2023 AI机器人产业报告

与非网资深行业分析师张慧娟 1AI机器⼈产业现状基本定义、应用趋势、发展现状 2AI驱动下的机器⼈创新 核心AI技术、关键部件、主控芯片 3典型代表：⼈形机器⼈产业情况、核心技术 4AI机器⼈趋势和展望 核心竞争力、通用大模型 •AI机器⼈的基本定义•AI机器⼈的主要应⽤•AI机器⼈的发展⽅向 AI机器人的基本定义 AI劼㐼➃꧋䧭劼唒ծ歏㶩ծ䱽ⵖծ⠛䠭ծ➃䊨兰腊瘝㢴㷖猰䪮助腊㢿垷⟬䧴剏➿➃碫鵳遤ぐ猫⟣⸉կ Ⱘ㢊♧㹁玐䏞涸荈⚺Ɀ瘻腊⸂ծ刿䔂涸㷖⛴腊⸂ㄤ刿넞涸兰腊宐䎂腊㢿ⴼ倗梠㞯」⻊ㄤ⟣⸉꨽宠䎇㹊倶湱㼆䎾涸鍒Ɀ倰呩կ AI机器人的主要类型 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 AI机器人的主要应用 ⾃动化⽣产线、⼯业机器⼈等，通过⾃主学习和⾃主决策，提⾼⽣产效率和质量，降低成本和⻛险。 家务助⼿、健康监护、安全监控等，提高生活效率，减轻家庭成员的负担，保障安全和健康。 医疗机器⼈、智能诊断系统等，通过⼤数据分析和⾃主学习，提⾼医疗诊断和治疗的准确性和效率。 货物抓取、搬运、转载等，能够通过⾃动化操作提升效率、提⾼安全性、降低成本。 •金融服务：智能投资顾问、智能⻛险管理系统等，提⾼⾦融服务的效率和准确性。 智能教育机器⼈、智能学习系统等，通过⾃主学习和⾃主决策，提⾼教育培训的效果和效率，为学⽣提供更好的学习体验。 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 AI机器人的发展方向 AI机器人的发展方向 AI机器人在人机协作方面有着越来越高的要求，机器人能够通过机器学习算法进行自我优化，更好地配合和协作，未来将向更加自然、便捷的方向发展。 AI机器人将具备更加敏锐的感知能力，更好地理解和响应用户的需求。同时，也将提高对环境的认知能力，更好地适应各种环境。 •自主学习和自适应能力：AI机器人将能够自主学习和自适应各种任务和环境。通 过不断学习和训练，提高机器人的智能水平，使其更加智能、更加好用。 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 •核⼼AI技术•关键部件•AI⼤模型 核心的AI技术 •计算机视觉能够通过对图像的处理和分析，完成目标检测、物体识别、 人脸识别等任务。例如，智能巡检机器人可以通过视觉技术实现对设备故障的主动探测和预警。 •人机交互与理解 AI机器人需要具备更加敏锐的感知能力，以便更好地理解和响应用户的需求。同时，也需要提高对环境的认知能力，以便更好地适应各种环境。 •语音识别与处理可通过语音交互对用户的语音指令做出智能响应。例如，智 能音箱可以实现语音对话，并实现智能家居的控制。 •自主导航与决策 在机器人的导航和控制中，能够通过对环境的感知和模式识别，实现机器人的自主导航和动作控制。例如，智能扫地机器人可以通过对物体的位置、形状等信息的感知，从而完成扫地和拾垃圾的任务。 发展AI机器人需要的配套技术 •大数据与云平台：•大量的数据和信息需要进行快速、准确的分析和处理。大数据技术 可以提供高效、可靠的数据存储、处理和分析能力，云平台可以提供灵活、可扩展的计算、存储和网络资源，为AI机器人提供强大的后端支持。 •机器学习与深度学习：•这些技术是AI机器人的核心驱动力，可以自动识别模式并进行预测， 实现自我学习和自我优化。更好地识别和理解图像、声音和文本等数据，提高自身的感知和理解能力。 •大模型和数据服务：•大模型可以提供更强的计算和预测能力。数据服务则可以提供高效、 可靠的数据存储、检索和分析能力，为AI机器人提供必要的数据支持。 •人机交互和感知： •更好地与人类进行交互和合作，提高机器人的用户体验和工作效率。人机交互技术可以支持机器人与人类进行语音、文字、姿态等多种形式的交互，而感知技术则可以让机器人更好地感知周围环境，如声音、光线、温度等，提高机器人的适应能力和智能化程度。 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 AI机器人关键模块组成 借助网络、大数据、云计算等，实现感知智能层级。由云上的“大脑”进行控制，能全面感知环境、相互学习、共享知识，帮助机器人提高自学能力、适应能力。 •感知模块: 包括视觉和触觉，视觉有纯视觉路线，也有依靠雷达等多方式融合路线，以便躲避障碍、规划路线；触觉主要通过传感器判断物体的重量、特性等，以便更好实行动作控制。 •交互模块: 是机器人的大脑，核心是芯片与算法，为输入的任务进行分解、制定最佳决策规划，并根据感知和运控模块的反馈，实时调整，同时可利用大模型不断训练和迭代算法。 •运控模块:机器人的身体，根据指令，对关节的控制是核心，包括 角度、力、速度等控制，难点是保持动态平衡、行走跳跃奔跑、手部抓取等，电驱动方式下主要由电机、减速器、丝杠、编码器等构成。 AI机器人关键部件 •伺服系统 是运动控制的核心部件，主要由伺服驱动器、伺服电机和编码器组成，编码器通常嵌入伺服电机。