2023年人形机器人行业专题 人形机器人拥有极高表达能力 今日最新

一、人形机器人拥有极高表达能力，是 AI 的终极载体

（一）自然语言处理技术，提高了机器人的表达能力

随着AI的发展，机器人在与人类进行交互过程中，具备更加智能化的处理能力后， 能更好地适应不同的环境和任务，以及更好地与人类进行协作。 在使用自然语言处理技术之后，人形机器人能够更好地理解和处理人类语言。使用 语义分析和情感分析技术，可以让机器人更好地理解人类的意图和情感。人形机器 人的语言系统将类似更加智能的语音助手，在AIGC帮助下，人形机器人可以更好地 理解人们的意图和情感、识别人们的语音指令，并根据人们的语气和情感，提供更 加个性化的服务。未来应用场景可以是替代面向客户的销售工作者，例如智能客服。 通过自然语言处理技术，智能客服可以很快理解客户的意图和情感，从而更好地解 决客户的问题。例如，当客户表达不满或愤怒时，智能客服系统可以自动调整语气 和表达方式，以更好地缓解客户的情绪。

【资料图】

AIGC还能根据不同的用户偏好，提供个性化的表达方式。它能够根据用户的输入、 提示和个性化需求，来自行生成相应的表达方式，或者针对不同的用户群体提供不 同的语言风格和表达方式。例如，使用口语化的语言和俚语来增强表达的个性和亲 和力，或者利用比喻和隐喻来表达观点和情感，不仅可以帮我们完成创作草稿，还 是激发灵感的初步设计。 AIGC能不断更新和优化机器人的语言库。机器人的语言库是其表达能力的基础，不 断更新和优化语言库可以让机器人更好地应对不同的语言场景和需求。例如，收集 和整理常用的语言表达方式，以及针对不同的行业和领域提供相应的语言库。 未来，当人类需要让机器人完成一项任务时，只需要简单地描述任务的要求，机器 人就可以根据GPT的处理能力快速理解任务，并执行相应的动作，带来机器人领域 的变革。

（二）人形机器人作为具象的实体，是 AI 的绝佳载体

从本质上讲，AI的发展出发点是希望模仿人类智慧，并且也正在随着大模型和算法 的发展，越来越接近人类智慧、越来越接近图灵测试的奇点。因此，最终AI也需要 一个十分接近于人类的表达载体，来释放它的全部潜力。 人形机器人能够丰富AI的表现方式，例如动作和表情。除了传统的语音交互、图片 交互，人形机器人让AI能够提供更多的交互方式，例如表情、手势等，极大地延展 了AI的表达领域。例如，Engineered Arts在机器人表情展现上表现优越，给人工智 能很大的发挥空间。2021年12月2日，英国机器人公司“工程艺术”Engineered Arts 研发了号称“现今世界上最像人类的类人型机器人” Ameca，拥有丰富的表情和肢 体动作。

人形机器人是AI的一个绝佳载体，承担起AI的输出窗口的作用。这款机器人，除了 像极人类的外表，它最重要功能就是为各种人工智能技术提供一个真实的平台。用 户可以根据需要从库中快速加载预先保存的姿势、声音、动画和子序列，只需使用 计算机鼠标或触摸板，单击并拖动机器人的功能，就能实现丰富的面部表情。 目前，Engineered Arts的表情由预先编程设定，未来AI能有优化空间。我们承认， 尽管Engineered Arts的机器人面部表情拟人度极高，但依然是通过预先编程的模块 来实现表情的。通过触摸屏界面，使用者触发它说“你好”或让它执行预编程的序 列。未来AIGC有望让机器人的表情更丰富、更加具有及时性和自发性，改变只有预 先编程表情的现状。

当前的二次开发需要通过编程软件实现，未来自然语言编程有望让普通用户参与开 发。过去，基于不同的场景进行训练和调试是专属工程师的工作，未来，ChatGPT 有望根据用户的自然语言为机器人场景和表情需求生成代码，人们有望能够更轻松 地与机器人互动。

