人形机器人行业运控专题：从“做出来”到“卖出去”

从“做出来”到“卖出去” —人形机器人运控专题 2025.3.12 分析师：王可执业证书编号：S0740519080001Email：wangke03@zts.com.cn 目录 C O N T E N T S 人形机器人小脑（运控）介绍 小脑在垂直场景有望率先成熟，小模型性价比凸显 2 3 谁有望抢占小脑发展的制高点？ 投资逻辑：聚焦二开本体厂商及动捕企业 4 人形机器人小脑（运控）介绍 1.1、人形机器人“小脑”概念 人形机器人“小脑”：目前产业界对人形“小脑”的定义并没有形成统一共识，一般认为“小脑”就是运动控制，即由软硬件构成，硬件包括控制器、驱动系统、编码器等，软件主要为部署在硬件上的控制和感知算法等。人形运控与传统运控最大的区别在于：后者是根据已编程好的轨迹去完成实时控制，而前者需要通过各种场景的实时判断来生成实时运动轨迹（即AI大模型训练学习后，实时生成运控轨迹的指令），进而实现控制。 1.1、人形机器人“小脑”概念 “小脑”的主要功能：与“大脑”主要负责环境感知和智能交互不同，“小脑”更多地关注于机器人的运动控制和平衡调节，通过接收来自传感器（如视觉传感器、力觉传感器、触觉传感器等）的信息，对这些信息进行处理和分析，进而指导机器人的运动。主要功能可以分为四类：运动执行、协调运作、反馈调节和动态平衡。 来源：茶派科技公众号、中泰证券研究所绘制 1.2、人形机器人“小脑”的控制技术 包括三类：①模型控制（MPC）。基于精确的运动学和动力学模型，实现对机器人动作的精准控制，适用于特定任务的自动化执行，即传统运控范畴。②强化学习。通过在复杂环境中的自主探索，学习最优控制策略，显著提升了上肢和下肢在复杂任务中的效率、精度和适应性。③模仿学习。通过模仿人类行为，减少对环境探索的依赖，利用人类行为数据训练智能体（动捕是关键，即数据获取），显著提升任务执行能力。 1.3、人形机器人“小脑”案例 案例：目前业界基于强化学习和模仿学习已进行多种尝试，以美国Agility Robotics的Digit机器人为例，其利用强化学习算法，通过在仿真环境中不断进行训练和优化，学习各种运动技能（行走、奔跑、转弯、上下台阶）。在实际应用场景中，Digit机器人与亚马逊合作，负责仓库物流，能够根据环境的变化和任务需求，自主规划路径，快速准确地完成物品的搬运和分拣。Digit在物流领域中的成功应用，不仅提高物流效率，还降低人力成本，为物流行业的发展带来了新的解决方案。 1.4、人形机器人“小脑”面临的挑战 挑战：主要包括如何进一步提高AI模型在机器人控制中的实时性、鲁棒性和可解释性，以确保机器人在复杂环境中的稳定运行和安全可靠。此外，如何将控制与感知、决策和规划更紧密地结合，构建端到端的自主系统，亦是未来重要的研究方向。 小脑在垂直场景有望率先成熟，小模型性价比凸显 2.1、人形机器人落地难度和市场规模：To C＞To B TO B有望率先落地和放量，原因： ✓技术适配与需求刚性：B端客户，如工业、医疗、物流等需求明确且结构化，技术更易适配。例如，工厂中的搬运、质检等任务对机器人的运动控制、环境感知能力要求较高，但场景相对封闭，无需复杂的人机交互。ToC场景家庭环境复杂多变，需要高度灵活性与自然交互能力。 ✓成本与价格敏感度：企业用户注重性价比，TO B产品量产万台后价格预计可降至20-30万元（以优必选机器人为例），而C端对性能要求高，目前To C主流产品售价在9.9万元-65万元（以宇树科技机器人为例）。 ✓政策与法规支持：政策明确支持工业场景开放与标准化；To C场景下，隐私、安全等伦理问题尚未解决，制约C端场景落地。 来源：思瀚产业研究院，中泰证券研究所绘制 2.2、TO B场景下，开发统一的底层大模型难度大 机器人下肢：运动关节相对固定，更容易形成一个统一的模型，可以设置“不摔倒、走得快”等作为奖励函数来强化学习。