2024年机器人行业专题报告：人形机器人何时迎来量产？

当前人形机器人的产业进展

产业进展：各类初创公司涌入机器人赛道，进展可观

人形机器人是远期需求巨大的划时代重磅产品，短期由供给创造需求。伴随大模型的开源与英伟达Cuda机器人生态系统的开放，越来越多的初创公司涌入机器人赛道，以局部泛化的方式训练机器人在封闭场景下完成特定任务。

各厂商针对不同场景深入探索，强调落地为先

Digit：24年8月宣布在GXO Spanx仓库已完成10000个订单机器人的部署，是目前商业化进展较快的机器人。 1X：新推出neo机器人，针对家庭使用场景，预计2025年实现年产量1000-2000台。 智元：发布5款机器人，针对柔性制造、家庭服务场景与商场接待等，量产节奏明确：2024年10月双足机器人开启量产，月产100台，预估2024年整体出货超300台。

机器替人将始于智能制造的柔性生产环节，远期需求巨大

目前汽车制造厂及3C工厂劳动力需求庞大，人力成本支出较高，潜在的机器替人空间大。根据统计局数据，截止2024年6月，中国汽车制造业累计用工人数为454万人。比亚迪2023年报公布总人数为703,504人，其中生产人员为524,673人，生产人员占比约74.6%。据此估算，仅中国汽车制造业生产人员就约有339万人，假设人形机器人替换工人的替换率为10%，那么中国汽车制造业有约34万台人形机器人潜在需求。

如何判断机器人进入量产环节的时点？

定义：10万台为小批量生产，100万台为进入量产。 小批量生产：小批量生产10万台机器人可以替代1/10长尾工况的工位。小批量生产的情况下，核心决定因素不是机器人价格，而是机器人的性能、生产的连续性稳定性等。 硬件满足条件：运动控制稳定、运行连续，生产制造不存在瓶颈。软件满足条件：局部泛化即可，具备封闭场景完成特定任务的能力。大规模量产：100万台产量下，机器人不仅能满足智能制造工厂的需求，也开始进入服务业甚至家庭，此时硬件价格的降低与软件的泛化能力均非常重要。硬件满足条件：硬件降本，总体成本下降至低于单个工人成本。 软件满足条件：机器人算法模型出现“智能涌现”，具备全面泛化的能力。

硬件需要满足的条件

供给端：硬件不再是约束条件

零部件中，摄像头、灵巧手、减速器等产能充足； 行星滚柱丝杠由于此前市场极小，目前尚处于小批量试生产阶段，存量产能有限。

行星滚柱丝杠：产品已实现国产化，且生产设备逐步开始国产替代

行星滚柱丝杠生产流程中，核心难点是针对丝杠及滚柱的外螺纹磨制及针对螺母的内螺纹滚道磨制。尤其是反向式行星滚柱丝杠，从驱动丝杠改变为驱动螺母。这种丝杠的特点是螺母较长，在加工过程中，需要用悬臂吊一个小砂轮来磨制螺母内滚道，因此内螺纹磨制时间较长，工艺难度也较大。螺纹磨床决定加工精度，是生产工序中最核心的设备。

国内高精度的CNC加工设备市场此前被外资磨床垄断，国内企业份额较少。目前国内磨床设备企业的技术积极迭代创新，以汉江机床为例，率先开发SK7120数控螺纹塞规丝杠磨床，可加工各种齿形圆柱形或圆锥形的外螺纹，参照滚珠丝杠精度国标，磨削精度可达到P1级。 从技术参数对比上看，国产螺纹磨床与进口设备差距在逐步缩小。 注：JIS标准为C0、C1、C3、C5、C7、C10，国内丝杠精度划分为P1、P2、P3、P4、P5、P7、P10。一般来说，C3精度介于P2~P3之间。

设备国产化替代将大幅降低行星滚柱丝杠生产成本

在人形机器人产业应用之前，行星滚柱丝杠是极为小众的产品，主要用在军工、汽车制造设备、医疗、机床等行业，总体市场规模近100亿元。市场主要供应商为舍弗勒、力士乐等外资品牌。国产设备渗透：此前高精度加工依赖海外精加工设备，伴随下游客户生产工艺的不断探索与国产设备性能不断提升，国产设备正逐步进入下游厂商。 设备折旧占成本大头：在行星滚柱丝杠产品生产成本构成中，原材料为特钢，成本占比极小。生产加工及检测环节的设备折旧为生产成本大头，尤其是生产节拍较慢的高精度加工磨床等设备，其设备价格昂贵、工时较长，因此设备折旧较高。 伴随生产工艺的改进与国产设备的逐步替代，国产行星滚柱丝杠的生产瓶颈被打破，且有望大幅降本。