二、多模态训练模型进步，提高机器人训练准确性

GPT-4已是大型多模态，识别和决策效率提升。当我们的多种感官——视觉、听觉、 触觉——都参与信息处理时，我们会理解并记住更多。多模态学习可以聚合多源数 据的信息，使得模型学习到的表示更加完备，从而提高决策总体的准确率。

多模态模型，让人形机器人训练层次更加丰富。语言和行动的鸿沟，阻碍了搭载AI 的机器人像人一样行动。AI天生是语言的巨人和行动的矮子，以当前ChatGPT的技 术水平来看，它能够轻松处理自然语言、和用户相互调侃打趣，能完全地通过图灵 实验，但它却无法进入现实生活去拿起一双筷子、去处理真实世界的问题。 谷歌机器人在多模态训练中，展现出更高的识别准确性。根据谷歌最新论文《PaLM-E: An embodied multimodal language model》，研究团队在预训练的语言类大模型中 嵌入图像、状态、感知等多类型数据，可以做到让机器人超越文本思考，并推理物 理世界以帮助完成机器人任务。PaLM-E模型不仅具备通用化语言能力，还能执行视 觉问答、感知推理、机器操作等复杂的任务，在实验室阶段取得了良好的效果。

三、机器人运控模块：关节能力不能匹配运动规划，目 前的技术短板所在

莫拉维克悖论（Moravec"s paradox）提出的现象，正是当前机器人所遇到的挑战。 莫拉维克悖论是由人工智慧和机器人学者所发现的一个和常识相佐的现象——和传 统假设不同，人类所独有的高阶智慧能力只需要非常少的计算能力，例如推理，但 是无意识的技能和直觉却需要极大的运算能力。 完成复杂环境的工作任务需要仿人机器人具有快速作业的能力。正如前文所述，当 前社会对于机器人的最主要的需求，来自代替劳动者从事危险和无聊的工作，这就 涉及到在室内和野外的复杂环境中进行作业活动，维持运动能力的稳定性非常重要。 根据孟非的《仿人机器人快速作业的关节驱动与动作规划及其匹配研究》这篇论文， 提高快速作业能力需要机构、驱动、规划和控制方法等多种关键技术融合，是体现 仿人机器人作业能力的一个重要研究范例。快速作业需要仿人机器人具有输出能力 足够的关节，同时在运动中满足一定的位置、姿态，还要保证一定的速度。这种快 速的运动形式对仿人机器人关节驱动控制、动作轨迹规划和两者的匹配提出了很高 要求尤其在任务要求复杂多变的动态环境条件下，快速作业能力不足很容易使仿人 机器人失去稳定性。

关节能力不能匹配运动规划，是目前的技术短板所在。运控模块和运动规划方法， 是一个动态匹配的过程。过去算法能力较弱的时候，运动规划方法是主要矛盾；当 前AI能力提升，运动规划得到进步，关节的灵巧程度则需要提高以匹配运动技巧。 例如当前每根手指的自由度增加了，从而对于关节驱动能力有了更高的要求，是当 前的技术短板所在。

抗压和灵敏性如何兼得，依然是技术难点。根据吴伟国的《面向作业与人工智能的仿人机器人研究进展》，从承压能力角度而言，谐波齿轮传动方式弱于液压驱动， 但从灵敏度角度而言，液压弱于谐波齿轮传动。以谐波齿轮传动方式减速驱动关节 的仿人机器人的实用化面临着难以解决跳跃、快跑带来的足底大冲击等问题。而液 压驱动下，即使最大压力按公称压力2~3倍计算，也难以抵抗仿人机器人相当于人跳 跃、跑步时3~7倍于自重的冲击力，同时可能伴随着液压油易泄露，压力增高将降低 可靠性以及噪声与振动等问题。足底压力传感器、脚部六维力-力矩传感器也面临着 因大冲击力而超量程的安全问题。 例如，手部关节灵活度和协调性最高，对于训练的要求极高。人手是数百万年进化 的最显着成果之一，拾起各种物体并将它们用作工具的能力是使我们能够塑造我们 的世界的关键差异化因素。对于在日常生活中工作的机器人来说，与我们的工具及 其周围环境巧妙互动的能力至关重要。如果没有这种能力，它们将继续仅在工厂或 仓库等专业领域有用。虽然教有腿的机器人如何走路已经有一段时间了，但事实证 明，有手的机器人通常更难控制。有手指的手有更多的关节，这些关节必须以特定 的协调方式移动才能完成给定的任务。具有精确抓握和运动的传统机器人控制方法 无法实现人类认为理所当然的通用精细运动控制技能。