目前主流的下肢算法是英伟达的Issac Gim底层算法+强化学习。 机器人上肢：属于精细运动范畴，尤其是灵巧手关节的控制，不同应用场景下运动轨迹的规划千差万别，开发统一的底层大模型面临两大难题：①开发难度大，训练成本高，高能耗以及在特定场景下的性能瓶颈等；②高质量的训练数据获取难。 来源：中泰证券研究所绘制 2.3、难度①：上肢的底层运控算法 人形运控产业未来将由一次开发(一开)商和二次开发(二开)商两部分构成。一开企业如特斯拉、华为、宇树等做人形运控算法的一次开发（即平台型通用机器人企业），类似于iOS之于苹果，不同厂商硬件规格和方案不同，运控算法不兼容，因此运控产业是平台型企业的兵家必争之地；二开企业是应用厂商，类似于APP应用开发商，在一开企业软硬件基础上，开发针对特定应用场景的机器人（如针对教育、养老、消防、危化、矿山、电力、冶金等领域开发机器人）。 2.3、难度①：上肢的底层运控算法 针对特定应用场景开发小模型有望渐成主流。随着Deepseek的出现，通过蒸馏技术缩小模型规模，进而将小模型植入人形端部成为可能，未来特定场景应用的小模型会越来越多。 小模型优势：小模型适用于特定场景，如工业制造、医疗护理、家庭服务等，能显著降低开发与部署成本。相较于通用大模型需要海量数据和算力支持，小模型可以通过迁移学习或微调快速适配特定任务，减少数据标注和训练周期。并且这种针对性的强化学习，使得垂直模型决策逻辑更贴近实际需求。 2.3、难度①：上肢的底层运控算法 特定应用场景小模型一般是基于通用底层大模型进行的二次开发。为了给模型注入特定领域知识，就需要用该领域内的语料进行继续的预训练，进而通过SFT激发模型理解该领域内各种问题并逐渐具备回答的能力，最后通过RLHF可以让模型的回答对齐人们偏好，比如行文的风格。 来源：机器学习社区、中泰证券研究所 2.3、难度①：上肢的底层运控算法 小模型应用案例： ✓工业质检场景：小模型可基于少量缺陷样本实现高精度识别，开发成本较通用模型显著降低。 ✓医疗护理场景：养老机构中，小模型结合多模态传感器数据（语音、触觉、体温），实现老人跌倒检测与应急响应，误报率降低，响应时间缩短。 ✓家庭服务场景：1X的NEOGamma家用机器人通过垂直模型实现衣物分类与清洁力度自适应调节，识别准确率提升，能耗降低。 ✓农业与物流场景：农业采摘机器人通过小模型识别果实成熟度，结合地形感知调整抓取路径，采摘效率提升，同时损坏率降低。 2.4、难度②：数据采集行业痛点：人形机器人训练数据严重短缺 ➢数据需求激增：在特斯拉2024年第四季度财报电话会上，马斯克指出，人形机器人所承担的任务及用途，相较汽车自动驾驶而言复杂得多，大概有1000倍之多，所需的训练数据规模也会随之扩大至10倍左右。 ➢数据现状难以支撑训练：目前可用于训练人形机器人的开源数据集，无论是在数量上还是规模上都极为匮乏，难以支撑高效训练。 2.4、难度②：数据采集 数据来源与采集方式： ➢双轨并行：真实数据+数字孪生。人形机器人的数据来源主要为真实人类运控数据采集及数字孪生两类，需要两者结合，即先在孪生环境中将真实数据进行倍增，跑通基础模型，再通过sim to real的迁移学习，叠加真实人类运动数据采集矫正，从而完成一套动作学习。 ➢真实数据采集来源为动捕及传感器信息输入。动捕系统通过捕捉目标对象关键点位位移信息，并将其转化为数字信号，进而生成三维空间中的运动数据。采集工具包含vision pro、动捕装置等，在精细程度、环境约束条件、成本上有所差异。 ➢数字孪生：虚拟环境模拟，通过“sim-to-real”迁移学习提升模型泛化能力。 来源：VR圈中圈，中泰证券研究所整理 来源：新智元公众号，中泰证券研究所整理 2.4、难度②：数据采集 真实数据采集依赖动捕设备： ➢动作捕捉按技术路线可以分为惯性式、光学式、光惯混合式与摇操作式（VR头显加手柄）。