2023人形機器人政策、應用場景及市場空間分析報告.pdf

《2023人形機器人政策、應用場景及市場空間分析報告.pdf》由會員分享，可在線閱讀，更多相關《2023人形機器人政策、應用場景及市場空間分析報告.pdf（34頁珍藏版）》請在三個皮匠報告上搜索。

1、2023 年深度行業分析研究報告 目目 錄錄 1.歷史：工業類人形機器人嶄露鋒芒歷史：工業類人形機器人嶄露鋒芒.5 1.1.人形機器人發展的三階段.5 1.2.以工業類為代表的產品持續迭代.7 1.2.1.工業類的代表之作.8 1.2.2.娛樂&服務類的代表之作.11 2.問題問題&變化：政策扶持加碼，軟件端迎來奇點變化：政策扶持加碼，軟件端迎來奇點.13 2.1.產業維度：國內政策不斷加碼.14 2.2.產品維度：軟件端迎來奇點，硬件端有待優化.15 2.2.1.軟件端：AI 賦能機器人.15 2.2.1.1.算法訓練.15 2.2.1.2.感知能力.18 2.2.1.3.人機交互.20 2

2、.2.2.硬件端：零部件有待優化.23 2.2.2.1.下肢：行走穩定性.23 2.2.2.2.手部：零部件集成.26 3.未來：應用場景未來：應用場景&市場空間市場空間.28 3.1.工業場景：替代傳統工業機器人和人類勞動力.28 3.1.1.性能+成本優勢凸顯.28 3.1.2.工業場景的市場空間.30 3.2.家庭&商用場景：成為人類生活的一部分.31 3.2.1.人機交互的價值體現.31 3.2.2.家庭&商用場景的市場空間.33 ZZpY3XRZkUyX6M9R9PpNqQsQnOfQpPtMkPmOoQ8OrRzQxNsRrRwMqMpN圖表目錄圖表目錄 圖圖 1：加藤實驗室研制出

3、：加藤實驗室研制出 WL-5 雙足步行機器人雙足步行機器人.5 圖圖 2：我國第一臺仿人型機器人：我國第一臺仿人型機器人“先行者先行者”.5 圖圖 3：本田：本田“ASIMO”仿人機器人仿人機器人.6 圖圖 4：索尼：索尼“SDR-3X”仿人機器人仿人機器人.6 圖圖 5：波士頓動力展示機器人最新成果：波士頓動力展示機器人最新成果.6 圖圖 6：特斯拉機器人最新展示：特斯拉機器人最新展示.6 圖圖 7：人形機器人發展的三階段人形機器人發展的三階段.7 圖圖 8：人形機器人主流產品：人形機器人主流產品.8 圖圖 9：Atlas 跑酷視覺跑酷視覺“看到看到”和規劃的信息和規劃的信息.9 圖圖 10

4、：3D 打印參與打印參與 Atlas 液壓動力單元制造液壓動力單元制造.9 圖圖 11：波士頓動力機器狗：波士頓動力機器狗/人發展歷史人發展歷史.10 圖圖 12：Digit（右）及其第一代產品（右）及其第一代產品 Cassie.11 圖圖 13：Agility robotics 團隊關于如何實現雙足機器人的深度學習的理論團隊關于如何實現雙足機器人的深度學習的理論.11 圖圖 14：Agility Robotics 機器狗機器狗/人的發展歷史人的發展歷史.11 圖圖 15：西部世界中的人形機器人更偏向娛樂：西部世界中的人形機器人更偏向娛樂&服務型服務型.12 圖圖 16：Ameca.13 圖圖

5、 17：Mesmer 平臺的基本架構平臺的基本架構.13 圖圖 18：Engineered Arts 機器人發展歷史機器人發展歷史.13 圖圖 19：針對人形機器人的政策逐漸增多：針對人形機器人的政策逐漸增多.14 圖圖 20：Isaac 的基本框架的基本框架.17 圖圖 21：Isaac 可實時渲染來自傳感器上的物理數據可實時渲染來自傳感器上的物理數據.17 圖圖 22：Isaac 通過構建虛擬場景進行測試通過構建虛擬場景進行測試.17 圖圖 23：RoboCat 的訓練周期的訓練周期.18 圖圖 24：訓練的成功率隨著訓練次數的增多而提高：訓練的成功率隨著訓練次數的增多而提高.18 圖圖

6、25：后融合算法：后融合算法.19 圖圖 26：數據級融合：數據級融合.19 圖圖 27：TransFormers 的整體架構的整體架構.20 圖圖 28：BEV+TransFormers.20 圖圖 29：波：波士頓動力機器狗接入士頓動力機器狗接入 Chat gpt 后，實現與工作人員的直接對話后，實現與工作人員的直接對話.20 圖圖 30：Ameca 能做出一系列豐富的面部表情能做出一系列豐富的面部表情.20 圖圖 31：谷歌打造的以語言為中心的智能體框架：谷歌打造的以語言為中心的智能體框架.21 圖圖 32：研究人員使用：研究人員使用 LLM 將給定的高級指令拆分為具體的行動規劃將給定的

7、高級指令拆分為具體的行動規劃.22 圖圖 33：研發人員展示：研發人員展示 PaLM-E 如何分步驟控制機器如何分步驟控制機器人執行任務人執行任務.22 圖圖 34：VoxPoser 的具體流程和操作展示的具體流程和操作展示.23 圖圖 35：目前主流的四種驅動器：目前主流的四種驅動器.24 圖圖 36：四種驅動器的性能對比：四種驅動器的性能對比.24 圖圖 37：諧波減速器（上）、：諧波減速器（上）、RV 減速器（中）、行星減速器（下）減速器（中）、行星減速器（下）.24 圖圖 38：電機以差動配置布置，在不顯著增加反射慣性情況下增加肢體的受力能力：電機以差動配置布置，在不顯著增加反射慣性情

8、況下增加肢體的受力能力.24 圖圖 39：行走速度越快，機器人受到的地面反作用力（：行走速度越快，機器人受到的地面反作用力（GRF）也越高）也越高.25 圖圖 40：不同機器人配置的傳感器負載范圍（：不同機器人配置的傳感器負載范圍（GRF range factor）為）為 1-2，即機器人行走或奔跑時，傳感器能，即機器人行走或奔跑時，傳感器能感知的最大的力為自身重量的感知的最大的力為自身重量的 1-2 倍倍.25 圖圖 41：安裝了沖擊吸收部件的腳部結構，用以吸收機器人行走時傳遞的沖擊力：安裝了沖擊吸收部件的腳部結構，用以吸收機器人行走時傳遞的沖擊力.26 圖圖 42：帶有定制的足部傳感器的腳

9、部結構：帶有定制的足部傳感器的腳部結構.26 圖圖 43：騰訊靈巧手：騰訊靈巧手 TRX-Hand.27 圖圖 44：騰訊機械臂：騰訊機械臂 TRX-Arm.27 圖圖 45：人類手指和機器人手指之間接觸表面的差異：人類手指和機器人手指之間接觸表面的差異.27 圖圖 46：具有內在觸覺的：具有內在觸覺的 3D 打印手掌、內部結構以及打印手掌、內部結構以及 3D 打印制造步驟打印制造步驟.27 圖圖 47：Figure 公司的企業愿景：替代勞動力、家庭服務、外太空探索公司的企業愿景：替代勞動力、家庭服務、外太空探索.28 圖圖 48：我國工業機器人以搬運和焊接為主：我國工業機器人以搬運和焊接為主

10、.29 圖圖 49：按作業方式分類的工業機器人：按作業方式分類的工業機器人.29 圖圖 50：特斯拉：特斯拉 Optimus 在工廠展示分揀工作在工廠展示分揀工作.29 圖圖 51：波士頓動力：波士頓動力 Atlas 根據指令在工廠中靈活執行任務根據指令在工廠中靈活執行任務.29 圖圖 52：美國員工平均工資約為：美國員工平均工資約為 28.83 美元美元/小時小時.30 圖圖 53：2022 年歐盟的平均每小時勞動力成本估計為年歐盟的平均每小時勞動力成本估計為 30.5 歐元，歐元區為歐元，歐元區為 34.3 歐元歐元.30 圖圖 54：全球工業機器人保有：全球工業機器人保有量量.31 圖圖

11、 55：全球勞動力數量：全球勞動力數量.31 圖圖 56：我國老齡化趨勢越發明顯（：我國老齡化趨勢越發明顯（%）.32 圖圖 57：分年齡段分受教育程度的人口單身率（：分年齡段分受教育程度的人口單身率（%）.32 圖圖 58：“萌妹萌妹”機器人具備多種功能機器人具備多種功能.33 圖圖 59：用戶可通過手機：用戶可通過手機 App 選擇劇情讓機器人表演選擇劇情讓機器人表演.33 圖圖 60：全球服務機器人銷量（萬臺）：全球服務機器人銷量（萬臺）.33 圖圖 61：全球服務機器人銷售額（億美元）：全球服務機器人銷售額（億美元）.33 表表 1：北京市機器人產業創新發展行動方案（：北京市機器人產業

12、創新發展行動方案（20232025 年）部分內容年）部分內容.15 表表 2：機器人成本的敏感性分析（單位：美元：機器人成本的敏感性分析（單位：美元/小時）小時）.30 表表 3：工業領域的人形機器人需求預測：工業領域的人形機器人需求預測.31 表表 4：家庭：家庭&商用領域的人形機器人需求預測商用領域的人形機器人需求預測.34 1.歷史歷史：工業類人形機器人嶄露鋒芒：工業類人形機器人嶄露鋒芒 1.1.人形機器人發展的三階段 人形機器人的“萌芽階段”人形機器人的“萌芽階段”（1960-1990）。這一階段的人形機器人特征為初具“人形這一階段的人形機器人特征為初具“人形態”態”，研發重點著重在機