深度学习+上亿次的训练，才能获得灵巧的的手。解决这些问题的一种方法是应用深 度强化学习 (deep RL) 技术来训练神经网络来控制机器人的关节。借助深度强化学 习，机器人从反复试验中学习，并在成功完成指定任务后获得奖励。不幸的是，这 种技术可能需要数百万甚至数十亿个样本来学习，因此几乎不可能直接应用于真实 的机器人。 因此，虚拟环境模拟，是机器手实现上亿次训练的必由之路，后文我们会详细阐述。 机器人模拟器，它使机器人能够在模拟宇宙中接受训练，该宇宙的运行速度比现实 世界快 10,000 倍以上，而且遵守物理定律。我们需要一只更复杂、更昂贵的机械 手，一个装有精确运动控制传感器的立方体，以及一个由数百台计算机组成的超级 计算集群，就可以用来完成上一次的训练。

四、自然语言调试+数字孪生，加快机器人训练速度

（一）NLP 大模型快速进步，普通用户有望直接调试底层模型

机器人的流畅行动是经历了千百次的程序员调试才完成的，昂贵且低效。尽管语言 是我们表达意图最直观的方式，但我们仍然严重依赖手写代码来控制机器人。当前 的机器人训练需要将任务要求转化为系统代码的工程师或技术用户。这意味着工程 师需要编写新的代码和规范来纠正机器人的行为。总的来说，这个过程很慢（用户 需要编写低级代码），而且昂贵（需要对机器人技术有深入了解的高技能用户）和 低效（需要多次交互才能使事情正常工作）。微软团队一直在探索如何改变这一情 况，并使用OpenAI的新 AI 语言模型ChatGPT使自然的人机交互成为可能。

微软表示，未来用户有可能借助AI帮助机器人进行调试。过去，基于不同的场景进 行训练和调试是专属工程师的工作，但现在，用户有望参与到这个过程中。根据微 软最新的论文：“目前的机器人需要专门的工程师不断编写新的代码来修正机器人的 行为，而我们使用ChatGPT的目标是让非技术用户参与到修正过程中，通过高级语 言命令与语言模型交互，无缝部署各种平台和任务。” 如果付诸实践，AI有望帮助 编写新代码和规范来纠正机器人的行为，因此允许了不懂技术的广大用户提供反馈， 轻松地与机器人互动，直到用户对机器人的处理解决方案满意为止，再将这个代码 部署到机器人上，一个调试就结束了。 未来人们有望能够更轻松地与机器人互动和实现调试，丰富应用端发展。用户将无 需学习复杂的编程语言或有关机器人系统的详细信息，就能够轻松地与机器人互动。 通过遵循一套设计原则，ChatGPT就可以为机器人场景生成代码，在没有任何微调 的情况下，来控制不同形状的机器人来完成各种任务。这种新的调试形式，能够推 动机器人和人形机器人的应用端百花齐放，利好产业链的发展。