软件需要满足的条件

软件算法进步才是推动人形机器人功能提升和应用场景拓展的关键

具身智能（Emboided AI）：集成环境理解、智能交互、认知推理、规划执行于一体的系统化方案。其中，通过包罗万象的海量Tokens训练的LLM，其内蕴的CommonSense以及思维逻辑，能够成为面向机器人的General Planner。

从底层算法模型来看，机器人的软件可以分为大脑与小脑。大脑负责感知外界并模拟人类思维决策过程，小脑则模仿生物进行复杂的运动控制。目前大小脑发展不均衡，相较于智能“大脑”的智力快速提升，灵巧“小脑”能够实现的灵巧操作能力亟待加强。 大脑部分主要职能是环境理解、智能交互与认知推理，基础是机器视觉、大语言模型的发展。

大脑算法中的环境理解，基于机器视觉，发展相对成熟

环境理解算法发展相对成熟。环境理解的主要算法有1）检测、分割。检测分割伴随计算机机器视觉的发展，目前已经相对成熟。2024年7月，Meta 推出Segment AnythingModel 2 (SAM 2)。SAM 2 可以为静态图像和动态视频内容提供实时、可提示的对象分割，将图像和视频分割功能统一到一个系统中。SAM 2 的出现是检测分割算法的一个重大进步，并且已经实现开源。2）多模态Grounding。通过文本和图像的信息输入，对图像中隐含的我们需要了解的位置信息、常识等进行理解。Prompt的多样性使得多模态Grounding更有针对性。

小脑部分发展的制约因素之一是数据采集

小脑即运动控制，发展停留在相处初期，主要制约因素之一是数据采集。相较于大模型的发展拥有海量的数据输入，机器人的训练数据集是十分有限的，主要有以下几种数据来源： 利用视频数据引导学习。利用人操作的视频，用数据来引导机器人真机上的学习，提升收集效率。这种方式可以从广泛的互联网视频中提取数据，提高数据利用效率，减轻算法对数据采集的依赖。局限性：信息表征的局限性、相对真机的还原性等。

Vision Pro等硬件操作采集。工作人员佩戴VR眼镜及VR手套，实现双臂灵巧手的遥操作，实时解析手部姿态并采集数据。VR手套的作用是把人手的多关节高自由度的复杂运动做采集和映射，这样实现遥操作的时候可以采集针对各手指自由度的真实完整的数据。目前Tesla、Sanctuary AI目前都采用这种方式。信息含量全面准确、但采集效率比较低，数量级上远远不够。 生成式仿真。以RoboGen为例，通过构建一个闭环来实现数据获取。首先propose一个任务，然后基于这个任务generate对应的各种环境，最后在环境中进行学习。利用这样一个循环实现针对不同任务的各种环境大规模数据收集。

物理数据+生成式仿真。英伟达Groot模型中MinicGen的处理方式，基于之前收集到的一小组真实示范数据，通过改变环境的视觉外观和布局来倍增，创建无数虚拟环境，最后应用MinicGen来倍增动作，形成一个更大的数据集。这种方式通过GPU加速仿真技术，将稀缺昂贵的人类示范数据转化为海量的训练样本，为解决机器人运动控制数据来源这一痛点提供一个解决思路。

精细运动执行尚未有统一的底层算法

动作执行：目前精细动作尚未有统一的底层算法，肢体运动的统一底层算法是issacgym+强化学习。因为在下肢运动中，可以设置“不摔倒、走得快”等作为奖励函数来强化学习，而且身体运动容错空间相对高。但精细操作中不同任务对应不同的奖励函数，无法设置统一的奖励函数进行强化学习，因此目前尚未有统一的底层算法。 目前精细动作执行的底层算法主要有以下几种，但尚未有相对统一的算法。

报告节选：

编辑：火腿肠