13、器人的“下肢運動”。，研發重點著重在機器人的“下肢運動”。1968 年，美國的通用電氣公司（RSmosher）試制了一臺名為“Rig”的操縱型雙足步行機器人機械，同年，日本早稻田大學加藤一郎教授在日本首先展開了雙足機器人的研制工作，并先后推出了WAP-1、WAP-3、WL-5 等持續迭代的雙足機器人版本，自此人形機器人產業步入萌芽階段。此外，除了日本在人形機器人研制上做出較大貢獻外，包括英國、蘇聯等國家也紛紛加入機器人的研制上，例如，英國于 1970 年研制成功的“Witt”型雙足機器人，蘇聯則研制出兩輪雙足行走機器人。而我國在人形機器人的研發起步相對較慢，自 1985 年始，國內幾所科研院校

14、才陸續開始人形機器人的研發工作，而直到 2000 年，中國國防科技大學經過多年的努力成果才研制出我國第一臺仿人型機器人“先行者”，哈爾濱工業大學也自 1985 年研發雙足步行機器人以來，先后推出 HJT-I、HJT-II、HJT-III 等型號的機器人。圖圖 1：加藤實驗室加藤實驗室研制出研制出 WL-5 雙足步行機器人雙足步行機器人 圖圖 2：我國第一臺仿人型機器人“先行者”我國第一臺仿人型機器人“先行者”數據來源：仿人機器人的研究歷史、現狀及展望，東北證券 數據來源：仿人機器人的研究歷史、現狀及展望，東北證券 人形機器人的“發展階段”人形機器人的“發展階段”（1990-2010）。這一階段

15、的人形機器人特征為附加更多功。這一階段的人形機器人特征為附加更多功能，研發重點從之前的“如何實現更好行走”到“賦予機器人更多其他的能，研發重點從之前的“如何實現更好行走”到“賦予機器人更多其他的仿人特仿人特征征”。自 1986 年開始，日本豐田公司推出了 P 系列 1-3 型機器人，在 1997 年推出了“P3”和 2000 年推出了“ASIMO”，“ASIMO”除了優化步行方式外，還增加了對手部的操作和控制。同年，日本索尼于 2000 年推出人形娛樂機器人 SDR-3X，該機器人較以往產品最大的區別在于配備了聲音識別和圖像識別功能，可以根據音樂實現節奏運動。豐田和索尼公司推出的新一代人形機器

16、人，將仿人機器人的研制和生產正式推向實用化、工程化和市場化。圖圖 3：本田“：本田“ASIMO”仿人機器人”仿人機器人 圖圖 4：索尼“：索尼“SDR-3X”仿人機器人”仿人機器人 數據來源：仿人機器人的研究歷史、現狀及展望，東北證券 數據來源：仿人機器人的研究歷史、現狀及展望，東北證券 人形機器人的“百花齊放階段”（人形機器人的“百花齊放階段”（2010 至今）。這一階段的人形機器人特征為至今）。這一階段的人形機器人特征為“智“智能化”，研發重點從之前的“能化”，研發重點從之前的“賦予機器人更多其他的仿人特征賦予機器人更多其他的仿人特征”到“”到“機器人機器人如何如何衍生自主決策能力”衍生自

17、主決策能力”。海外方面，波士頓動力、特斯拉、Engineered Arts、軟銀等海外科技企業紛紛發布自主研發的人形機器人，比如 2015 年軟銀率先實現人形機器人的商業化進程、2021 年波士頓動力展示運動能力出色的 Atlas、2022 年特斯拉發布 Optimus 原型機等。國內方面，小米、優必選、傅利葉智能等廠商也積極入局。該階段的人形機器人除了運動模塊和感知模塊更為成熟外，最突出的特點就是大模型的應用，機器人的訓練速度和效率大大提高、強化機器人的自主決策能力。圖圖 5：波士頓動力展示機器人最新成果波士頓動力展示機器人最新成果 圖圖 6：特斯拉機器人最新展示特斯拉機器人最新展示 數據來

18、源：科技最前線，東北證券 數據來源：特斯拉官網，東北證券 圖圖 7：人形機器人發展的三階段人形機器人發展的三階段 數據來源：仿人機器人的研究歷史、現狀及展望，特斯拉官網，小米官網，波士頓動力官網，索尼官網，Agility Robotics 官網，東北證券 1.2.以工業類為代表的產品持續迭代 人形機器人發展至今，涌現出適用于各種應用場景的產品，按照目前主流的場景應用分類，可大致分為工業類、娛樂&服務類等兩大類，對應用在工業場景、家庭&商業場景。工業類人形機器人主要用于處理物流、制造、安保和復雜任務等領域的工業場景，替代的是低級和高危人工勞動、以及部分傳統工業機器人無法勝任的工種，比如流水線的后

19、道工序。娛樂類主要實現情感交互和表演展覽等場景，而服務類則主要是從事家庭服務、教育、引導、送餐等場景。圖圖 8：人形機器人主流產品人形機器人主流產品 數據來源：特斯拉官網，波士頓動力官網，Agility Robotics 官網，1X Technologies 官網，Sanctuary AI 官網，Figure 官網，Engineered Arts 官網，小米官網，Robotsguide，東北證券（注：*為預測值）1.2.1.工業類的代表之作 由于工業場景相較于家庭、商用場景而言，環境的可預測、可控性更強以及機器人自身造成危害的影響性更低，對處于發展初期的人形機器人而言，工業場景的容錯率相對更高

20、，因此比較適合廠商作為人形機器人投放的第一站?？v觀近幾年的機器人新品，工業類產品進展也相對較快，比如波士頓動力的 Atlas、特斯拉的 Optimus、Agility Robotics 的 Digit 等。波士頓動力：波士頓動力：成立于 1992 年，公司先后借助美國軍方、谷歌、軟銀、現代集團等股東的支持，陸續發布了 Big Dog、Little Dog、Cheetah、Spot 等四足機器狗和 Atlas 等雙足機器人。于 2022 年和母公司現代汽車共同成立了 BDAII（波士頓動力人工智能研究所），目標是“引領人工智能和機器人技術的進步”，目前在圍繞 Spot 和 Stretch這類機器

21、人的商業道路和獨立的完全專注于 Atlas 的技術研究道路兩條路線上齊頭并進。Atlas：高約 1.5 米，重 80 公斤，擁有 28 個自由度，主動力來源為電池，驅動方式為液壓，配備 RGB 與深度相機，機器人本體共搭載 3 臺 NUC/工控機負責整體控制系統的運算。Atlas 最突出的亮點是能實現像最突出的亮點是能實現像人一樣奔跑、跳躍和跨人一樣奔跑、跳躍和跨越障礙，越障礙，而而實現這種跑酷動作的核心源于其獨特的感知、規劃、驅動以及驅動實現這種跑酷動作的核心源于其獨特的感知、規劃、驅動以及驅動背后的制造技術背后的制造技術。感知能力：感知能力：基于配備的 RGB 攝像頭和 TOF 深度傳感器

22、，Atlas 能快速生成環境的點云，再使用一種名為多平面分割的算法從點云中提取平面，機器人中的映射系統將算法獲取的信息構建模型，從而輔助后續的行為規劃。規劃能力：規劃能力：一方面，一方面，設計人員通過離線優化，為 Atlas 不斷創建新的運動軌跡，而在這些給定的軌跡設計下，Atlas 會在實際行動中盡量選擇與之匹配的行為動作，從而減少相關的計算量，提升運動準確性。另一方面，另一方面，在實際的運動過程中，Atlas 會使用 MPC（模型預測控制器，該控制器使用機器人動力學模型來預測機器人未來的動作并計算出當前要做的最優動作）來調整實時的力、姿勢和行為時間等細節，以完成“沒有見過的動作”。進一步而

23、言，進一步而言，MPC 的預測特性還允許 Atlas 跨越行為邊界來查看后續動作，使得機器人能實現從一個動作到另一個動作的平滑過渡。運動能力：運動能力：在完成感知和動作規劃后，機器人要“跑起來”，而液壓系統為 Atlas 產生了強大的推力，在同樣的空間內，用液壓元件所做的功是電機的數倍甚至是數十倍，因此液壓系統能幫助機器人實現奔跑、跳躍、后空翻等高難度的動作。制造制造技術：技術：感知、規劃、運動是感知、規劃、運動是 Atlas 跑酷的跑酷的核心程序核心程序，而這些動作實現的背后離，而這些動作實現的背后離不開“如何將重達不開“如何將重達 80kg 的物體推上天”的制造技術。的物體推上天”的制造技

24、術。波士頓動力將 3D 打印應用于制造 Atlas 機器人的液壓動力單元（HPU），用于生產穩態控制器、傳感器、過濾器、排污閥等部件，好處是可以制造緊湊、輕量型閥塊，極大減輕重量并提高空間利用率，從而賦予 Atlas 跳躍和翻騰所需的強度/重量比。圖圖 9：Atlas 跑酷視覺跑酷視覺“看到”“看到”和規劃的信息和規劃的信息 圖圖 10：3D 打印參與打印參與 Atlas 液壓動力單元制造液壓動力單元制造 數據來源：機器之心，東北證券 數據來源：3D 打印技術參考，東北證券 圖圖 11：波士頓動力機器狗：波士頓動力機器狗/人發展歷史人發展歷史 數據來源：波士頓動力官網，東北證券 Agility

