（来源：道通科技投资者关系）

2026年7月24日，道通科技（688208.SH）在深圳南山智城举办“WAIC 2026道通科技开放日”，面向核心媒体与投资机构系统展示了公司围绕巡检场景构建的“Agent平台+巡检大脑+具身本体+空地协同”全栈技术架构。活动现场通过展厅参观、技术演示及专题分享，完整呈现了公司从感知、决策到执行的系统级技术布局及商业化最新进展。

一、机器人遥操作与自主作业：构建“感知—决策—执行”完整能力闭环

开放日现场重点演示了机器人遥操作及自主作业能力。技术人员在15楼活动现场遥操身处24楼实验室的机器人完成物件抓取数据采集，随后另一台机器人完全自主完成开门任务。

现场演示遥操作、机器人自主开门

超视距遥操作方面，操作人员无需与机器人处于同一空间，即可跨地域通过网络实时下发指令，并同步获取机器人环境反馈。具体技术流程为：出控制指令→全身遥操作系统的空间三维定位模块捕捉操作员姿态→多关节协同控制模块将人体姿态映射为机器人动作→机器人依次对四种物体（矩形、球形、异形、大重量高摩擦毛绒玩具）执行抓取→每种物体的抓取数据（视觉图像+关节角度轨迹+力反馈）被记录→数据进入训练集→用于训练机器人的物体泛化抓取能力。该能力打破机器人部署需专家到场的限制，支持后方操作员同时调度多台异地机器人，是规模化落地的核心基础。

全身遥操作技术方面，通过空间三维定位系统捕捉人体姿态，多关节协同控制算法将人体运动映射为机器人全身动作，机器人底盘与双臂同步响应，操作者无需手柄即可边移动边控制机械臂作业。该技术适用于狭窄空间避障、边行走边搬运等复杂场景，技术难点在于空间三维定位的实时精确捕捉，以及多关节协同控制对动作实时性与自然度的保障。

多物体抓取数据采集方面，道通已完成矩形、球形、异形、大重量高摩擦毛绒玩具四类不同属性物体的抓取测试，覆盖工厂搬货、家庭整理打扫等常见作业场景，为后续具身模型训练提供高质量数据基础。

自主开门方面，机器人能够在距离目标10米外、任意角度及不同光照条件下自主规划路径并完成开门动作，任务成功率稳定在80%-90%，显著高于行业通用模型直接部署约40%-50%的成功率。这一能力突破当前巡检机器人仅能“行走+拍照+上报”的功能边界，支持机器人自主进入室内、跨楼层完成巡检任务，并为后续操作配电箱、现场应急处置等复杂作业提供技术支撑。

机器人工程师吴诗尧、宋炎书现场讲解

二、巡检Agent平台：三重安全保障体系构建具身智能“操作系统”

针对具身智能部署过程中硬件异构适配、操作失误风险高等核心痛点，道通科技推出巡检Agent平台，旨在降低巡检Agent构建门槛，实现高可靠、低门槛的具身智能应用快速交付。

平台构建了三重安全保障体系：第一层防护为行业专家知识库注入业务知识，使Agent理解巡检业务逻辑；第二层防护为仿真评测平台在动作规划下发前完成可行性验证；第三层防护为Physical AI Harness在运行时持续监控软硬件安全边界，任一环节异常则拦截或回退。三层体系覆盖从知识输入、部署验证到运行监控的全流程风险控制，解决错误操作可能导致百万级设备损失与人员伤亡的核心安全痛点。

Agent开发工程师由添硕现场讲解

数据飞轮机制方面，客户在实际使用过程中产生的数据持续回流至行业知识库，不断强化模型能力，实现“数据采集→模型训练→部署应用→反馈优化”的正向闭环。当前单个客户专属巡检Agent构建周期约为1天，平台成熟后将压缩至小时级交付。按规划，公司将在近期实现巡检Agent零代码快速构建，完成行业本体知识体系建设，形成完整的数据飞轮生态。

仿真迁移效率方面，行业专家知识库、仿真评测平台已完成验证，自研Physical AI Harness框架已通过大量真机测试，正式进入商业化落地阶段。通过仿真环境完成全流程验证后再迁移至真机，大幅降低部署成本与现场调试风险。

Agent仿真环境评测平台实录

三、VLA模型与快慢脑架构：破解巡检AI“高精度、高效率、低成本”不可能三角

当前行业模型在巡检场景中面临明确的技术缺口：通用检测大模型（如SAM等开放词汇模型）精度不足难以直接落地；专用小模型（如YOLO类）泛化性差需逐场景重训；前沿多模态大模型（如GPT-4V类）成本高、实时性差。三类模型均无法同时满足巡检场景对精度、泛化性、成本、实时性的多重要求。

道通科技创新设计快慢脑协同架构：快脑常驻设备端，负责实时目标检测与实例分割，保障实时性与低延迟；门控机制在检测到可疑事件时触发慢脑；慢脑基于多模态语义推理与事件判定，保障复杂场景下的准确性。架构优势在于：快脑保障实时性（常驻运行、低延迟），慢脑保障准确性（复杂推理、高精度），两者协同兼顾检测效率与复杂事件研判能力，同时无需全程运行高成本大模型，大幅降低算力消耗与部署成本。

无人机巡检实录

架构落地效果方面，快慢脑协同机制将巡检事件检测精度提升至90%以上，同时有效过滤无效告警、降低误报率，并适配客户私有化部署要求，无需将敏感业务数据上传至外部大模型，满足政企客户数据安全需求。

