人形机器人领域迎来重要进展，德塔智能（Delta Intelligence）宣布完成近5亿元天使++轮融资，投资方涵盖多家上市公司产业方及头部财务机构。本轮资金将用于推进人形机器人基础模型迭代、加速自研数采设备量产、完善数据闭环体系，并扩充核心研发团队以推动技术落地工业场景。
作为成立半年内完成第六轮融资的企业，德塔智能此前已获得北京通研院、智元机器人、乐聚机器人等主机厂，以及高瓴创投、元禾控股等财务机构的投资，汽车与半导体领域资本也参与其中。公司专注于原生通用人形机器人基础模型HFMs研发，旨在实现全身协同操作（Loco-Manipulation），推动具身智能在工业与家庭场景的应用。
团队核心成员均拥有UCLA博士学位及清华本科背景，曾任职于北京大学、北京通用人工智能研究院及Google Robotics、NVIDIA Research等顶尖机构，参与过美国DARPA、ONR等机器人项目。这种横跨学术与产业的复合背景，使其具备从前沿研究到技术落地的全栈能力。
当前具身智能赛道正从运动展示向物理作业转型，德塔智能的技术路径聚焦于“全身智能”原生模型构建。传统模型多基于二维视觉表征，在真实场景中易出现空间深度缺失、几何关系歧义等问题，导致机器人难以完成攀爬、推拉等复杂任务。例如，机器人面对门把手时，二维表征难以精准判断距离、方向及身体调整空间，误差累积会破坏长时序作业的连贯性。
为突破这一瓶颈，德塔智能开发了原生三维世界引擎，以三维表征为核心处理点云等数据，实现环境的三维理解与未来状态推演。配套的全身全景数采设备采用纯视觉架构，可同步捕捉手、脚、腰、肩等关节运动轨迹，并实时重建三维场景。单次采集可输出两类核心数据：一是完整人体骨架数据，还原手脚协同、重心切换等交互逻辑；二是高精度环境参数，记录障碍物、台阶等物理特征。
在数据采集策略上，德塔智能设计了分层方案：遥操作采集用于真机微调，无本体动捕模式（如UMI、Ego-centric）则通过虚拟环境大规模积累通用样本。这种模式平衡了数据规模、成本与适配精度，创始人马晓健强调：“仅采集手部等局部动作的模型，无法理解人与环境的完整交互，难以掌握依赖全身协同的复杂任务。”
感知层突破仅是第一步，如何将高层任务意图转化为精准肢体运动是另一核心挑战。高自由度人形机器人拥有数十个联动关节，传统方法直接将规划指令下发至底层控制器，易导致动作卡顿或失衡。德塔智能提出“大脑+小脑+力位混合”三层架构：大脑搭载三维引擎，负责环境感知与任务规划；小脑通过仿真强化学习，将高层指令转化为电机控制信号，动态调整重心与四肢发力；力位混合层则确保输出柔顺控制。
这种分层设计的优势在全尺寸人形机器人上尤为显著。小脑可基于海量仿真数据持续迭代，自适应适配各类复合任务，而大脑仅需少量真机数据微调即可匹配新硬件。马晓健透露，公司已与智元、乐聚、星海图等头部厂商建立合作，通过标准化适配流程实现模型跨本体迁移，成为连接硬件与上层应用的关键环节。
针对数据训练策略，马晓健解释称，大脑与小脑采用独立体系：大脑依赖真机原生交互数据，因仿真器难以复刻柔性形变、多触点受力等复杂接触；小脑则以仿真环境为核心，通过强化学习试错，仅用少量真机动捕数据校准。这种分工使大脑聚焦复合交互操作，小脑专注动态平衡控制，二者数据链路与训练目标天然分离。
在跨本体适配方面，德塔智能沉淀了标准化流程：首先采集全身动捕数据，通过多约束优化算法将人体动作重定向至不同本体，确保关节运动值在限位区间内且保留核心发力逻辑；随后小脑在仿真环境强化学习，大脑用少量真机数据微调。该流程避免了重复采集数据与从头训练，显著降低适配周期与硬件损耗成本。
