留言
报告导航:研究报告制造业汽车
2023年人形机器人产业研究报告
字数:0.0万 页数:129 图表数:0
中文电子版:4000元 中文纸版:3200元 中文(电子+纸)版:4500元
编号:JXM 发布日期:2023-11 附件:

        发布《2023年人形机器人产业研究报告》。主要从以下几方面进行研究:

        ▪AI人形机器人主要构成及应用场景;

        ▪AI大模型赋能人形机器人技术路径;

        ▪主机厂和其他厂商AI人形机器人产品布局对比;

        ▪产品硬件拆解及软件分析;

        ▪AI人形机器人的发展趋势等。

        与机械臂、AGV相比,AI人形机器人应用场景更具通用性

        AI人形机器人是指由AI大模型赋能,具有与人类似外观和运动方式的机器人。AI大模型从语音、视觉、决策、控制等多方面与人形机器人结合,使机器人具备理解指令并执行指令的功能。

        借助AI大模型赋能,AI人形机器人应用场景更具通用性。

        例如,2023年8月,智元机器人推出的远征A1,由百亿级参数的WorkGPT大模型赋能,拥有理解指令,并对指令进行任务编排和执行闭环能力。预计2024年商用,并率先用于工业制造领域如3C 制造、 汽车制造,随后逐步走向to C应用如家庭场景。

        2022年8月,小米推出的Cyberone。其搭载自研Mi-Sense 深度视觉模组+ AI 交互算法,拥有三维空间感知能力,实现身份、手势和表情识别。此外,在情绪感知上,其能识别85 种环境语义和 6 大类 45 种人类情绪。未来将率先用于小米智能制造工厂、同时还支持多种应用场景,如家庭助理、陪伴机器人、教育辅助等。

智元机器人元征A1应用场景示例
人形机器人1.png
来源:智元机器人

        AI人形机器人大模型从VLM向VLA进化

        2023年7月,谷歌DeepMind推出了机器人模型Robotics Transformer 2 (RT-2),这是一个视觉-语言-动作(VLA)模型,实现了视觉语言模型与机器人动作的结合。它能够指导机器人识别视觉和语言,让其理解指令并做出正确的操作。

        与视觉语言模型(VLM)相比,VLA的主要进化之处在于将机器人动作直接作为模型token输出,省去了VLM模型将输出的指令翻译成动作控制信号的步骤。

RT-2的架构和训练
人形机器人2.png
来源:DeepMind

        RT-2一方面吸收了VLM语义推理、问题解决、视觉解释能力,另一方面能从真实的机器人动作中实现具身任务推理,且两方面能够相互促进。

        训练方式上,RT-2通过将机器人动作拆解为文本token的形式,实现了直接与视觉语言数据混合后输入VLM进行联合微调。

        RT-2不仅是对现有VLM模型的简单而有效的修改,还展示了构建通用物理机器人的前景,让机器人可以推理、解决问题和解释信息,以在现实中执行各种任务。

谷歌DeepMind RT-2大模型
人形机器人3.png
来源:DeepMind

        与汽车行业联动,主机厂押注人形机器人赛道

        AI人形机器人可与汽车行业联动。如在汽车生产上,用于新能源汽车工厂装配底盘、打螺丝,提升工厂智能化水平,降低人力成本;在汽车销售环节上,用于门店为顾客介绍产品,提升品牌形象。

        目前,已有包括特斯拉、小鹏和小米在内的厂商推出了AI人形机器人。此外,比亚迪也于2023年9月入股人形机器人公司上海智元新创技术有限公司,未来智元科技的机器人远征A1可在比亚迪工厂参与外观检测流程、进行装配底盘等汽车装配线上作业。

部分主机厂及其他厂商AI人形机器人产品布局
人形机器人4.png
来源:佐思汽研《2023年人形机器人产业研究报告》

        由于人形机器人与汽车之间存在技术同源,主机厂在汽车行业积累的技术经验可直接复用到这一赛道上。

        首先在软件方面,主机厂可将车端算法复用至人形机器人上。

        例如,特斯拉人形机器人Optimus采用与FSD同样的神经网络“占用网络”来对三维环境进行建模。FSD算法在处理传感器数据时,具备对道路、车辆和行人等物体进行识别的能力,可帮助机器人在执行任务时识别和定位物体。此外,Optimus的神经网络训练是完全端到端的,可直接从视频输入中获取信息,并输出控制指令。根据2023年9月特斯拉公布的视频,Optimus已可仅依赖视觉对物体进行分类,并完成简单的瑜伽动作。

        小鹏汽车在车端感知上采用激光雷达、毫米波雷达、摄像头、超声波等多种传感器,及自研的深度学习算法,实现对周围环境的高精度地图构建和实时动态追踪。该技术可使人形机器人具备在复杂道路稳定行走的能力,及对障碍物和危险物的规避和应对能力。