长尾事件数据解决方案方面，巡检垂类场景数字化程度极低，高价值低频次的稀缺场景数据难以获取。道通科技建立冷启动模型自动标注、专属数据合成管线及仿真平台生成三类数据生产机制，识别高价值低频次场景缺口后，通过基础模型自动标注已有数据、团队针对性实地采集、数据合成管线生成仿真数据三类方式汇总，使模型无需等待真实场景事件积累即可快速完成对应场景训练，保障长尾需求的模型性能。

具身智能多模态大模型算法工程师梁童现场讲解

SimVLA底层模型突破方面，道通科技旗下Frontier Robotics团队推出SimVLA（Simple Vision-Language-Action）极简基准模型，以“如无必要，勿增实体”的奥卡姆剃刀原则为核心设计哲学，采用VLM骨干编码器加轻量级动作头的二元架构，将感知与控制模块深度解耦。该模型仅以0.5B参数量，在多项标准基准测试中与数亿至数十亿参数规模的主流模型表现持平或更优，训练显存压缩至9.3GB，可在普通消费级显卡上完成训练与微调，在实际机器人场景中已实现零样本部署。（相关研究论文已公开于arXiv:2602.18224，项目代码、权重与全套部署方案已全面开源。）

四、机器人本体与空地协同：从单机智能到集群智能

在机器人本体方面，道通科技选择轮式人形构型作为工业巡检切入形态，兼顾轮式方案在移动效率、能耗、运行稳定性上的优势，同时保留人形构型对现有人类工作环境、作业流程的适配性，无需改造现有场景基础设施即可快速部署。

具身智能项目负责人王泽林现场讲解

在多机器人协同方面，道通科技自主研发的IVL（隐式虚拟领导者）多机协同算法已达多机系统领域SOTA水平，处于全球领先位置。算法核心逻辑为：机器人通过视觉估计与其他成员的相对位置，围绕隐式虚拟领导者自主调整动作，减少对GPS与中心控制节点的依赖，可同时接入无人机、无人车、机器狗、轮式机器人、双足机器人等异构设备协同作业。该算法计划率先在已签约客户项目中开展空地协同巡检验证，进一步打磨真实环境下的运行效果。

五、核心竞争力与商业化落地：巡检垂域深度扎根，三位一体系统级耦合

道通科技将核心竞争力聚焦于巡检垂域智能，构建由三层能力构成的完整体系——聚焦巡检场景的事件级理解垂类巡检大脑模型，搭配三层安全防护的Agent平台，以及自研无人机和地面机器人本体的空地一体集群智慧巡检方案，三者缺一不可。

事件级理解类大脑方面，道通科技的路线与行业通用物体检测模型存在本质差异：通用模型解决的是“看见什么”（物体级理解），巡检大脑解决的是“这意味着什么”（事件级理解）。例如，看到行人站在高速路边，通用模型输出“人”，巡检大脑判断“行人闯入禁区，属于违规事件，需告警上报”；看到挖掘机在铁路周边，通用模型输出“工程机械”，巡检大脑判断“未经审批的违规施工，构成安全隐患”。这是从感知到认知的跨越，是巡检场景真正创造业务价值的关键。在此基础上，道通深度适配交通、园区、能源、电力等行业场景。

现场连线深圳某落地项目演示巡检流程

跨本体适配能力方面，道通采用分层适配逻辑：行业知识和巡检大脑模型等认知层能力跨本体通用，从无人机巡检积累的行人闯入识别能力可直接迁移至地面机器人使用，因为识别的是同一业务事件而非特定设备的传感器数据。只有运动控制和底层操作等执行层模块需根据不同本体的物理特性做少量适配，无需针对不同设备单独积累全量数据。无人机和地面机器人的真机运行数据经过统一数据管线处理后均可直接用于巡检大脑模型训练。

安全Agent平台层面，三层防护体系解决具身智能落地最致命的安全痛点——错误操作可能导致百万级设备损失与人员伤亡，没有安全体系保障，巡检大脑再聪明也无法放心部署真机执行。

道通依托深厚的硬件研发基础，设计算法模型及架构，其核心逻辑在于只有同时掌控大脑（模型）、平台（Agent）和身体（本体），才能实现从感知到决策到执行的全链路可控，避免在运动控制精度、传感器融合、底层响应延迟等关键环节受制于人。

Real-to-Sim-to-Real路径方面，针对仿真到真机迁移的行业公认难题，道通采用反向逻辑：第一步Real to Sim，将真实场景中采集的不同光照、不同天气、不同角度下的视觉数据，以及真机运行时的传感器噪声特性、关节响应延迟等物理特性注入仿真环境，使仿真不再是理想化的实验室环境，而是真实世界的数字副本；第二步在真实数据填充后的仿真环境中完成Agent全流程验证，确认边缘情况下稳定运行；第三步Sim to Real，仿真验证通过后仅需在本体上采集少量真实数据做适配即可落地，迁移成本被大幅压缩。核心价值在于两条线：一是降低迁移成本，无需在每一台真机、每一个新场景上从头调试；二是降低迁移风险，仿真中已跑通各类边缘情况，部署到真机时出现意外失效的概率大幅降低。

商业化落地节奏方面，公司已完成高速、油田等标杆客户签约落地，进入商业化验证的关键阶段。拓展路径为：优先以巡检场景为切入点，逐步拓展至简单作业类任务，在商业化可持续的基础上迭代泛化能力。

业内人士认为，随着AI大模型、机器人本体及多机协同技术持续成熟，具身智能正从实验室迈向产业化落地。依托长期积累的巡检场景数据、垂域模型能力以及空地一体协同优势，道通科技正在构建覆盖平台、模型、本体和应用的完整技术体系，为具身智能产业发展探索一条具有商业可持续性的实践路径。