人形机器人行业运控专题：从“做出来”到“卖出去”

1从“做出来”到“卖出去”—人形机器人运控专题中 泰证 券研 究 所专 业｜ 领 先｜ 深 度｜ 诚 信2025 .3.12｜ 证 券 研 究 报 告 ｜分析师：王可执业证书编号：S0740519080001Email：wangke03@zts.com.cn2目 录C O N T E N T S人形机器人小脑（运控）介绍1谁有望抢占小脑发展的制高点？3小脑在垂直场景有望率先成熟，小模型性价比凸显2投资逻辑：聚焦二开本体厂商及4 动捕企业31 人形机器人小脑（运控）介绍41.1、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。图表1:机器人“小脑”构成来源：雷赛智能招股书、中泰证券研究所整理5 “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。1.1、人形机器人“小脑”概念图表2:人形机器人“小脑”主要功能来源：茶派科技公众号、中泰证券研究所绘制61.2、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。图表3:“小脑”的控制技术介绍来源：《人形机器人技术与产业发展研究》、中泰证券研究所绘制71.3、人形机器人“小脑”案例图表4:人形机器人制造商“小脑”环节方案（部分）来源：茶派科技公众号、中泰证券研究所整理制造商产品名称控制技术控制系统方案本田ASIMO机器人模仿学习基于零力矩点（ZMP）判据及预观控制算法，通过精确计算零力矩点（ZMP），规划机器人的运动轨迹，确保在行走和运动过程中保持平衡和稳定AIST-模仿学习通过ZMP判据及预观控制算法，实现对自身运动的精确控制，确保在不同的工作场景下都能稳定、高效地完成任务AgilityRoboticsDigit机器人强化学习利用强化学习算法，通过在仿真环境中不断进行训练和优化，学习各种运动技能北京理工大学-模仿学习采用模仿学习算法，以人机关节轨迹相似为目标，通过非线性最优化求解的动作映射，规划出合理的运动方案 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。81.4、人形机器人“小脑”面临的挑战图表5:“小脑”面临的挑战来源：茶派科技公众号、中泰证券研究所整理 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。面临的问题详细内容实时性问题机器人需要对环境变化做出快速响应，但在复杂环境中快速行走、躲避障碍物或与人类进行实时交互时，大模型的计算和推理过程可能会产生较大的延迟。实时性问题的产生主要源于大模型的复杂性和计算量。鲁棒性难题现实世界中，环境容易变化，如光线、温度、地形、障碍物分布等，这些因素都会对机器人的运动控制产生影响，进而导致运动规划和控制出现偏差。可解释性缺失 AI的告诉发展使得越来越多复杂算法和模型被应用于机器人的运控中，但它们往往是黑盒模型，难以理解其决策过程和输出结果的依据。其他方面“小脑”在与感知、决策和规划的结合方面存在不足，这些环节往往存在脱节的现象，导致机器人的整体性能受到影响，严重阻碍了构建端到端的自主系统。9小脑在垂直场景有望率先成熟，小模型性价比凸显102.1、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。To C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。图表6：B端和C端机器人场景对比来源：搜狐网、中国信息通信研究院、中泰证券研究所整理图表7：人形机器人未来规模预测来源：思瀚产业研究院，中泰证券研究所绘制To B场景To C场景应用场景工业、医疗、物流作为家庭助手，帮助用户完成家务、陪伴老人和儿童等任务价格量产万台后价格预计可降至20-30万元主流产品售价在9.9万元-65万元销售量2024年约2000台，预计在2030、2035年分别达到15万台、80-90万台预计2030、2035年分别达到2万台、120-130万台技术成熟度谐波减速器/传感器国产化率高双足行走/情感交互技术未闭环政策支持深圳市推出“双一百”政策：开放100个应用场景与百亿基金持续发力推动人工机器人发展伦理法规待完善，暂无明确政策11图表8：机器人上肢和下肢特征及对应算法来源：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。人形机器人下肢上肢特征运动关节固定，有统一底层算法精细运动，没有统一底层算法特征算法Issac Gim底层算法+强化学习难题①开发难度大，训