其中，惯性式和光学式是目前较为主流的两种技术路线，分别适用于不同的动捕场景。光惯混合式结合了惯性式和光学式两种方式。摇操作式因精度和维度较小，只适用于做简单的多模态感知训练，不适用于复杂应用。国内各大人形机器人本体厂均采用光学动捕与惯性动捕结合的方式进行数据采集。 2.4、难度②：数据采集 全球动捕市场由海外厂商主导。根据MarketsandMarkets数据，2023年动作捕捉市场规模约32亿美元，其中Vicon占38%，OptiTrack占25%，Motion Analysis占15%。 2.4、难度②：数据采集 国内市场：光学动捕国内品牌和国外品牌各占部分市场份额。人形机器人应用领域：国内主要做光学动捕的企业包括：度量科技、青瞳视觉和凌云光等。 2.4、难度②：数据采集 产业链价值分布： ➢光学动捕设备：高精度光学摄像头+光学标记点+辅助硬件+软件与算法。其中,高精度光学摄像头单价高，占绝大部分硬件成本；光学标记点单价低但用量大，需定期更换，属消耗品。➢核心壁垒：软件算法+高精度传感器技术 谁有望抢占小脑发展的制高点？ 3.1、人形机器人运控重要环节的玩家 人形运控有五大玩家： ➢①本体企业（一开企业）：负责机器人基础硬件和软件架构设计（如特斯拉Optimus骨骼动力学模型）、核心控制器开发、传感器标定等。 ➢②应用企业（二开企业）：基于本体企业软硬件平台，进行二次开发，应用企业需针对不同行业需求，优化控制算法，提升机器人在特定场景的性能与安全性。 ➢③传统工控企业：负责执行层面，与传统机器人控制类似，但人形需要更高密度的驱动技术和力控融合技术等，如SCHUNK的EcoGrip60系列触觉夹持器，实现精准力控与柔顺操作。 ➢④第三方“小脑”企业：提供SLAM+运动规划融合方案，通过运控算法给机器人企业进行通用性赋能。 ➢⑤动捕企业：前文已有详细介绍，不再赘述。 来源：中泰证券研究所整理 3.2、人形机器人运控①：本体企业（一开厂商） 本体企业（一开厂商）是运控产业链核心，软硬件结合构筑核心壁垒。前文提到，类似于iOS之于苹果，本体企业将硬件和底层算法集成，以硬件为例，高精度关节模组是关键，如宇树M107电机，关节动态响应精度显著提升（误差<0.1°）。 3.2、人形机器人运控②：应用企业（二开厂商） 应用企业基于一开厂商产品进行二次开发，以满足特定下游需求。应用企业（二开厂商）需要基于本体企业硬件平台，针对不同行业需求，优化控制算法，提升机器人在特定场景的性能与安全性。此外，应用企业亦可以与工控企业联合，针对特定场景定制末端执行器，如汽车厂焊接机器人的耐高温夹爪，满足特定工艺需求。 3.2、人形机器人运控③：工控企业（终端执行器企业） 工控企业需与本体或应用企业适配开发执行器。在终端执行器层面，人形机器人和传统工业机器人差异并不明显，只需配合本体或应用企业开发适用于特定应用场景的关节模组，如高密度的驱动技术和力控融合技术。 来源：SCHUNK官网、中泰证券研究所整理 3.2、人形机器人运控④：第三方“小脑”企业 第三方“小脑”企业类似于Android至于手机厂商，赋能机器人企业。iOS之于苹果属于闭源生态，在开源生态模式中，独立第三方企业可以通过开发“小脑”底层运控算法，赋能机器人企业。如桥介数物，其是国内领先的具身智能控制系统开发公司，致力于构建足式机器人的通用控制系统平台，公司已帮助多家人形机器人公司完成从0到1的强化学习运动控制demo开发，并在2024年8月的世界机器人大会上，27家中有11家人形机器人厂商采购了其运控解决方案。 来源：桥介数物官网、中泰证券研究所 来源：桥介数物官网、中泰证券研究所 人形机器人运控⑤：动捕企业，前文已有详细介绍，不再赘述 3.6、小结：小脑发展围绕本体厂商展开，应用落地是关键 在整个人形机器人运控产业链条中，本体厂商的