（精選報告來源：報告研究所）
人形機器人小腦（運控）介紹
人形機器人“小腦”概念
人形機器人“小腦”：目前產(chǎn)業(yè)界對人形“小腦”的定義并沒有形成統(tǒng)一共識，一般認(rèn)為“小 腦”就是運動控制，即由軟硬件構(gòu)成，硬件包括控制器、驅(qū)動系統(tǒng)、編碼器等，軟件主要為部 署在硬件上的控制和感知算法等。人形運控與傳統(tǒng)運控最大的區(qū)別在于：后者是根據(jù)已編程好 的軌跡去完成實時控制，而前者需要通過各種場景的實時判斷來生成實時運動軌跡（即AI大模 型訓(xùn)練學(xué)習(xí)后，實時生成運控軌跡的指令），進而實現(xiàn)控制。
“小腦”的主要功能：與“大腦”主要負(fù)責(zé)環(huán)境感知和智能交互不同，“小腦”更多地關(guān)注于機器 人的運動控制和平衡調(diào)節(jié)，通過接收來自傳感器（如視覺傳感器、力覺傳感器、觸覺傳感器等）的 信息，對這些信息進行處理和分析，進而指導(dǎo)機器人的運動。主要功能可以分為四類：運動執(zhí)行、 協(xié)調(diào)運作、反饋調(diào)節(jié)和動態(tài)平衡。
人形機器人“小腦”的控制技術(shù)
包括三類：①模型控制（MPC）?；诰_的運動學(xué)和動力學(xué)模型，實現(xiàn)對機器人動作的精準(zhǔn)控制， 適用于特定任務(wù)的自動化執(zhí)行，即傳統(tǒng)運控范疇。②強化學(xué)習(xí)。通過在復(fù)雜環(huán)境中的自主探索，學(xué) 習(xí)最優(yōu)控制策略，顯著提升了上肢和下肢在復(fù)雜任務(wù)中的效率、精度和適應(yīng)性。③模仿學(xué)習(xí)。通過 模仿人類行為，減少對環(huán)境探索的依賴，利用人類行為數(shù)據(jù)訓(xùn)練智能體（動捕是關(guān)鍵，即數(shù)據(jù)獲 取），顯著提升任務(wù)執(zhí)行能力。
人形機器人“小腦”案例
案例：目前業(yè)界基于強化學(xué)習(xí)和模仿學(xué)習(xí)已進行多種嘗試，以美國Agility Robotics的Digit機器人 為例，其利用強化學(xué)習(xí)算法，通過在仿真環(huán)境中不斷進行訓(xùn)練和優(yōu)化，學(xué)習(xí)各種運動技能（行走、 奔跑、轉(zhuǎn)彎、上下臺階）。在實際應(yīng)用場景中，Digit機器人與亞馬遜合作，負(fù)責(zé)倉庫物流，能夠根 據(jù)環(huán)境的變化和任務(wù)需求，自主規(guī)劃路徑，快速準(zhǔn)確地完成物品的搬運和分揀。Digit在物流領(lǐng)域中 的成功應(yīng)用，不僅提高物流效率，還降低人力成本，為物流行業(yè)的發(fā)展帶來了新的解決方案。
人形機器人“小腦”面臨的挑戰(zhàn)
挑戰(zhàn)：主要包括如何進一步提高AI模型在機器人控制中的實時性、魯棒性和可解釋性，以確保機器 人在復(fù)雜環(huán)境中的穩(wěn)定運行和安全可靠。此外，如何將控制與感知、決策和規(guī)劃更緊密地結(jié)合，構(gòu) 建端到端的自主系統(tǒng)，亦是未來重要的研究方向。
小腦在垂直場景有望率先成熟， 小模型性價比凸顯
人形機器人落地難度和市場規(guī)模：To C ＞To B
