆盖范围，为机器人在进入真实环境前开展更充分的训练和验证提供支撑。温明星博士团队在多模态感知、机器人系统工程以及复杂场景落地方面长期积累的技术与工程经验，也让我们十分看好团队持续推动这一技术路线落地的能力。

作为产业投资方，我们选择投资星际觅元，既是看重其在数据生成、复杂场景覆盖和机器人训练验证方面所具备的技术价值，也希望未来双方能够在数据与场景层面形成更深入的产业协同。

旭源资本创始人彭数学表示：当前具身智能赛道已经跨过实验室Demo阶段，但真实环境下的鲁棒性、高质量物理数据供给仍是行业最大瓶颈。很多机器人方案在理想环境表现优异，一旦进入矿山、化工、应急救援、复杂工业现场等现实工况，面对烟雾、粉尘、弱光等干扰，感知与决策就容易失效，这也是制约行业商业化落地的核心卡点。

星际觅元团队差异化的核心，在于跳出纯视觉仿真的路径，选择多模态Real‑Sim‑Real闭环体系，把激光雷达、毫米波雷达、热成像等传感器纳入物理级仿真重建，从根源缩小仿真与现实之间的Sim‑to‑Real鸿沟。团队既有南洋理工的科研底色，又拥有多个国家级机器人项目的工程交付实战经验，既懂算法理论，更懂真实场景的痛点，这在早期硬科技团队中十分难得。

我们看好全域具身智能系统这一赛道的长期机会。星际觅元不做整机机器人，而是聚焦上游的数据基建与具身智能大脑，能够同时赋能人形、四足、巡检无人车等多种机器人本体，覆盖家庭、工业、安全应急等多元场景，商业延展性很强。