25、 Robotics：成立于 2015 年，公司以生產腿部行走機器人為主，專門為物流和制造企業提供倉庫機器人，以應對季節性需求波動造成的勞動力短缺，主要是可以協助人工完成卸貨搬箱、管理貨架、最后一公里配送等任務。Digit：高約 1 米，重 31 公斤，擁有 18 個自由度。Digit 在高難度動作、復雜環境適應等高階維度可能不如波士頓動力的 Atlas 以及特斯拉的 Optimus，但是作為倉儲的搬運機器人，其突出的特點就是“實用”，即能在不充電情況下“暴走”5km，意味著意味著Digit能較好地自適應工廠中的各種復雜場地和實現高續航能力能較好地自適應工廠中的各種復雜場地和實現高續航能力，完美

26、適配特定場所的使用需求完美適配特定場所的使用需求，而而能能實現穩定敏捷的運動實現穩定敏捷的運動，核心核心源于其深度學源于其深度學習能力和習能力和獨特獨特的運動的運動設計設計。學習能力：學習能力：讓 Digit 學會走路，需要用到強化學習和模仿學習。其中，強化學習解決馬爾可夫決策過程（Markov Decision Process,MDP）的最優策略，需要用到策略梯度算法；而模仿學習則需要解決參數策略問題。用關鍵算法 DASS 來搞定數據集，再將 DASS 于強化學習、模仿學習結合在一起，為機器人設定策略。通過強化學習和模擬學習，訓練雙足機器人模擬及適應不同高度的地面變化，而且只需要稍加改變現有

27、的平地強化學習框架，就可以在樓梯、不平的地面等場景中穩健地行走。運動運動設計設計：在下肢架構上，Digit 及其第一代產品及其第一代產品 Cassie 最大的特點就是最大的特點就是他的“鴕他的“鴕鳥腿”鳥腿”，在動力學部分參考了鳥類步態，尤其是鴕鳥，膝蓋設計成彎曲形狀，能以比較自然的方式去減緩震動。同時在自由度配置上，Digit 在下肢也配備了較多的自由度，每條腿 5 個自由度，其中臀部 3 個，允許腿向前、后、側三個方向擺動，脛骨和腳踝各 1 個自由度，但區別于臀部由電機驅動，后兩者是附著在彈簧上，有助于機器人在遇到障礙物時也能保持平衡。另外，Digit V2 版本還對足部進行了優化，增加了

28、橫滾自由度，使得 Digit 可以在不進行側向踩踏的條件下抵抗側向力沖擊，甚至可以實現單腳的靜態平衡。圖圖 12：Digit（右）（右）及其第一代產品及其第一代產品 Cassie 圖圖 13：Agility robotics 團隊關于如何實現雙足機器團隊關于如何實現雙足機器人的深度學習的理論人的深度學習的理論 數據來源：Agility Robotics 官網，東北證券 數據來源：Blind Bipedal Stair Traversal via Sim-to-Real Reinforcement Learning，東北證券 圖圖 14：Agility Robotics 機器狗機器狗/人的發展歷

29、史人的發展歷史 數據來源：Agility Robotics 官網，東北證券 1.2.2.娛樂&服務類的代表之作 工業類人形機器人側重點在“工作”，而娛樂&服務類則著重在“交互”，前者更多是在傳統工業機器人基礎上增加“人形態”，使得機器人更適合替代人類工作，而后者在某種意義層面更符合“仿人機器人”的概念本質-能成為“人”。圖圖 15：西部世界中的人形機器人更偏向娛樂：西部世界中的人形機器人更偏向娛樂&服務服務型型 數據來源：百度，東北證券 Engineered Arts：成立于 2005 年，公司至今推出了 6 款機器人，最新型號 Ameca是 Engineered Arts 機器人技術的集大成

30、者。公司的產品已用于娛樂與教育行業。Ameca：高 1.87 米，重 49 公斤，擁有 51 個主要關節并配置 52 個電動馬達。Ameca 最突出的特點就是能實現復雜的臉部表情管理，而這樣逼真的仿人表情核心在于結合了 AI 與 AB（Artificial Body）技術。此外，Ameca 在近期接入了 GPT-4 訓練其語言能力、嵌入了 Stable Diffusion 賦予了自身繪畫能力。因此，可以看到 Ameca 除了運動能力外，在各方面都不斷逼近人類的真實行為。而而 Ameca 能實現這樣的動作表現，離不開其底層系統，包括機器人操作系統能實現這樣的動作表現，離不開其底層系統，包括機器人

31、操作系統Tritium 和工程藝術系統和工程藝術系統 Mesmer。Tritium：該系統類似于“大腦”，主要負責智能化和各個機械結構之間的聯動。Tritium 可以直接在瀏覽器運行，適用幾乎任何編碼語言和多種軟件，登錄后即可快速處理各種數據，遠程控制機器人面部、頭頸、四肢等的各方面組件，使得機器人適應環境的突然變化并即時做出響應，保證人機交互的安全和樂趣。Mesmer：該系統負責展現身而為人的“靈魂”，像是給出人類的情緒表情和肢體語言。為了讓 Ameca 看起來像人，Mesmer 平臺首先解決的是關節問題，通過對頸部的設計，讓頭部可順滑轉移到任何方位，其次是通過搭配 LIDAR 設計偵測移動

32、物體，讓機器人能一直注視和它說話的人類，然后通過對手臂、手腕、肩部等部位的設計，讓機器人能做出微妙的肢體語言，比如“聳肩”，最后搭配上人工皮膚，使得Ameca 從語言表達到行為動作，都表現得和人一樣流暢自然。圖圖 16：Ameca 圖圖 17：Mesmer 平臺的基本架構平臺的基本架構 數據來源：Engineered Arts 官網，東北證券 數據來源：Engineered Arts 官網，東北證券 圖圖 18：Engineered Arts 機器人發展歷史機器人發展歷史 數據來源：Engineered Arts 官網，東北證券 2.問題問題&變化變化：政策扶持加碼，軟件端迎來奇點：政策扶持加

33、碼，軟件端迎來奇點 人形機器人從提出概念到最近一年各廠商最新型號的推出，已經邁過了 60 個年頭，發展階段也從“萌芽”到現今的“百花齊放”，工業類出現了以波士頓動力、特斯拉為代表的優秀產品，娛樂&服務類進展也持續推進，特別是最近幾年，人形機器人的產業發展持續超乎市場預期。而站在當前時點，我們可以看到整個人形機器人產而站在當前時點，我們可以看到整個人形機器人產業自上而下都出現了推動產業和產品向下一階段業自上而下都出現了推動產業和產品向下一階段演變演變的新變化，的新變化，另一方面另一方面從產品本從產品本身角度來看，人形機器人也存在不少的問題有待解決。身角度來看，人形機器人也存在不少的問題有待解決。

34、具體而言：具體而言：產業維度：產業維度：今年以來，國內針對人形機器人的政策走向更為積極的方向，包括對產業的頂層設計和產業鏈的各環節扶持都陸續出臺了相關政策，人形機器人的國內產業環境正逐步得到優化，我們認為，此舉或類似此前新能源車和光伏產業爆發前夕，政策的持續加碼下的產業正逐步走出平臺期、邁向下一階段。產品維度：產品維度：人形機器人按照系統進行劃分，可大致分為感知、控制、執行系統，其中感知和控制系統主要依賴算法、模型等軟件，執行系統則主要是通過執行器及其中的零部件來實現。軟件端，軟件端，隨著近年來大模型的爆發性發展，機器人的算法訓練、感知能力和人機交互等方面都得到極大地改善，可以說軟件端在這一輪

35、 AI 革命中迎來了奇點時刻，機器人作為 AI 技術的載體也跟隨 AI 的變革出現了巨大變化。硬件端，硬件端，相較于軟件端的問題不斷得到優化，機器人在下肢行走和手部集成等方面上仍存在一定的硬件問題。簡而言之，我們認為，雖然硬件端的問題有待完善，但受益于產業維度的政策催化和產品維度的軟件優化，人形機器人產業應該會比之前的三個發展階段“走得更快”，更多的優秀產品也有望加速落地，推動人形機器人最終走向人類社會。2.1.產業維度：國內政策不斷加碼 今年以來，針對機器人以及人形機器人的政策呈現顯著變化。今年以來，針對機器人以及人形機器人的政策呈現顯著變化。一是從數量維度來看，2023 年提出的相關文件明

36、顯要比往年更多，根據不完全統計，今年出臺的政策文件共計 6 份，而 2019-2022 年間共計出臺的相關政策文件才 8 份，可以看到國家在對機器人產業的扶持力度上不斷加碼；二是發布政策的部門由中央層面逐步擴散到地方層面，比如在 2019-2022 年，發行部門均為包括發改委、工信部、科技部等部委級以上的單位，但是今年以來，包括上海、深圳、北京等一線城市均出臺了相關的機器人行動方案，我們認為此舉意味著各地政府開始深入落實國家對于機器人產業的支持指導，有望加速機器人產業的落地，推動相關企業在主流城市的發展；三是從政策的內容來看，今年以來出臺的政策更多提及“人形機器人”這一概念，而非籠統的“機器人

37、”，比如北京的行動方案中，提及“對標國際領先人形機器人產品，支持企業和高校院所開展人形機器人整機產品、關鍵零部件攻關和工程化，加快建設北京市人形機器人產業創新中心，爭創國家制造業創新中心?！?，可以看出，政策的重點從最初聚焦在傳統工業機器人逐步擴散到人形機器人上面。圖圖 19：針對人形機器人的政策逐漸增多：針對人形機器人的政策逐漸增多 數據來源：政府網站，東北證券 進一步而言進一步而言，即使是今年發布的機器人政策也呈現出顯著變化即使是今年發布的機器人政策也呈現出顯著變化。我們將北京市在 6月 28 日發布的北京市機器人產業創新發展行動方案（20232025 年），與之前上海、深圳、山東等省市發布

