从“会干活”到“能适应”，乐聚联合黑漫探索机器人进厂的通用解法

毫无疑问，机器人进工厂，是今年具身智能行业最清晰的一条主线。

前几天，我问一位工厂负责人：“机器人在工厂里表现怎么样？ROI这笔账算得过来吗？”他回答：“像我们这种做出海业务的工厂，客户订单变得快，产线得随时跟着调。机器人干固定任务问题不大，但产品一换，很多东西又要重来。”

这说出了机器人进厂后的现实难题：大多数机器人还只能在设定场景里干好一类活。任务一变，比如从搬箱子换成小件上料，夹爪可能就要换成灵巧手，开发和适配也得重来。

乐聚在与工厂合作、推进机器人落地的过程中，也反复碰到过这些问题。因此，乐聚与黑漫联合发布了以通用人形本体和通用灵巧手为核心的工业场景解决方案。

表面看，这只是给乐聚的人形机器人装上一双通用灵巧手。实际上，这双手只是整套方案的操作端。乐聚要串起来的，是通用本体、高质量真机数据、夸父VLA和工具链LETools：本体提供跨场景的硬件基础，数据和模型沉淀共性能力，工具链负责把能力更快部署到新任务。

人形机器人进厂，第一阶段看会不会干活，下一阶段看能不能适应变化。工厂不会只看机器人能干什么，更会算一笔账：任务变了，之前投入的硬件、数据和开发工作，还能留下多少？

01

会干几种活，不等于真正通用

现在进入工厂的人形机器人，已经能完成搬运、分拣、上下料等单点任务。但问题在于，这些能力往往依赖特定的本体性能和末端执行器，换一种物料，矛盾很快就出来了。

柔性制造中的小件上料，需要末端捏得准，定位稍有偏差，工件就可能放不进料盘；到了料箱拆垛或大件搬运，又要求负载足够高、抓取得足够稳。塑料箱满垛后箱体紧贴、缝隙变小，常见夹爪甚至伸不进去。

精准操作和大负载操作，对“手”的要求几乎相反。夹爪能扛重量，却不够灵活；高自由度灵巧手更灵活，负载又常常受限。同一台机器人换个任务，工程师可能就要重新选型、设计结构、加工调试，周期往往以周甚至月计算。

人形机器人的价值，本来就在于适应为人设计的环境，跨工位承担不同任务。如果末端仍然高度定制，通用性就会卡在最后几厘米。要让同一台机器人接着干不同的活，至少要过三道关：硬件能兼容不同物料，模型能复用已有能力，工具链能缩短新任务的开发和部署。

02

灵巧手的门槛，不是把自由度做高

乐聚与黑漫给出的方案，是让同一套硬件兼顾精细操作和重载任务。

灵巧手采用可变构型四指设计，可以切换双指捏取、内撑抓取、包络抓握、双手抱持等7+N种抓取形态；单手负载≥24公斤，重复定位精度≤0.03毫米。小件上料时可以精细捏取，料箱拆垛时可以改变抓取方式，处理大件物料时则通过力控保持稳定。

有意思的是，这只手没有选择堆参数，11个全主动自由度是够用的。乐聚团队给出的理由很直接：自由度越高，控制难度和计算开销也越大。灵巧手真正的门槛，不是关节有多少，而是能不能把它们控制住。

四指也是一次工程取舍。乐聚团队测试后发现，五指抓取时经常有一根手指不受力，存在冗余；三指抓取铅笔等细长物体时，姿态又容易发生偏转。四指既能覆盖三指构型的功能，又减少了五指带来的冗余，在抓取稳定性和控制复杂度之间找到平衡。

在末端这一层，方案还配套了自定义手势编辑工具，可以插入关键帧、调整整段轨迹，在位控和力控之间切换。验证过的动作进入工业手势库，相似任务调用后再按现场微调。乐聚表示，这种方式能让数采效率提升两倍；部分新场景的末端适配可从数周甚至数月压缩到小时级。

03

从一双通用的手，到一套完整的系统

只把手控制好，仍然不等于通用。人抓取、搬运或调整物体时，手臂、肩膀和腰也会随之配合。机器人同样需要手、臂、腰乃至全身关节协同：灵巧手负责接触物体，通用本体把抓取、移动和操作连成完整动作。

过去两年，乐聚的“夸父”不断走进真实工业场景：在一汽红旗工厂执行料箱搬运，并完成长时间循环作业；在海晨物流产线上连续执行拆垛作业；在兆丰的工厂里完成狭小工位的小件上料。

机器人每进入一个真实工业场景，都会留下一批可以反复利用的真机数据。

KUAVO-VLA使用600多个小时同构型高质量真机数据进行训练，覆盖100项工业任务，把本体适配以及识别、定位、抓取和搬运等共性能力提前沉淀到垂域模型中。

到了新任务，模型不必重新学习怎么控制“夸父”，开发者可以把精力放在物料、工位和流程的差异上。在乐聚披露的25项任务评测中，KUAVO-VLA与π0.5、GR00T N1.7等国外通用模型同场测试，整体任务成功率为48.27%，过程分为74.51%，两项指标均排名第一。

LETools负责接住下一棒。它把数据处理、模型训练和真机部署串在一起，通过模块化接口切换不同模型，并支持已验证技能在不同夸父机型间迁移。过去分散在不同团队、不同工具里的开发流程，就被接成了一条连续的链路。

要让机器人在工厂里真正做到通用，这四个环节缺一不可：通用本体和灵巧手扩大硬件的作业边界，高质量真机数据留下现场经验，夸父VLA沉淀共性能力，LETools再把这些能力迁移到新任务。

眼下，这套方案还处在验证期。整套系统要走向规模化应用，还要接受长期任务成功率、故障率、维护成本和投资回报的检验。

乐聚已经迈出了第一步。接下来，工厂只看一件事：任务变了，机器人还能不能接着干。

— 欢迎您在评论区跟我们交流 —