具体的实现步骤是，通过自然语言对于API的函数库进行调用。 首先，微软定义了一套高级机器人 API 或函数库。该库可以指定特定机器人，并且 映射到机器人控制堆栈或感知库中的现有实现。这个步骤中，为高级 API 使用描述性名称非常重要，这样 ChatGPT 就能推断出它们的行为； 接下来，微软为 ChatGPT 编写一个文本提示，它描述了任务目标，同时还明确说 明高级库中的哪些函数可用。提示还可以包含有关任务约束的信息，或 ChatGPT 应 如何形成其答案（特定编码语言，使用辅助解析元素）； 最后，用户可以随时评估 ChatGPT 的代码输出，最终调试结果将直接部署到机器 人上。如果需要，用户可以使用自然语言向 ChatGPT 提供有关答案质量和安全性 的反馈。当用户对解决方案感到满意时，可以将最终代码部署到机器人上。

（二）使用数字孪生技术在虚拟环境训练机器人，有助于加快训练进程

过去，机器人的流畅运动需要海量数据进行训练，造成了较高的成本和进入壁垒。 一般来说，机器手臂在操作过程中，动作的方向、角度、力度都需要在各类情形下 反复训练才能达到较高的精确度。因此，真实场景中的训练强度、数据规模，直接 影响了机器人运动的流畅性和精度。同时，通过各类传感器在真实场景中采集的数 据的数量有限，且难以覆盖长尾场景，造成了机器人的训练成本较高的问题。 近期，在AIGC之外，更先进的数字孪生技术也在持续赋能机器人的训练过程。近年 来，谷歌、英伟达和腾讯，都不约而同地将“在虚拟环境进行调试和训练”作为降低机 器人调试时间、提高训练效率的解决方法。

1.英伟达：通过虚拟仿真模拟，大幅提升机器人的训练速度

Omniverse Enterprise是英伟达于2021年推出的协作设计平台，是一个计算机图形 与仿真模拟平台，它不仅能够加速各种复杂的3D工作流，还能够以突破性的新方式 实现后续的创新可视化、模拟和编码。将光线追踪、AI和计算等复杂技术集成到 3D 流水线中，带来更高的效率。 模拟是机器人的基本技能，因此对机器人的训练可以在虚拟环境中实现。本质上讲， 模拟是计算机图形学的核心，通过Omniverse，我们可以使用数学和计算机科学来 模拟粒子、液体、材料、弹簧、线缆之类的物理特性。英伟达认为，模拟是机器人 技术的基本能力，机器人可以在Omniverse世界里通过模拟，学习如何成为一名合 格的机器人。比如机器人可以在英伟达Omniverse的虚拟工厂里训练如何搬箱子、 拾取放置对象等操作。在Omniverse的建模下，虚拟工厂内的AI、软件，和实体工 厂所用的完全相同。这就是打造数字孪生的概念了，包括虚拟工厂中的布局、操作 设备和实体工厂一样，而且也为连接ERP、MES系统等提供了便利。

因此英伟达开发了专门用于机器人训练的平台，给机器人客户提供支持。这款平台 软件是NVIDIA Isaac Sim™，是由 Omniverse™ 提供支持的一种可扩展的机器人 模拟应用程序和合成数据生成工具，可为逼真的、物理上准确的虚拟环境提供支持。 这款平台软件提供了一种更好、更快的方法来开发、测试和管理基于 AI 的机器人。 Isaac Sim 充分利用了 Omniverse 平台强大的模拟技术，其中包括使用 NVIDIA® PhysX™ 5 的高级 GPU 物理模拟、具有实时光线和路径追踪的照片级真实感，以 及对基于物理的渲染的 MDL 材料定义支持。

英伟达的Isaac Sim给机器人训练，带来了效率和准确率两方面的提升。 第一，标记识别准确率提升。根据公司的GTC 2023发布会，通过Isaac Sim 中的 Omniverse Replicator，Amazon Robotics 成功生成了大型逼真合成数据集，将标 记检测成功率从 88.6%提高到了98%。

第二，训练效率大幅提升。使用Omniverse Replicator生成的合成数据还加快了开发 速度，将所需时间从几个月缩短到了几天，因为与仅使用真实数据相比，Isaac Sim 能够以更快的速度迭代测试和训练模型。 同样基于Omniverse平台的PhysX物理模拟解决方案，也带来了模拟开发的高性能和 高精确度，适用范围包括传统的游戏开发到高保真机器人、医疗模拟和科学可视化 应用程序的工业模拟。