38、的相關政策作對比，可以發現，最明顯的區別在于：之前的政策更多是立足在頂層設計維度對機器人及人形機器人產業作出指導，對產業在發展趨勢上提供了建議，而北京的行動方案除了頂層設計外，特別地將人形機器人產業鏈中重要的零部件單獨提出來，包括減速器、伺服驅動系統、控制器、傳感器、末端執行器等，對其也同樣提出了對應的指導意見。我們認為，北京的行動方案有著更為重要的意義，一是代表著產業政策從頂層設計落腳到具體的產業鏈環節，為各地方政府對相關企業的扶持提供了更為明確的指導和要求，加速具體細則的落地；二是重點提及人形機器人產業鏈中的關鍵環節，對技術難度大且價值量高的零部件環節和企業提供支持，有望進一步完善我國人形

39、機器人產業鏈，為后續產業鏈降本奠定基礎，加速下游人形機器人產品的迭代和商業化落地。表表 1：北京市機器人產業創新發展行動方案（北京市機器人產業創新發展行動方案（20232025 年）年）部分內容部分內容 零部件零部件 文件內容文件內容 減速器減速器 研發旋轉矢量（RV）、諧波等減速器先進設計技術和精密加工工藝，突破高強度耐磨材料、精密機加工、高精度裝配、高速潤滑、高效熱管理、先進檢測等技術瓶碩提高產品可靠性和穩定性 伺服驅動系統伺服驅動系統 突破高磁性材料、高精度編碼器等技術，提升伺服電機結構設計、制造工藝、自整定水平和熱控制能力，研制高精度、高功率密度和耐劇烈速度波動的伺服電機、驅動器及制動

40、器 控制器控制器 研發振動抑制、慣量動態補償、復雜運動控制等智能算法，研制多處理器并行、高實時性控制器。提升控制軟件架構設計、任務調度等能力。研發機器人實時操作系統、系統仿真軟件、機器視覺算法平臺軟件等。開發機器人控制高性能模擬仿真環境和自動離線編程技術增強人機交互和二次開發能力 傳感器傳感器 攻克力、熱、光、電等先進傳感器設計、制造、封測技術優化精密加工工藝。提升微機電系統（MEMS）的工藝穩定性和良品率，研制 3D 視覺、熱成像、六維力、激光雷達等傳感器，加快突破肌電、腦電等前沿傳感器技術 末端執行器末端執行器 提升末端執行器研發設計能力，提高柔性操作性能和荷載水平，研制靈巧五指手、柔性夾

41、爪、范德華力吸附式末端夾爪、氣炭式末端夾爪等促進模塊化、通用化發展。數據來源：政府網站，東北證券 2.2.產品維度：軟件端迎來奇點，硬件端有待優化 2.2.1.軟件端：AI 賦能機器人 在人形機器人的產品層面，軟件端的變化顯得尤為突出，特別是 AI 技術的發展，逐步滲透到機器人研發和生產中，并在算法訓練、感知能力、人機交互等多個維度對人形機器人產生重大影響。2.2.1.1.算法訓練 在現實世界中構建機器人需要從頭開始創建數據集，這樣做既耗時又耗費成本，并且訓練速度較慢。開發人員為了降低成本并加快訓練，逐步開始采用合成數據生成（SDG）、預訓練 AI 模型（pretrained AI model

42、s）、機器人仿真（robotics simulation）、遷移學習（transfer learning）等一系列工具。而以英偉達、谷歌為代表的大廠近幾年而以英偉達、谷歌為代表的大廠近幾年在這些工具開發上均取得較好進展在這些工具開發上均取得較好進展，為機器人客戶在研發和訓練上提供更為成熟的，為機器人客戶在研發和訓練上提供更為成熟的工具。工具。1）英偉達 Isaac 是英偉達是英偉達推出的一款專門用于機器人環境模擬的引擎，提供從數據合成和訓推出的一款專門用于機器人環境模擬的引擎，提供從數據合成和訓練、到仿真和測試的全流程配套支持，他融合了機器人相關的深度學習、強化學習、練、到仿真和測試的全流程配

43、套支持，他融合了機器人相關的深度學習、強化學習、SLAM、圖像處理等的算法。、圖像處理等的算法?；谟ミ_強大的硬件支持，相較于此前常用的仿真器（VREP、ROS 等），Isaac 在性能、算法、渲染效果、生態支持等維度都明顯更為出色。數據合成：數據合成：Isaac Sim 是英偉達的一個機器人模擬應用程序及合成數據生成的工具，而 Isaac Sim Replicator 作為其中用于合成數據生成的引擎，可以生成物理級精確的 3D 合成數據，用以加速 AI 感知模型的訓練和性能。模型訓練：模型訓練：NVIDIA NGC 匯集了通過 GPU 優化的 AI 軟件、模型和 Jupyter Noteb

44、ook 示例，包括各種預訓練模型以及為 NVIDIA AI 平臺優化的 AI 基準和訓練方式。研發人員通過 NVIDIA NGC 選擇合適的預訓練 AI 模型后，通過NVIDIA TAO 進行進一步的訓練和微調（NVIDIA TAO 作為一個可使用自定義數據訓練、調整和優化的框架，使用 NVIDIA TAO 工具包能幫助研發人員微調 NVIDIA NGC 目錄中的預訓練 AI 模型）。仿真和測試：仿真和測試：研發人員通過使用仿真器，檢測物體之間的潛在碰撞和識別碰撞物體之間的接觸點，并計算機器人的傳感器信號，借此來構建虛擬場景，在這個虛擬世界中，開發人員創建了機器人、環境以及機器人可能遇到的其他

45、資產的數字版本。這些環境可以遵守物理定律，并模仿現實世界的重力、摩擦、材料和照明條件。在所構建的虛擬場景中，研發人員通過此前搭建的預訓練模型進行運動規劃和任務規劃，并讓機器人執行任務。在對虛擬場景中執行任務的機器人進行多次試錯和調整，以此不斷優化控制信號，從而驗證和優化機器人的設計、系統及其算法，為機器人在現實世界執行任務實現最高效率打下基礎。至此，英偉達的至此，英偉達的 Isaac 平臺從數據合成、模型訓練到仿真測試等提供了全流程的配平臺從數據合成、模型訓練到仿真測試等提供了全流程的配套支持，幫助機器人客戶實現套支持，幫助機器人客戶實現 0-1 構建一個機器人，并大大降低了訓練的成本和提構建

46、一個機器人，并大大降低了訓練的成本和提高了機器人訓練的速度。高了機器人訓練的速度。圖圖 20：Isaac 的基本框架的基本框架 數據來源：Nvidia 官網，東北證券 圖圖 21：Isaac 可實時渲染來自傳感器上的物理數據可實時渲染來自傳感器上的物理數據 圖圖 22：Isaac 通過構建虛擬場景進行測試通過構建虛擬場景進行測試 數據來源：Nvidia 官網，東北證券 數據來源：Nvidia 官網，東北證券 2）谷歌 2023 年 6 月 20 日，發布名為 Robocat 的 AI 模型，作為世界上第一個能解決和適應多種任務的模型，能安裝在不同的現實機器人上使用。Robocat 是一個用于機

47、器人是一個用于機器人操作的能實現自我迭代的智能體，可以在虛擬和現實世界中實現多項任務，包括對操作的能實現自我迭代的智能體，可以在虛擬和現實世界中實現多項任務，包括對文字、圖像、語音等的處理。文字、圖像、語音等的處理。Robocat 最大的特點是在于“自我迭代”，所謂的自我迭代是指基于一定數量的源于現實世界的數據集，對該數據集進行微調后衍生出新的數據集，將現實世界和衍生出來的數據集進行融合，并在此基礎上進行新的訓練，以此循環反復繼而不斷擴充智能體的學習數據。具體來說，每個新任務的學習遵循5 個步驟：1.使用由人類控制的機械臂收集 100-1000 個新任務或機器人的演示；2.在這個新的任務/手臂

48、上微調 RoboCat，創建一個專門的衍生代理；3.衍生代理在這個新任務/手臂上平均練習 10000 次，生成更多的訓練數據；4.將演示數據和自生成數據整合到 RoboCat 現有的訓練數據集中；5.在新訓練數據集上訓練新版本的 RoboCat。而且這樣的“自我迭代”具備良性循環的訓練：學習的新任務越多，它學習其他新任務的能力就越好。RoboCat 的初始版本在以前看不見的任務上只有 36%的時間成功，每個任務從 500 個演示中學習。但是最新的 RoboCat，它已經訓練了更多樣化的任務，在相同的任務上，成功率增加了一倍多。簡而言之，簡而言之，RoboCat 作為目前為止機器人控制作為目前為

49、止機器人控制 AI 模型的“最優形態”模型的“最優形態”，核心優勢在，核心優勢在于于在在合成數據生成維度的合成數據生成維度的跳躍式發展跳躍式發展，能快速根據模擬和現實世界中收集到的圖像，能快速根據模擬和現實世界中收集到的圖像和動作數據進行訓練，大大降低了機器人對新任務的學習時間和障礙，極大地提高和動作數據進行訓練，大大降低了機器人對新任務的學習時間和障礙，極大地提高了訓練效率。了訓練效率。圖圖 23：RoboCat 的訓練周期的訓練周期 圖圖 24：訓練的成功率隨著訓練次數的增多而提高：訓練的成功率隨著訓練次數的增多而提高 數據來源：Deepmind 官網，東北證券 數據來源：Deepmind