伺服系统工作原理为：伺服驱动器发出信号给伺服电机驱动其转动，同时编码器将伺服电机的运动参数反馈给伺服驱动器，伺服驱动器再对信号进行汇总、分析、修正。整个工作过程通过闭环方式精确控制执行机构的位置、速度、转矩等输出变量。 伺服系统可通过闭环方式实现精确、快速、稳定的位置控制、速度控制和转矩控制，主要应用于对定位精度和运转速度要求较高的工业自动化控制领域。 •电机 俗称“马达”，是基于电磁感应定律实现电能转换或传递的电磁装置，通常由一个用以产生磁场的电磁铁绕组或分布的定子绕组以及一个旋转电枢或转子和其它附件组成。电机的主要作用在于产生驱动转矩，作为用电器或各种机械的动力源。 电机按照用途分为驱动电机和控制电机，其中驱动电机包括直线电机和旋转电机，多用于工业领域；控制电机包括步进电机、伺服电机和力矩电机等。其中，空心杯电机与无框力矩电机是人形机器人常用零部件，空心杯电机是采用了空心杯绕线技术的直流有刷或者直流无刷电机，属于伺服电机的一种，适用于灵巧手；无框力矩电机是一种无框架式的无刷永磁同步电机，适用于旋转关节和线性关节。 AI机器人主控芯片使用情况 在机器人控制系统中，用于处理传感器数据、执行运动控制算法等任务。 •FPGA： 适用于多指令、单数据流的处理分析，可以用硬件实现软件算法。在实现复杂算法方面有一定的难度，比如需要高度抽象和复杂逻辑的算法，需要设计者具备深厚的硬件设计和编程知识，才能有效地将算法转化为硬件逻辑。 主要用于信号处理、数字图像处理等。具有高速的数字信号处理能力，可以完成复杂的数学运算和信号处理任务。 在机器人控制系统中，用于加速机器人的视觉处理、深度学习等任务。 •MCU 主要用于控制系统的数字化控制。具有轻便、低功耗和高度集成等特点，适用于小型控制系统。 •PLC 具有可靠性和抗干扰能力强等特点。在机器人控制系统中，PLC可以用于实现运动控制、传感器数据处理等任务。 AI机器人主控芯片分析 AI机器人主控芯片分析 AI大模型的驱动作用 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 •软硬件技术 •核⼼技术 人形机器人的产业地位 人形机器人的通用性打破工业及服务机器人的限制，近年是资本市场的关注点之一。 ♸ꬋ緸ꛏ㼆遤⚌欽䨪靈灇絡雦侨研欰䧭傞ꢂ2023䎃10剢19傈 人形机器人核心技术突破，产业有望加速 •多模态语言大模型的问世意味着人形机器人“大脑”核心技术取得一定突破。 •人形机器人硬件层主要包括“感知”与“执行”。 感知层类似于人类的感观，可为机器人提供触觉、听觉、视觉甚至嗅觉等物理量、化学量的反馈，而各类感知的实现均存在不同的技术路径，如力学感知有伺服电流环、力/力矩传感器、电子皮肤等方案; 主要为机器人肢体、关节，是运动控制、任务执行的载体，受限于人形空间，通常需要一体化电机模组。 人形机器人核心技术突破，产业有望加速 •IMU(惯性测量单元)通过测量物体加速度和角速度的变化来推算出物体在三维空间中的位置和姿态。目前高精度MEMS IMU主要应用场景包括高精度自动驾驶以及人形机器人。 •作为自主导航机器人，人形机器人必须实时知晓自己的位置。而IMU是测量物体三轴姿态角(或角速率)以及加速度的设备，在机器人导航中有着很重要的应用。 •早期机器人通常在躯干位置放置IMU，随着惯导系统在人形机器人中的应用逐渐成熟，头部也将放置IMU，和立体视觉相机等组合进行定位及导航。 人形机器人核心技术突破，产业有望加速 IMU(惯性测量单元)主要由多组惯性传感器组成。其中惯性传感器通过惯性技术实现物体运动姿态和运动轨迹的感知，主要包括陀螺仪和加速度计： 陀螺仪用于感知物体运动的角速率；加速度计用于感知物体运动的线加速度。二者辅以时间维度进行运算后可得出物体相对于初始位置的偏离，进而获得物体的运动状态，包括当前位置、方向和速度。 随着半导体产业的快速发展，MEMS工艺由于其体积小、高集成、抗高过载、成本低等优势，MEMS陀螺仪和MEMS加速计已经在基础应用领域完成了对其他技术路线的替代，并随着精度提升进一步向更高端领域渗透。 •核⼼竞争⼒ •通⽤⼤模型 竞争力：软件平台将越来越重要 •ROS平台可以有效提升开发效率 ROS（Robot Operating System）机器人操作系统包含了很多开源功能包，便于开发者大幅提升开发效率。 •机器人的仿真训练平台是研发和测试的必需环节 仿真训练为机器人提供了安全的训练环境，能够模拟真实世界中的各种场景和情况，并允许机器人进行大规模的试错和学习。 通用大模型+AI机器人的趋势 •大数据+强算法+大算力，强化基础能力。 •更高级别的智能水平：通过与通用大模型的结合，AI机器人将具备更高级别的智能化水平，包括更精准的感知、更灵活的运动控制、更自然的交互表现等。 •有望重塑AI机器人决策执行机制，无需工程师编程，只需用户提供指令，AI机器人就能自行生成完成指令的代码，智能化程度更高。 •更好地泛化到多种场景：通用大模型通过大量数据的预训练，可以更好地泛化到各种场景中，提升机器人在不同环境下的适应性和鲁棒性。