        此外,小鹏采用多种模块,如规划、决策、控制、校准等,及自研的强化学习和多智能体协同算法,实现了对车辆运行的安全和保障。该技术可使人形机器人具备在不同场景下自主完成任务的能力,以及与其他机器人或设备协同工作的能力。

小鹏AI人形机器人
人形机器人5.png
来源:小鹏

        其次在硬件方面,主机厂可将电动汽车供应链复用到人形机器人上。如共用汽车芯片、电池、摄像头等,并对汽车电机电器、热管理等做适应性更改,以降低机器人制造成本。

        例如特斯拉人形机器人的“大脑”搭载D1芯片(同为特斯拉车机的芯片),单芯片算力可达362TFLOPs,为机器人提供算力保障;头部拥有3颗Autopilot摄像头(鱼眼摄像头+左右摄像头),分别控制左中右三个方向的画面;电池组借鉴了电子产品与汽车产品的设计,将所有电池的电子设备集中到电池组的单个PCB中,从传感、融合、充电管理汇集到一个系统中。

Optimus人形机器人大脑芯片D1架构
人形机器人6.png
来源:特斯拉

01 AI人形机器人简介
1.1 AI人形机器人定义
1.2 AI人形机器人主要构成
1.3 AI大模型赋能人形机器人技术路径
1.4 AI大模型赋能人形机器人技术路径一案例(1)
1.5 AI大模型赋能人形机器人技术路径一案例(2)
1.6 AI大模型赋能人形机器人技术路径一案例(3)
1.7 AI大模型赋能人形机器人技术路径二案例(1)
1.8 AI大模型赋能人形机器人技术路径二案例(2)
1.9 AI大模型其他应用
1.10 AI人形机器人应用场景

1.11 AI人形机器人产业链
1.11.1 AI人机器人产业链-主机厂向人形机器人技术迁移的路径

1.12 AI人形机器人产品布局对比(1)
1.13 AI人形机器人产品布局对比(2)
1.14 AI人形机器人产品软件算法及硬件设计对比(1)
1.15 AI人形机器人产品软件算法及硬件设计对比(2)
1.16 AI人形机器人发展趋势一
1.17 AI人形机器人发展趋势二
1.18 AI人形机器人发展趋势三

02 主机厂AI人形机器人布局
2.1 特斯拉

2.1.1 特斯拉AI人形机器人发展历程
2.1.2 特斯拉AI人形机器人生产基地
2.1.3 特斯拉AI人形机器人BOM成本估算
2.1.4 特斯拉AI人形机器人硬件拆解
2.1.5 特斯拉AI人形机器人硬件拆解-设计上与特斯拉汽车技术同源(1)
2.1.6 特斯拉AI人形机器人硬件拆解-设计上与特斯拉汽车技术同源(2)
2.1.7 特斯拉AI人形机器人硬件拆解-设计上与特斯拉汽车技术同源(3)
2.1.8 特斯拉AI人形机器人硬件拆解-旋转执行器
2.1.9 特斯拉AI人形机器人硬件拆解-线性执行器
2.1.10 特斯拉AI人形机器人硬件拆解-手部
2.1.11 特斯拉AI人形机器人硬件拆解-手部控制
2.1.12 特斯拉AI人形机器人硬件拆解-膝关节
2.1.13 特斯拉AI人形机器人硬件拆解-大脑
2.1.14 特斯拉AI人形机器人硬件拆解-大脑芯片
2.1.15 特斯拉AI人形机器人硬件拆解-大脑训练模块
2.1.16 特斯拉AI人形机器人硬件拆解-大脑训练集群
2.1.17 特斯拉AI人形机器人软件算法-FSD简介-FSD技术迁移至Optimus
2.1.18 特斯拉AI人形机器人软件算法-FSD简介-FSD与OPTIMUS底层模块打通
2.1.19 特斯拉AI人形机器人软件算法-FSD简介-FSD神经网络训练
2.1.20 特斯拉AI人形机器人软件算法-FSD简介-FSD神经网络训练进展
2.1.21 特斯拉AI人形机器人软件算法-FSD简介-FSD海量数据库为机器人AI训练提供支持
2.1.22 特斯拉AI人形机器人软件算法-感知算法(1)
2.1.23 特斯拉AI人形机器人软件算法-感知算法(2)
2.1.24 特斯拉AI人形机器人软件算法-感知算法(3)
2.1.25 特斯拉AI人形机器人软件算法-感知算法(4)
2.1.26 特斯拉AI人形机器人软件算法-运动规划算法(1)
2.1.27 特斯拉AI人形机器人软件算法-运动规划算法(2)
2.1.28 特斯拉AI人形机器人软件算法-运动规划算法(3)