50、 官網，東北證券 2.2.1.2.感知能力 人形機器人的感知是指通過各種傳感器的信息收集，將被測量的環境信息轉化為電信號或其他所需的形式，然后經過數據處理階段，輸送到不同的感知算法，為機器人后續的規劃、控制階段提供支持。機器人的傳感器按照類別可以分為多種，包括視覺傳感器、力矩傳感器、觸覺傳感器、聽覺傳感器等，雖然每個傳感器的功能都不一，但是當機器人執行某一動作時有可能需要同時用到多種傳感器的信息，比如用于識別環境時，需要使用攝像頭、激光雷達、毫米波雷達等傳感器，機器人才能比較精準地確定物體的信息并進行后續的操作。因此，如何融合多個傳感器的信息，因此，如何融合多個傳感器的信息，并通過并通過感知感

51、知算法同時處理多維度信息，是人形機器人在運動規劃和感知能力上需要算法同時處理多維度信息，是人形機器人在運動規劃和感知能力上需要解決的問題。解決的問題。多傳感器融合（多傳感器融合（Multi-sensor Fusion,MSF），是指利用計算機技術，將來自多傳感），是指利用計算機技術，將來自多傳感器或多源的信息和數據以一定的準則進行自動分析和綜合，以完成所需的決策和估器或多源的信息和數據以一定的準則進行自動分析和綜合，以完成所需的決策和估計而進行的信息處理過程。計而進行的信息處理過程。和人的感知相似，不同的傳感器擁有其他傳感器不可替代的作用，當各種傳感器進行多層次，多空間的信息互補和優化組合處理

52、，最終產生對觀測環境的一致性解釋。傳感器融合能幫助機器人提高識別精度、增強魯棒性、擴展覆蓋范圍。AI 大模型大模型將優化多傳感器將優化多傳感器融合技術融合技術。按照信息融合架構進行劃分，可以將傳感器融合技術分為分布式、集中式和混合式，或者可以分為后融合算法和前融合算法，或者可以分為數據級、特征級和決策級融合。其中，目前常用的是分布式/后融合算法，其核心思想是每個傳感器都有自己獨立處理的目標數據，融合模塊將對各傳感器的濾波結果進行有效結合，而集中式/前融合算法則相反，使用一個感知算法對多維綜合感知數據進行處理。在以往算力受限和模型發展不成熟的情況下，使用分布式/后融合算法能在犧牲一定精度的同時降

53、低算法復雜度，但由于不同傳感器的數據類型不一，系統穩定性也會因此受到影響，而且受限于單一類型傳感器的能力上限，后融合算法會導致特定條件下的偶發性漏檢或誤檢。而隨著算力的提升和多模態大模型的發展，而隨著算力的提升和多模態大模型的發展，數據級數據級/集中集中式式/前融合算法的缺點有望得到彌補，比如集中式融合存在因中央處理單元性能不足前融合算法的缺點有望得到彌補，比如集中式融合存在因中央處理單元性能不足導致通信延遲和計算瓶頸的問題，而導致通信延遲和計算瓶頸的問題，而 AI 大模型的算力提升將解決這一點，從而將大模型的算力提升將解決這一點，從而將目前主流的融合算法方案從后融合目前主流的融合算法方案從后

54、融合/分布式分布式/決策級推向前融合決策級推向前融合/集中式集中式/數據級，數據數據級，數據級的傳感融合也能減少感知過程中原始數據的信息損失級的傳感融合也能減少感知過程中原始數據的信息損失而提高感知精度，提高數據而提高感知精度，提高數據處理的準確性處理的準確性。圖圖 25：后融合算法：后融合算法 圖圖 26：數據級融合：數據級融合 數據來源：CSDN，東北證券 數據來源：CSDN，東北證券 基于基于 TransFormers 模型的多傳感器融合技術率先在自動駕駛領域得到應用。模型的多傳感器融合技術率先在自動駕駛領域得到應用。TransFormers 作為可能取代 CNN 和 RNN 的深度學習

55、模型，能快速地完成對大量數據的特征提取，使得大模型在多模態信息處理上的能力得到不斷強化。而TransFormers 需要海量訓練數據，而大模型和更大參數量級的發展將推動TransFormers 模型的完善，驅動數據級的感知算法進一步優化。特斯拉在 2021 年的AI Day 上率先發布 BEV+TransFormers 算法，基于“輸入-提取-轉換-融合-時序-輸出”的思路，實現“2D-3D-4D”的轉換。圖圖 27：TransFormers 的整體架構的整體架構 圖圖 28：BEV+TransFormers 數據來源：CSDN，東北證券 數據來源：CSDN，東北證券 2.2.1.3.人機交互

56、 AI 大模型對機器人在人機交互層面的影響除了能實現更好的對話交流，讓機器人執行語言任務外，更為重要的影響是在于能將人類傳遞的自然語言轉化為執行任務的指令，讓機器人能根據指令反饋物理操作。1）語言任務 近年來，大型語言模型（LLM）在語言生成和理解方面取得了重大進展，LLM 的使用幫助機器人更好地理解和學習人類語言，并根據人類的意圖和語氣，進行語音交流和反饋。比如，波士頓動力將 ChatGPT 安裝到機器狗 Spot 中，Spot 能根據工作人員的問題作出相應的回答，并且能根據機器狗自身的實際情況，將信息反饋給工作人員，例如當被問及下一次任務的檢查次數時，Spot 能準確回答次數。除了能反饋語

57、音信息外，機器人還可以根據所表達的語言，傳遞面部表情，例如，Engineered Arts 將 GPT-4 接入到 Ameca 中，Ameca 不僅能流暢地和人類進行交流，還會根據聊天的內容作出相應的面部表情，包括皺眉、吃驚、生氣、眨眼等。圖圖 29：波士頓動力機器狗接入：波士頓動力機器狗接入 Chat gpt 后，實現與后，實現與工作人員的直接對話工作人員的直接對話 圖圖 30：Ameca 能做出一系列豐富的面部表情能做出一系列豐富的面部表情 數據來源：波士頓動力官網，東北證券 數據來源：Engineered Arts 官網，東北證券 2）物理任務 更進一步而言，我們其實不僅希望 LLM 在

58、機器人中的角色僅僅作為一個“語音助手”，對外界輸入的信息作出包括語言、圖片甚至表情等的輸出反饋，更是希望輸入的語音信息如何轉化為能使機器人主體在現實世界中作出物理行為。簡單來說，簡單來說，我我們希望們希望 LLM 幫助機器人幫助機器人實現與人的對話互動，以及更為重要的動作互動實現與人的對話互動，以及更為重要的動作互動。如何實現機器人與環境的物理交互，如何實現機器人與環境的物理交互，谷歌在谷歌在今年推出的視覺語言模型今年推出的視覺語言模型 PaLM-E 給出給出了答案。了答案。PaLM-E 作為一個具備 5620 億個參數，集成了視覺和語言，用于機器人控制的視覺語言模型（VLM），與 LLM 不

59、同之處在于其對物理世界的感知。PaLM-E能驅動機器人執行任務，比如當人類給機器人一個高級指令，PaLM-E 可以為機器人將這一指令生成行動規劃，然后讓機器人親自執行。為什么 PaLM-E 能實現這樣的功能？具體來說，PaLM-E 是基于谷歌現有的大型語言模型 PaLM，通過添加感官信息和機器人控制而迭代生成的。因此：一方面，它具備一方面，它具備大型大型語言模型的功能。語言模型的功能。通過語言模型將指令分解為一系列文本步驟，同時訓練人員會為機器人預先提供一個基礎技能庫，這個技能庫包含了一系列的“原子”技能，每個“原子”技能對應執行一個短任務。因此當機器人接受到高級指令時，會通過 LLM 將其拆

60、分為多個簡單動作，而且這些簡單動作已經存在于訓練集中，機器人只需要把對應的動作從訓練集中摘取出來，組成一套行為步驟即可。另一方面另一方面，它具備分析圖像和傳感器數據的能力。，它具備分析圖像和傳感器數據的能力。通過分析機器人相機收集的數據，PaLM-E 可以將這些圖像、語音之類的數據，編碼成一系列與語言標記大小相同的向量，類似語言模型處理語言數據一樣處理感官數據。最后，通過神經網絡對機器人實現控制。簡而言之，要實現機器人的動作互動，一是要通過 LLM 使機器人理解人類的自然語言，二是通過 VLM 使機器人實時理解周圍的環境以便后續的任務操作。因此，因此，在未來，“在未來，“LLM+VLM”將成為

61、機器人作為一個智能體能夠推理環境、任務，并完”將成為機器人作為一個智能體能夠推理環境、任務，并完全根據語言采取行動的核心框架。全根據語言采取行動的核心框架。圖圖 31：谷歌打造的以語言為中心的智能體框架谷歌打造的以語言為中心的智能體框架 數據來源：Towards A Unified Agent with Foundation Models，東北證券 圖圖 32：研究人員使用：研究人員使用 LLM 將給定的高級指令拆分將給定的高級指令拆分為具體的行動規劃為具體的行動規劃 圖圖 33：研發人員展示研發人員展示 PaLM-E 如何分步驟控制機器如何分步驟控制機器人執行任務人執行任務 數據來源：Lan

62、guage models as zero-shot planners:Extracting actionable knowledge for embodied agents，東北證券 數 據 來 源：PaLM-E:An Embodied Multimodal Language Model，東北證券 但是但是，上述的做法存在一個較大的問題，萬一拆分出來的短任務并沒有出現在數據上述的做法存在一個較大的問題，萬一拆分出來的短任務并沒有出現在數據集中，那如何處理？集中，那如何處理？即當面對沒有預訓練樣本的行為動作，機器人該如何執行相應即當面對沒有預訓練樣本的行為動作，機器人該如何執行相應任務。任務。針

