购物车
我要投稿
版权投诉
2025-2030年中国铁路专用设备器材市场专题研究及市场
2025-12-11
机器人行业研究：垂直领域具身智能机器人的野望
- 2025-06-17 17:21:27上传人：笙歌**未央
-
Aa 小 中 大
垂直领域具身智能机器人，为什么是现在看好？“大脑”成熟度逐步提升，打造具身智能落地基础：机器人“大脑”主要功能包括实时交互、多模态感知、自主可靠决策、涌现和泛化等，产业从最基础的LLM（大语言模型）+VFM（视觉基础模型）过渡至VLM（视觉语言模型）多模态模型，并进一步增加运动控制实现VLA（视觉语言动作模型）
- 1.垂直领域具身智能机器人，为什么是现在看好？
- 1.1“大脑”成熟度逐步提升，打造具身智能落地基础
- 1.2垂直领域缺数据、推理慢、控制难等问题有望解决，加速产业化落地
- 1.2.1从场景获取真机数据，加速实现“数据飞轮”
- 1.2.2需要的模型更“小”，解决推理太慢痛点
- 1.2.3不追求人形形态，控制算法更成熟
- 2.哪些场景潜力 大？
- 2.1潜在场景寻找思路
- 2.1.1工业/服务机器人渗透率的逆向思考，工业机器人渗透率越低未来前景越大
- 2.1.2哪里“缺工”看哪里，三种机器人覆盖三种类型工作
- 2.2服装：主要针对缝纫环节，解决招工难、人工成本高等下游核心痛点
- 2.3康养：机器人最终进入家庭最优的过渡场景
- 2.4物流：国内外企业积极探索应用，解决拆零拣选等环节工作量大痛点
- 3.投资建议
- 4.风险提示
- 图表1： 机器人“大脑”技术架构
- 图表2： 机器人主要大模型
- 图表3： 谷歌SayCan模型基于 LLM+VFM来理解用户指令推理分解任务步骤
- 图表4： 清华大学 Vila算法采用 GPT-4V等VLM在复杂环境中主动进行任务规划
- 图表5： 谷歌RT-H模型能够将高层次任务映射为低层次运动，减少训练需要的数据
- 图表6： 目前预训练大模型研究发展迅速，显著提高了机器人感知、决策、控制能力
- 图表7： “数据飞轮”是机器人产业具有巨大成长性的底层逻辑
- 图表8： 傅利叶开源机器人数据集 Fourier ActionNet首批上线超 3万条真机训练数据
- 图表9： 解决数据瓶颈的常用方法
- 图表10： 智元数据采集工厂
- 图表11： 垂直场景部署让训 练数据结构从“正三角”转为“倒三角”
- 图表12： 模型训练的性能随着计算量、参数量、数据量的增加而提升
- 图表13： 目前机器人大模型普遍推理时间较长，实时性还有较大改善空间
- 图表14： Figure通过加入一个更小模型的方式来解决推理速度太慢的问题
- 图表15： 垂直大模型更适合特定场景应用
- 图表17： 人形机器人仅下肢就有 14个自由度，控制难度大幅增加
- 图表18： 双足行走的过程较为复杂
- 图表19： 双轮类人机器人可以简化为两轮倒立摆运动学模型
- 图表20： EVE搭载的世界模型已经可以根据动作指令生成控制轨迹完成移动
- 图表21： 如果是仅有上肢的机器人在运动控制上可以沿用工业机器人的策略
- 图表22： 华中数控开发的具身智能工作站
- 图表23： 拓斯达双机械臂联动控制
- 图表24： 中国工业机器人密度赶超日本，制造业自动化水平较高
- 图表25： 汽车等标准化程度较高的制造业领域已经实现了工业机器人的大规模应用
- 图表26： 工业机器人目前在较多细分行业的覆盖场景和应用深度有限
- 图表27： 服务业中仅物流仓储、酒店机器人应用比例较高
- 图表28： 汽车行业由于标准化工业机器人渗透率最高
- 图表29： 在垂直大模型加持下即使是工业机器人也可以面向更加柔性的场景
- 图表30： 4Q2022“最缺工”职业排行
- 图表31： 在“缺工”背景下机器人渗透率有望快速提升
- 图表32： 缝中环节是服装厂实现全面自动化的瓶颈
- 图表33： 目前服装厂可以实现缝前、缝后的高自动化，缝中主要依靠人工
- 图表34： 模板机自动化程度更高，但上下料还是需要人工操作
- 图表35： 布料属于接触丰富型柔性物体，机器人的应用具有一定难度
- 图表36： 帕西尼灵巧手传感器可实现不同布料材质识别
- 图表37： 1X展示了世界模型生成布料折叠长时程任务能力
- 图表38： FLIP框架提升了长时程视频规划合成成功率与质量
- 图表39： FLIP框架在布料折叠任务中可以生成长期规划方案
- 图表40： 基于人类演示数据完成布料折叠训练
- 图表41： 该方法已经可以对未见过的布料完成单折、双向内折、三角折等操作
- 图表42： 杰克股份牵头缝制机械项目研发与验证
- 图表43： 在多个高校加持下有望进一步加速服装机器人产业化落地节奏
- 图表44： 1X机器人推出的 NEO目标就是打造直接面向终端消费者的家用机器人
- 图表45： 康养场景预计先用轮式机器人进行过渡后续迭代为双足机器人
- 图表46： RIBA-II型康养机器人结构
- 图表47： Moxi仅完成运输工作就显著减轻了医院员工负担
- 图表48： 以Torobo机器人为测试平台的深度学习架构
- 图表49： 傅利叶三维上肢康复机器人
- 图表50： 华为、优必选、创耀科技、麦迪科技等参与具身智能康养协同发展机制
- 图表51： 亿嘉和RK100型机器人主要面向康养、家居等场景
- 图表52： 1X发布Redwood模型升级
- 图表53： Redwood跨平台架构
- 图表54： Redwood升级强化了在家庭类场景中的实际任务完成能力
- 图表55： 两部门发文展示了较多智能养老服务机器人结对公关与场景应用试点项目
- 图表56： 物流行业整体已经有了较高的自动化程度
- 图表57： 兰剑智能壁虎料箱机器人系统优化货到人拣选
- 图表58： 德马科技智能播种机器人缩减二次分拣人工作业
- 图表59： 拣选尤其是拆零拣选是人力耗费最大的环节
- 图表60： 货到人拣选降低了拣选人员走动的工作量
- 图表61： 美国仓储、物流和制造行业有大量材料搬运岗位空缺
- 图表62： 德马科技与鹿鸣机器人合作推动在智能工厂和物流场景测试和应用机器人
- 图表63： 全球物流巨头 GXO积极探索机器人应用
- 图表64： Digit机器人的运动学结构
- 图表65： 基于Digit机器人行走的强化学习框架结构
- 图表66： Digit机器人已经实现了商业化应用，目标产能 10000台/年
- 图表67： Reflex轮式机器人可完成分拣、搬运、打包等物流行业常见工作内容
- 图表68： Figure在物流行业部署机器人后模型性能持续提升
- 图表69： Helix性能提升主要来自于系统 1的优化
- 图表70： 训练数据量的增加显著提升了物流行业处理性能
- 图表71： 新架构特征的添加也提升了模型性能
- 图表72： 建议关注公司
报告网所有机构报告是由用户上传分享，未经用户书面授权，请勿作商用！