2.2 小鹏
2.2.1 小鹏AI人形机器人简介
2.2.2 小鹏AI人形机器人硬件拆解-关节
2.2.3 小鹏AI人形机器人硬件拆解-灵巧手
2.2.4 小鹏AI人形机器人硬件拆解-机械臂
2.2.5 小鹏AI人形机器人软件算法-感知、交互和小鹏汽车底层能力打通
2.2.6 小鹏AI人形机器人软件算法-应用汽车技术-XNGP运用大模型
2.2.7 小鹏AI人形机器人软件算法-应用汽车技术-XNGP技术底层XBrain
2.2.8 小鹏AI人形机器人软件算法-感知架构-XNGP深度视觉神经网络XNet 2.0
2.2.9 小鹏AI人形机器人软件算法-感知架构-XNGP深度视觉神经网络XNet数据标注
2.2.10 小鹏AI人形机器人软件算法-规划控制架构-XNGP基于神经网络的XPlanner

2.3 小米
2.3.1 小米AI人形机器人布局
2.3.2 小米AI人形机器人规划
2.3.3 小米AI人形机器人简介
2.3.4 小米AI人形机器人硬件拆解
2.3.5 小米AI人形机器人软件算法

03 其他公司人行机器人布局
3.1 科大讯飞

3.1.1 科大讯飞AI人形机器人整体规划
3.1.2 科大讯飞AI人形机器人简介
3.1.3 科大讯飞AI人形机器人硬件拆解-大脑
3.1.4 科大讯飞AI人形机器人硬件拆解-大脑接入认知大模型(1)
3.1.5 科大讯飞AI人形机器人硬件拆解-大脑接入认知大模型(2)
3.1.6 科大讯飞AI人形机器人软件算法-基于多模态具身智能大模型

3.2 智元机器人
3.2.1 智元机器人(Agibot)简介
3.2.2 智元机器人(Agibot)AI人形机器人应用场景
3.2.3 智元机器人(Agibot)AI人形机器人硬件
3.2.4 智元机器人(Agibot)AI人形机器人软件(1)
3.2.5 智元机器人(Agibot)AI人形机器人软件(2)
3.2.6 智元机器人(Agibot)未来发展规划
3.2.7 智元机器人(Agibot)未来产品规划

3.3 达阀科技
3.3.1 达阀科技简介
3.3.2 达闼科技云端机器人海睿操作系统(HARIX OS)开放平台
3.3.3 达闼科技机器人环境开发平台HARIX RDK
3.3.4 达闼科技机器人大模型RobotGPT
3.3.5 达闼科技AI人形机器人产品简介
3.3.6 达闼科技AI人形机器人产品-硬件拆解
3.3.7 达闼科技AI人形机器人产品-核心硬件
3.3.8 达闼科技AI人形机器人产品-软件拆解
3.3.9 达闼科技AI人形机器人产业生态

3.4 1X Technologies
3.4.1 1X Technologies简介
3.4.2 1X Technologies AI人形机器人EVE轮足式机器人
3.4.3 1X Technologies AI人形机器人EVE轮足式机器人硬件拆解
3.4.4 1X Technologies AI人形机器人NEO双足机器人
3.4.5 1X Technologies借助OpenAI技术赋能人形机器人

3.5 纯米科技
3.5.1 纯米科技简介及AI人形机器人产品
3.5.2 纯米科技AI人形机器人硬件拆解
3.5.3 纯米科技AI人形机器人软件算法

3.6 追觅科技
3.6.1 追觅科技简介及AI人形机器人产品
3.6.2 追觅科技AI人形机器人硬件及软件算法
3.6.3 追觅科技AI人形机器人研发规划

3.7 优必选
3.7.1 优必选简介及AI人形机器人软件布局
3.7.2 优必选AI人形机器人硬件布局
3.7.3 优必选AI人形机器人迭代
3.7.4 优必选AI人形机器人简介
3.7.5 优必选AI人形机器人硬件拆解
3.7.6 优必选AI人形机器人硬件拆解-皮肤和骨骼
3.7.7 优必选AI人形机器人软件算法-感知算法
3.7.8 优必选AI人形机器人软件算法-规控算法
3.7.9 优必选AI人形机器人核心技术

3.8 傅利叶智能
3.8.1 傅利叶简介及AI人形机器人布局
3.8.2 傅利叶AI人形机器人简介
3.8.3 傅利叶AI人形机器人硬件拆解
3.8.4 傅利叶AI人形机器人软件算法

3.9 Engineered Arts
3.9.1 Engineered Arts简介及AI人形机器人布局
3.9.2 Engineered Arts AI人形机器人底层技术
3.9.3 Engineered Arts AI人形机器人硬件拆解
3.9.4 Engineered Arts AI人形机器人软件算法

    如果这份报告不能满足您的要求,我们还可以为您定制报告,请留言说明您的详细需求。
2005- 版权所有(c)   北京水清木华研究中心   京ICP备05069564号-6 北京市公安局海淀分局备案号:1101081902
在线客服系统