63、對這一問題，學術界最近也提出了新的解決方案，2023 年 7 月 12 日，李飛飛團隊發布最新成果展示：通過大模型的接入，能直接將復雜指令轉化為具體行動規劃，而無需額外的數據和訓練。換句話來說，當人類通過自然語言向機器人發出指令后，機器人通過視覺系統識別物體并進行行動規劃，然后在沒有預訓練的基礎上執行了任務。相較于傳統方法需要進行預訓練，這相較于傳統方法需要進行預訓練，這一一成果最大的特點是，機器人能在零樣本的基成果最大的特點是，機器人能在零樣本的基礎上執行任務操作，極大地解決了機器人訓練數據稀缺性的問題礎上執行任務操作，極大地解決了機器人訓練數據稀缺性的問題。那么如何通過大模型實現這樣的效果

64、呢？具體而言，通過名為 VoxPoser 的系統將任務指令分為三個主要步驟：首先，收集信息，包括通過相機收集環境信息和通過語音系統收集人類語音指令；其次，通過 LLM 將自然語言編寫成代碼，并將生成的代碼與 VLMs 進行交互，指導系統生成相應的操作指示地圖（3D Value Map）；最后，通過動作規劃器，將生成的 3D 地圖作為其目標函數，并最終合成要執行的操作軌跡。這一整套流程的核心這一整套流程的核心思想思想，其實是，其實是運用運用 VoxPoser 將將 LLM 生成的代碼，與生成的代碼，與 VLM 進進行交互，將圖像和文本映射到同一個語義空間，生成一系列的行交互，將圖像和文本映射到同

65、一個語義空間，生成一系列的 3D 值地圖值地圖。比如，給出一個指令“拿起水杯”，LLM 會將這個指令生成一串代碼，并依據代碼調研 VLM的 API，找到環境中最可能是水杯的物體，給予他一個最高值，同時給予水杯周圍其他物體一個低值或負值，從而生成 3D 地圖。圖圖 34：VoxPoser 的具體流程和操作展示的具體流程和操作展示 數據來源：VoxPoser:Composable 3D Value Maps for Robotic Manipulation with Language Models，東北證券 2.2.2.硬件端：零部件有待優化 人形機器人的執行系統由多個執行器組成，而執行器主要安裝

66、在機器人的雙臂和雙腿，幫助機器人實現手部操作和腿部移動的兩個主要功能，因此機器人的硬件端問題主要集中在上肢的手部和下肢的腿部兩個部位。2.2.2.1.下肢：行走穩定性 雖然已經有以 Atlas 為代表的機器人能實現十分炫酷的奔跑、跳躍等動作，但其實目前對于大部分雙足人形機器人而言，行走穩定性仍然難以保證，特別是針對非直線平面的環境，機器人因為感知、規劃等問題仍會出現失去平衡等現象，而且使用雙足行走的機器人目前行走緩慢，最高行走速度也只有 1-2m/s，比如 Optimus 最高時速為 5 英里/小時、Atlas 時速為 2.5m/s、CyberOne 時速為 3.6km/h 等。因此，對于人形

67、機器人而言，首要問題仍是使機器人“像人一樣行走”-在各種環境中平穩行走甚至奔跑，同時還擁有較快的速度。而目前看來，從腳部的而目前看來，從腳部的傳感器傳感器、驅動器驅動器的的方案方案到控制器的算法規劃到控制器的算法規劃，都有待進一步完善的地方。，都有待進一步完善的地方。下面我們主要討論硬件端的下面我們主要討論硬件端的問題及解決方案，即驅動器和傳感器的情況。問題及解決方案，即驅動器和傳感器的情況。1）驅動器驅動器 存在的問題：存在的問題：反射慣性大。反射慣性大。為了實現動態任務，機器人的驅動系統需要發揮出與機器人總重量相匹配的力，換句話來說，就是機器人的下肢需要較高的力密度。一般而言，增加執行器的

68、轉矩密度比較常用的方案是增加減速器的傳動比，但這樣做的缺點是增加傳動比的同時會增加關節中的摩擦力和轉子的反射慣性，從而降低肢體的反向驅動能力及其調節和減輕沖擊的能力。而且更為重要的是，傳動比不能無限地增加，因為反向驅動性能的下降速度是要明顯快于扭矩密度的增加速度。簡單來簡單來說，說，目前常用的目前常用的高齒輪減速比的方案（比如諧波減速器高齒輪減速比的方案（比如諧波減速器+力矩傳感器）可以使得機力矩傳感器）可以使得機器人的扭矩密度在有限范圍內增大，器人的扭矩密度在有限范圍內增大，但同時由于其摩擦力增大和脆弱性提高，機器但同時由于其摩擦力增大和脆弱性提高，機器人只能比較緩慢地行走。人只能比較緩慢地

69、行走。解決解決方案方案：針對這個問題，目前學術界也提出多種方案，比如在Design of a Highly Dynamic Humanoid Robot中也提到，使用氣隙電機+行星減速器的方案能減少因沖擊負載而對齒輪造成的損害，一是隨著氣隙半徑的增大，能在產生相同峰值扭矩和反射慣性的情況大大降低齒輪減速比，二是行星減速器依靠更小的齒隙和摩擦，能提高反向驅動力，減少沖擊力對齒輪的損害；在Tello Leg:The Study of Design Principles and Metrics for Dynamic Humanoid Robots一文中提到，使用協同驅動的設計原理，能在產生較大的力

70、的同時最大限度減少反射慣性，具體來說，在不顯著增加反射慣性的情況下降低對電機的扭矩要求，方法的核心思想是通過組合多個電機來同時驅動機器人肢體的多個關節；另外，包括串聯彈性致動器（SEA，即在齒輪箱和載荷之間放置彈性元件從而減少齒輪箱上受到的沖擊載荷）、本體驅動器（Proprioceptive actuators，即使用電機的電流來估計致動器的轉矩輸出從而降低反射慣性提供抗沖擊性能）以及液壓驅動（即波士頓動力使用的方案）等方案也被逐步應用到機器人上。另外，除了驅動器的方案選擇外，包括下半身的散熱系統、各關節的結構設計（髖關節、膝關節和踝關節）也對驅動器的性能以及機器人的雙腿行走產生較大影響，在機

71、器人設計時也需考慮到這些零部件的情況。圖圖 35：目前主流的四種驅動器：目前主流的四種驅動器 圖圖 36：四種驅動器的性能對比四種驅動器的性能對比 數據來源：Design of a Highly Dynamic Humanoid Robot，東北證券 數據來源：Design of a Highly Dynamic Humanoid Robot，東北證券 圖圖 37：諧波減速器（上）、諧波減速器（上）、RV 減速器（中）、行星減減速器（中）、行星減速器（下）速器（下）圖圖 38：電機以差動配置布置，在不顯著增加反射慣電機以差動配置布置，在不顯著增加反射慣性情況下增加肢體的受力能力性情況下增加肢體

72、的受力能力 數據來源：百度，東北證券 數據來源：Tello Leg:The Study of Design Principles and Metrics for Dynamic Humanoid Robots，東北證券 2）力矩傳感器力矩傳感器 存在的問題：存在的問題：負載能力不足。負載能力不足。安裝在機器人腳部的力矩傳感器是最基本的傳感器，他的作用是測量施加在其腳上的地面反作用力和力矩，進而用于計算零點矩點，作為控制機器人行走穩定性的重要參數。但是基于傳感器中的彈性體設計等因素，六維力矩傳感器在剛度、測量精確性、靈敏度等存在不足。特別是剛度問題，根據數特別是剛度問題，根據數據統計，目前六維力

73、矩傳感器的最大據統計，目前六維力矩傳感器的最大力力負載一般僅為機器人重量的負載一般僅為機器人重量的 1-2 倍倍（當面臨（當面臨外部干擾或者變化復雜的地面環境外部干擾或者變化復雜的地面環境時時，載荷也隨之下降），載荷也隨之下降），一旦承受超出這一范圍，一旦承受超出這一范圍的沖擊力的沖擊力（機器人（機器人奔跑奔跑時的負載范圍時的負載范圍較步行較步行時更小時更?。?，傳感器或出現故障并影響機，傳感器或出現故障并影響機器人的行走。器人的行走。另外，傳感器中的扭矩范圍也受到機器人重量和腳部尺寸的限制，一般而言，腳踝扭矩要求不大于機器人重量和腳部尺寸的乘積。圖圖 39：行走速度越快，機器人受到的地面反作用

74、力：行走速度越快，機器人受到的地面反作用力（GRF）也越高也越高 圖圖 40：不同機器人配置的傳感器負載范圍不同機器人配置的傳感器負載范圍（GRF range factor）為為 1-2，即機器人行走或奔跑時，傳感，即機器人行走或奔跑時，傳感器能感知的最大的力為器能感知的最大的力為自身自身重量的重量的 1-2 倍倍 數據 來源：Multi-Axis Force-Torque Sensors for Measuring Zero-Moment Point in Humanoid Robots:A Review，東北證券 數據來 源：Multi-Axis Force-Torque Sensors

75、for Measuring Zero-Moment Point in Humanoid Robots:A Review，東北證券 解決方案：解決方案：為了避免傳感器在意外情況下受到損壞，目前業界一般采用過載保護機制+安裝沖擊吸收部件的組合方案，一是過載保護機制，通過制動器來實現斷開保護，二是在傳感器中安裝沖擊吸收部件以減輕機器人接觸地面時的反作用力，比如安裝阻尼器、記憶材料、液壓減震器、彈簧等。在Design of a Highly Dynamic Humanoid Robot中也提到，使用定制的足部傳感器僅測量腳趾和腳跟的垂直反作用力，附加一個六維的 IMU 用于測量地面的接觸狀態，這樣能減