TO B有望率先落地和放量，原因：技術(shù)適配與需求剛性：B端客戶，如工業(yè)、醫(yī)療、物流等需求明確且結(jié)構(gòu)化，技術(shù)更易適配。例如，工廠 中的搬運、質(zhì)檢等任務(wù)對機器人的運動控制、環(huán)境感知能力要求較高，但場景相對封閉，無需復(fù)雜的人 機交互。To C場景家庭環(huán)境復(fù)雜多變，需要高度靈活性與自然交互能力。成本與價格敏感度：企業(yè)用戶注重性價比，TO B產(chǎn)品量產(chǎn)萬臺后價格預(yù)計可降至20-30萬元（以優(yōu)必選機 器人為例），而C端對性能要求高，目前To C主流產(chǎn)品售價在9.9萬元-65萬元（以宇樹科技機器人為例）。政策與法規(guī)支持：政策明確支持工業(yè)場景開放與標(biāo)準(zhǔn)化；To C場景下，隱私、安全等倫理問題尚未解決， 制約C端場景落地。
TO B場景下，開發(fā)統(tǒng)一的底層大模型難度大
機器人下肢：運動關(guān)節(jié)相對固定，更容易形成一個統(tǒng)一的模型，可以設(shè)置“不摔倒、走得快” 等作為獎勵函數(shù)來強化學(xué)習(xí)。目前主流的下肢算法是英偉達的Issac Gim底層算法+強化學(xué)習(xí)。機器人上肢：屬于精細(xì)運動范疇，尤其是靈巧手關(guān)節(jié)的控制，不同應(yīng)用場景下運動軌跡的規(guī) 劃千差萬別，開發(fā)統(tǒng)一的底層大模型面臨兩大難題：①開發(fā)難度大，訓(xùn)練成本高，高能耗 以及在特定場景下的性能瓶頸等；②高質(zhì)量的訓(xùn)練數(shù)據(jù)獲取難。
難度①：上肢的底層運控算法
人形運控產(chǎn)業(yè)未來將由一次開發(fā)(一開)商和二次開發(fā)(二開)商兩部分構(gòu)成。一開企業(yè)如特斯 拉、華為、宇樹等做人形運控算法的一次開發(fā)（即平臺型通用機器人企業(yè)），類似于iOS之于 蘋果，不同廠商硬件規(guī)格和方案不同，運控算法不兼容，因此運控產(chǎn)業(yè)是平臺型企業(yè)的兵家 必爭之地；二開企業(yè)是應(yīng)用廠商，類似于APP應(yīng)用開發(fā)商，在一開企業(yè)軟硬件基礎(chǔ)上，開發(fā)針 對特定應(yīng)用場景的機器人（如針對教育、養(yǎng)老、消防、危化、礦山、電力、冶金等領(lǐng)域開發(fā) 機器人）。
難度②：數(shù)據(jù)采集
數(shù)據(jù)需求激增：在特斯拉2024年第四季度財報電話會上，馬斯克指出，人形機器人所承擔(dān)的 任務(wù)及用途，相較汽車自動駕駛而言復(fù)雜得多，大概有1000倍之多，所需的訓(xùn)練數(shù)據(jù)規(guī)模也 會隨之?dāng)U大至10倍左右。數(shù)據(jù)現(xiàn)狀難以支撐訓(xùn)練：目前可用于訓(xùn)練人形機器人的開源數(shù)據(jù)集，無論是在數(shù)量上還是規(guī) 模上都極為匱乏，難以支撐高效訓(xùn)練。
誰有望搶占小腦發(fā)展的制高點？
人形機器人運控重要環(huán)節(jié)的玩家
下載完整報告，請掃描下方圖片二維碼入知識星球社群查閱下載
（本文僅供參考，不代表我們的任何投資建議。如需使用相關(guān)信息，請參閱報告原文。）
入群方式：添加助理微信【touzireport666】，發(fā)送「個人紙質(zhì)名片」或「電子名片」審核后即可入群。