76、少傳感器的受力負載，同時使用線切割來作為過載保護?？傮w而言，目前針對傳感器載荷能力的問題，要么采用減少維度的方式降低受力（比如使用三維力矩傳感器），要么采用增加結構件的方式緩沖受力，這兩種方法雖然一定程度上彌補了傳感器剛度不足的問題，但同時導致測量精度下降和腿部關節模組集成難度增大等問題，因此如何根據人形機器人的足部特點定制適合的傳感器，最大程度保證行走穩定性仍然需要學術界和業界的進一步探討。圖圖 41：安裝了沖擊吸收部件安裝了沖擊吸收部件的腳部結構的腳部結構，用以，用以吸收吸收機器人行走時傳遞的沖擊力機器人行走時傳遞的沖擊力 圖圖 42：帶有定制的足部傳感器的腳部結構帶有定制的足部傳感器的腳

77、部結構 數據 來源：Multi-Axis Force-Torque Sensors for Measuring Zero-Moment Point in Humanoid Robots:A Review，東北證券 數據來源：Design of a Highly Dynamic Humanoid Robot，東北證券 2.2.2.2.手部：零部件集成 如果說實現雙腿的平穩行走是人形機器人的第一功能和要求，那么將機器人推向商業化的核心就是如何通過機器人的雙臂執行任務來實現機器人的商用價值。人形機器人的雙臂是實現大部分工業操作的工具，因此對雙臂的要求主要集中感知物體和承載物體兩個維度，前者幫助機器人

78、在執行任務前識別所需要操作的目標，后者幫助機器人在工業流程中應對各種任務。具體到硬件端，基于工業機械臂的成熟工藝，機器人在手部構成上可借鑒機械臂的技術，而區別在于人形機器人對于精細化操作要求更高，因此需要在傳感器上進一步優化。目前機器人的主要問題體現在傳感器目前機器人的主要問題體現在傳感器上上，雖然和腿部的硬件類似，但是手部對于傳感器，雖然和腿部的硬件類似，但是手部對于傳感器的的要求與上述談到的腿部部分有要求與上述談到的腿部部分有所不同。所不同。1）傳感器傳感器 人形機器人的靈巧手安裝有多個不同的傳感器，以騰訊的 TRX-Hand 為例，手指就結合了視覺、接近覺、觸覺和力覺傳感器，而其中觸覺和

79、力矩傳感器是大多數靈巧手都會配置的，用以在接觸物體時，獲取物體的位置、形狀和受力等信息，使機器人能感知物體的狀態并在物體交互時更為輕柔和自然。圖圖 43：騰訊靈巧手：騰訊靈巧手 TRX-Hand 圖圖 44：騰訊機械臂：騰訊機械臂 TRX-Arm 數據來源：騰訊 RoboticsX 實驗室，東北證券 數據來源：騰訊 RoboticsX 實驗室，東北證券 存在的問題：存在的問題：集成難度大。集成難度大。相對于腿部而言，手部對傳感器的集成有更高的要求。比如手部一般具有 10-12 個自由度，這就意味著需要將 10-12 組關節模組（包括驅動器、傳感器和結構件等零部件）都集成到手掌，這大大提高了對零

80、部件的體積和重量的要求。進一步而言，光是將觸覺傳感器集成到手指和指尖就存在不少問題，比如機器人的手和人類指骨有所不同，前者的手指近端和中端的距離要比人類的短，接觸面積的縮小導致連接困難，而且由于靈活性的原因，觸覺傳感器不能完全覆蓋手指鏈接之間的空白區域。又比如，觸覺傳感器的觸覺元件增多會導致讀取和傳輸數據的導線增多，導線數量越多集成難度越大，而將并行連接改為串行連接可以減少導線數量，但會導致傳輸速率變慢，等等。解決方案解決方案：針對集成問題，目前逐漸被市場所接受的是通過 3D 打印技術將傳感器嵌入機器人的手指，傳感器之間的緊湊性、堅固性以穩定性也因此得到提高，常用的材料包括 TPU、炭黑、CN

81、T 等。另外，研究人員也提出使用欠驅動運動（underactuated movements，當致動器數量小于自由度時，機器人系統就被稱為欠驅動系統）,通過減少致動器數量并簡化結構來實現自適應抓取，將驅動力傳遞給欠驅動關節，從而簡化了機械手的組裝，以降低集成難度和成本，等等。圖圖 45：人類手指和機器人手指之間接觸表面的差異人類手指和機器人手指之間接觸表面的差異 圖圖 46：具有內在觸覺的具有內在觸覺的 3D 打印手掌、內部結構以打印手掌、內部結構以及及 3D 打印制造步驟打印制造步驟 數據來源：百度，東北證券 數 據 來 源：Robotic Hands with Intrinsic Tacti

82、le Sensing via 3D Printed Soft Pressure Sensors，東北證券 3.未來未來：應用場景：應用場景&市場空間市場空間 人形機器人的應用場景會是哪里？人形機器人的應用場景會是哪里？為什么在過去十年各家科技企業紛紛染指機器人賽道，并且花費大量的時間、成本和人力進行數次的試驗和測試。雖然現在基于高昂的成本和不成熟的技術，人形機器人的應用場景有限，短期也難以激起大量的市場需求，但是我們認為，正如馬斯克所說，當人形機器人成熟后，機器人的需求將遠超汽車等產品，屆時機器人的作用將作為人類的“替代工具”，替代人類在工業、家庭、商業中的部分功能，特別是成本、安全、健康等因

83、素導致人類無法勝任的工種，機器人的應用場景也遍布人類生活和工作的多個地方。比如，人工智能機器人公司 Figure 制造通用類人形機器人的目的就是為了解決勞動力短缺、人口老齡化、外太空探索等問題。因此，考慮到成本、需求以及容錯率等因素，因此，考慮到成本、需求以及容錯率等因素，我們認為，人形我們認為，人形機器人將率先在工業場景，特別是工廠中落地，隨后經過技術優化和成本下降，場機器人將率先在工業場景，特別是工廠中落地，隨后經過技術優化和成本下降，場景將逐步滲透到家庭和商用。景將逐步滲透到家庭和商用。圖圖 47：Figure 公司的企業愿景：替代勞動力、家庭服務、公司的企業愿景：替代勞動力、家庭服務、

84、外太空探索外太空探索 數據來源：Figure 官網，東北證券 3.1.工業場景：替代傳統工業機器人和人類勞動力 3.1.1.性能+成本優勢凸顯 在人形機器人中，未來率先應用的大概率會在工業場景，去取代重復、無聊、危險的工作，替代傳統工業機器人和人類勞動力。性能優勢下，機器人將性能優勢下，機器人將部分替代傳統工業機器人。部分替代傳統工業機器人?，F階段傳統工業機器人基本上能覆蓋工業制造中大部分的使用場景，那人形機器人取代的是哪部分工種呢？傳統工傳統工業機器人存在靈活性較差的問題。業機器人存在靈活性較差的問題。對于工業機器人而言，按照應用場景來分類，按照應用場景來分類，可以分為搬運、碼垛、分揀、焊接

85、、裝配、噴涂、切割、檢測等用途，目前主要以搬運和焊接為主，其他場景由于工業機器人的可移動性較差、安裝條件要求較高等原因無法較好地使用機器人。按照作業方式按照作業方式進行劃分，進行劃分，可以分為直角坐標、圓柱坐標、SCARA、多關節、協助機器人，除了協助機器人外，前 4 種屬于傳統工業機器人，這些傳統工業機器人存在的問題是，雖然可以按照需求開發新的功能，但是需要專業人員進行編程、測試、開發等一系列流程，靈活性較差，而協助機器人雖然操作簡單、編程方便，但是只適合用在任務簡單的工種，且屬于輕量級機器人，負載能力相對較弱。因此，歸納起來可以發現，傳統工業機器人的靈活性、易用性較差，因此，歸納起來可以發

86、現，傳統工業機器人的靈活性、易用性較差，難以滿足一些長尾和靈活性要求較高的工業需求。難以滿足一些長尾和靈活性要求較高的工業需求。圖圖 48：我國工業機器人以搬運和焊接為主：我國工業機器人以搬運和焊接為主 圖圖 49：按作業方式分類的工業機器人：按作業方式分類的工業機器人 數據來源：艾迪咨詢，東北證券 數據來源：艾迪咨詢，東北證券 人形機器人將作為傳統工業機器人的重要補充。人形機器人將作為傳統工業機器人的重要補充。人形機器人的優勢在于，在運動方面能像人一樣靈活移動，快速移動到工廠中各種場景，在任務執行中基于大模型訓練迭代后形成的自主決策能力，能針對各種工作和場景做出實時的反饋。簡單而言，人形機器

87、人在工業場景中，依靠更高階的自主決策能力和更靈活的移動方式，能較好地填補傳統工業機器人的不足、替代原本由人工操作的工作。圖圖 50：特斯拉：特斯拉 Optimus 在工廠展示分揀工作在工廠展示分揀工作 圖圖 51：波士頓動力：波士頓動力 Atlas 根據指令在工廠中靈活執根據指令在工廠中靈活執行任務行任務 數據來源：特斯拉官網，東北證券 數據來源：波士頓動力官網，東北證券 成本優勢下，機器人將成本優勢下，機器人將部分部分取代人類勞動取代人類勞動。海外高昂的勞動力成本使得機器人替代人工的優點越發凸顯。以美國為例，用工成本除了基本薪酬外，還包含稅收、福利、保險、培訓費用以及各種法律法規風險造成的潛

88、在成本。首先只粗略對比基本薪酬，根據美國勞工統計局數據，2023 年 5 月美國所有員工的實際平均工資為 28.83 美元/小時，聯邦規定的最低工資標準也達到 7.25 美元/小時，我們假設人形機器人的初期售價為 3 萬美元，按照 10 年折舊，每年工作 360*24h 進行計算，對應的用工成本僅為 0.35 美元/小時，遠遠低于最低工資標準，而按照敏感性分析，當機器人售價達到 20 萬美元且使用壽命僅為 3 年時，對應的用工成本才接近美國最低工資標準。當然，這樣計算存在不妥之處，比如人工勞動方面，包含稅費、福利和保險費用等各種成本并沒有考慮進去，而機器人方面也需進一步考慮機器人的電費、維修和

89、保養等各種費用。但總體而言，通過簡單的成本對比，我們仍能看到人形機器人在工業場景替代傳統勞動力的經濟性，未來即使由于各種原因并不能完全取代人類，但也能部分替代性價比更低的工種。搬運焊接裝配潔凈分揀加工其他 表表 2：機器人成本的敏感性分析機器人成本的敏感性分析（單位：美元（單位：美元/小時）小時）年限年限（年）（年）售價售價（萬美元）（萬美元）3 5 7 10 3 1.16 0.69 0.50 0.35 5 1.93 1.16 0.83 0.58 7 2.70 1.62 1.16 0.81 10 3.86 2.31 1.65 1.16 15 5.79 3.47 2.48 1.74 20 7.7

90、2 4.63 3.31 2.31 數據來源：東北證券 圖圖 52：美國員工平均工資約為美國員工平均工資約為 28.83 美元美元/小時小時 圖圖 53：2022 年歐盟的平均每小時勞動力成本估計為年歐盟的平均每小時勞動力成本估計為 30.5 歐元，歐元區為歐元，歐元區為 34.3 歐元歐元 數據來源：Bureau of Labor Statistics，東北證券 數據來源：Eurostat，東北證券 3.1.2.工業場景的市場空間 依靠上述的優勢，人形機器人在工業領域將逐步取代傳統工業機器人和人類勞動力。因此我們以工業機器人的保有量和勞動力數量為錨，假設人形機器人在工業機器人的滲透率將從 20

91、24 年的 1%逐步提升到 2030 年的 30%，同時假設單個人形機器人能取代2-5個人類勞動力且在勞動力的滲透率從2024年的0.0003%逐步提升到2030年的 0.1%。那么，對應那么，對應 2024 年工業領域的人形機器人出貨預計為年工業領域的人形機器人出貨預計為 1.6 萬臺萬臺，到，到 2030年這一數字將增加到年這一數字將增加到 328.4 萬臺，萬臺，CAGR 達達 143%。圖圖 54：全球工業機器人全球工業機器人保有量保有量 圖圖 55：全球：全球勞動力數量勞動力數量 數據來源：Wind，東北證券 數據來源：Wind，東北證券 表表 3：工業領域的人形機器人：工業領域的人

92、形機器人需求需求預測預測 2022E 2023E 2024E 2025E 2026E 2027E 2028E 2029E 2030E 替代傳統工業機器人替代傳統工業機器人 工業機器人保有量（萬臺）382.5 420.7 462.8 509.1 560.0 616.0 677.6 745.4 819.9 yoy 10%10%10%10%10%10%10%10%10%滲透率 0.3%1.0%5.0%10.0%20.0%25.0%30.0%人形機器人需求人形機器人需求量（萬臺）量（萬臺）1.2 5.1 28.0 61.6 135.5 186.3 246.0 yoy 340%450%120%120%3

93、8%32%替代人類勞動力替代人類勞動力 勞動力數量（億人）34.6 35.0 35.3 35.7 36.0 36.4 36.8 40.8 41.2 yoy 1%1%1%1%1%1%1%11%1%替代比例 2.0 2.0 3.0 3.0 5.0 5.0 5.0 滲透率 0.0003%0.0010%0.0050%0.0100%0.0500%0.0750%0.1000%人形機器人需求人形機器人需求量（萬臺）量（萬臺）0.4 1.8 6.0 12.1 36.8 61.2 82.4 yoy 304%237%102%203%67%35%工業領域人形機工業領域人形機器人總需求量器人總需求量（萬臺）（萬臺）1

94、.6 6.9 34.0 73.7 172.3 247.5 328.4 yoy 330%395%117%134%44%33%售價（萬美元）2.0 2.0 2.0 1.8 1.8 1.5 1.5 市場規模市場規模（億美元）（億美元）3.2 13.7 68.0 132.7 310.1 371.3 492.6 數據來源：東北證券 3.2.家庭&商用場景：成為人類生活的一部分 3.2.1.人機交互的價值體現 人形機器人有望成為人類日常生活重要構成。人形機器人有望成為人類日常生活重要構成。在 2023 年的特斯拉股東大會上，馬斯克表示，當Optimus成熟后，屆時機器人和人類的配置比例應該達到1:1甚至2

95、:1，-4%-2%0%2%4%6%8%10%12%14%16%18%050100150200250300350400全球工業機器人保有量（萬臺）yoy-2.0%-1.5%-1.0%-0.5%0.0%0.5%1.0%1.5%2.0%25272931333537全球勞動力數量（億人）yoy對應人形機器人的出貨將至少達到 100 億臺以上，因此機器人的需求將遠遠超過車，特斯拉的長期價值中的大部分也將來源于 Optimus。在老齡化日趨嚴重以及單身率持續攀升的社會上，越來越多的群體需要替代工具來實現部分人類的功能，比如陪伴、聊天、安撫等，而相較于普通的商品而言，人形機器人具有顯著優勢。人形機器人作為

96、AI 的重要載體之一，能搭載包括 ChatGPT等多種先進模型和技術，更好地識別環境和理解人類生活，實現和人類的日常對話、服務娛樂、陪伴看護等多種技能，將逐漸成為人類家庭和商業場景中重要組成部分，其作用和功能遠遠大于一般的商品。因此，長期來看，人形機器人有望成為解決人因此，長期來看，人形機器人有望成為解決人類部分心理需求的重要工具。類部分心理需求的重要工具。圖圖 56：我國老齡化趨勢越發明顯我國老齡化趨勢越發明顯（%）圖圖 57：分年齡段分受教育程度的人口單身率（分年齡段分受教育程度的人口單身率（%）數據來源：Wind，東北證券 數據來源：中國青年圖鑒：個體化明顯增強，單身、失婚“一人戶”大增

97、，東北證券 能能提供情緒價值提供情緒價值的機器人已逐步推出的機器人已逐步推出。能流利地和人類對話并提供情緒價值是機器人踏進人類生活的重要一步，而現今越來越多企業為人類生活陪伴推出了專門的聊天陪伴機器人，實現機器人與人類深層次的互動交流。比如，清寶引擎機器人團隊近期發布了“萌妹”機器人，后者具備完整的視覺和表情，皮膚采用特殊材質，能實現人機交互、人臉識別、情緒識別等功能。作為聊天陪伴機器人，“萌妹”能通過視覺識別和表情分析，了解人的情緒狀態，并結合語言模型，與人類進行實時的溝通交流，為人類提供情緒價值，解決精神層面的需求。又比如，樂森機器人公司發布的人形機器人巴斯光年，搭載了電影元素的配件，可實

98、現與人類進行語言互動，同時由于經過了多次大模型的訓練，能表現出 100 多種不同的情緒并且會根據實際的環境自動調用，而且基于手機上的 APP，機器人看到用戶就會主動發起聊天，并且還能通過聲紋識別不同的家庭成員，將聊天記錄儲存至不同模塊。0246810121416中國:人口結構:占總人口比例:65歲及以上中國:出生率圖圖 58：“萌妹”機器人“萌妹”機器人具備多種功能具備多種功能 圖圖 59：用戶可通過手機用戶可通過手機 App 選擇劇情讓機器人表演選擇劇情讓機器人表演 數據來源：清寶引擎機器人公司官網，東北證券 數據來源：樂森機器人官網，東北證券 3.2.2.家庭&商用場景的市場空間 考慮到人

99、形機器人的性能和成本問題，我們認為，成熟的能提供娛樂服務的人形機器人或將在工業類機器人模式跑通后，逐步滲透到家庭和商用場景。因此，我們以全球人口為錨（勞動力人口雖然和工業類有所重復，但機器人的用途不同），假設機器人的售價在 2 萬美元的水平時屬于小眾商品，而當售價逐步降低到和家用電器價格相當（比如 5000 美元以下）后，機器人將從小眾商品進化成通用產品，滲透率也逐步提升到 2030 年的 0.01%左右，對應出貨量將達到 43.5 萬臺。圖圖 60：全球服務機器人銷量（萬臺）：全球服務機器人銷量（萬臺）圖圖 61：全球服務機器人銷售額（億美元）：全球服務機器人銷售額（億美元）數據來源：Win

100、d，東北證券 數據來源：Wind，東北證券 0500100015002000250020042005200620072008200920102011201220132014201520162017201820190102030405060表表 4：家庭：家庭&商用領域的人形機器人商用領域的人形機器人需求需求預測預測 2022A 2023E 2024E 2025E 2026E 2027E 2028E 2029E 2030E 全球人口數量（億）80 79 80 81 82 83 84 85 86 yoy 1%-1%1%1%1%1%1%1%1%滲透率 0.000000%0.000000%0.000010%0.000200%0.000500%0.001000%0.002500%0.005000%0.010000%人形機器人累計量（萬臺）0 0 0.08 1.62 4.1 8.3 21 42.5 86 人形機器人出貨人形機器人出貨量（萬臺）量（萬臺）0 0 0.08 1.54 2.48 4.2 12.7 21.5 43.5 yoy 1825%61%69%202%69%102%售價（萬美元）2.0 2.0 2.0 1.8 1.8 1.5 1.5 市場規模市場規模（億美元）（億美元）0.2 3.1 5.0 7.6 22.9 32.3 65.3 數據來源：東北證券