2.谷歌：在近期发布的PaLM-E模型中，机器人训练数据可以来源于虚拟场景

在PaLM-E的训练的过程中，研发人员构建了高度仿真现实空间的虚拟场景，在其中 可以自由设置各种情况的发生。较大规模、较高质量的三维空间感知和状态数据， 成为PaLM-E模型具有较强空间感知能力并最终实现机器操作的前提，有望降低训练 成本。

3.腾讯：利用AI和游戏技术建模，帮助四足机器人Robotics X Max不断成长

腾讯正在将游戏技术，运用到对于机器人的智能系统的构建和建模中。2022年6月 27日，腾讯游戏学堂联合腾讯互娱旗下START团队、腾讯Robotics X实验室，宣布 发起游戏驱动机器人加速智能学习项目，利用AI和游戏技术帮助腾讯多模态四足机 器人Robotics X Max不断成长。Robotics X Max是腾讯Robotics X实验室首个全自 研的足轮融合多模态四足机器人，四足模态下的外形像真狗（以下简称机器狗）。 该项目结合游戏技术，正在构建一套不断进化的智能系统，从虚拟到现实解决机器 人的智能控制与自主决策问题。

该项目可以基于高效物理模拟技术，把机器人的训练放在虚拟环境中。该项目的一 项核心游戏技术，是基于动力学的高效物理模拟技术，能够利用无限接近真实的虚 拟环境打破物理世界的局限性，将机器人的训练场搬至虚拟空间，提高机器人的训 练效率。游戏是模拟现实世界的最佳场所，也是最好的虚拟模拟和训练环境。利用 在游戏中被广泛使用、积累了丰富技术优势的高效物理模拟技术，在游戏中可以快 速搭建不同拟真虚拟训练场景，参照现实中的运动数据，让机器狗Robotics X Max 在复杂地形中完成行走、奔跑、相互协作等训练。基于智能体动作生成技术，机器 狗的运动轨迹规划将会更加自然流畅，能够实现更细颗粒动作的智能生成、控制、 决策，使动作表现体现高度智能。

机器人在虚拟环境中训练效率更高，一个原本要几年的训练过程甚至可以被缩短成几小时。通过游戏中的智能体动作生成技术和实时物理模拟技术，不仅可以让机器 狗“更加聪明”，动作更加真实、智能、适应复杂环境的变化，还可以让它“学得 更快”，提升其在虚拟环境中的训练效率，大力缩减其在现实世界完成训练的过程 与时间，实现高效训练的目标，一个原本要几年的训练过程甚至可以被缩短成几小 时。 在算力允许的情况下，该项目可以更大幅度地缩减机器人训练所需的训练时间。腾 讯游戏团队披露了该技术用于提升机器人智能化训练效率的最新进展：目前已经实 现单只机器狗经过CPU优化后效率提升20倍，且同时训练的机器狗数量越多，训练 的效果越好。当同时存在50只机器狗训练时，训练时间实现百倍提速。未来，在腾 讯游戏技术团队的助力下，将进一步结合GPU加速技术，实现虚拟环境中机器狗训 练效率的飞跃提升。

我们预计，未来机器人训练的成本有望大幅下降，推动人形机器人的产业化实现更 多可能性。过去，人形机器人的训练受制于三方面——数据、算法和算力，唯有特 斯拉在独占鳌头，一方面，Dojo提供了强算力，节省了训练的时间，另外，D1芯片 的性能功耗比比较强，但最核心的还是，特斯拉的自有工厂是天然的训练场，对每 一个动作进行成千上万次的训练、实现性能的优化。 如果能够实现在虚拟环境中的训练，各类主机厂都能够参与其中。如果虚拟环境的 训练能够达到较好的效果、不再要求大量的实际场地，那么人形机器人的训练过程 将被极大简化，从而机器人参与玩家更多，应用端将有更为丰富的可能性，是对于 整个人形机器人产业链的利好。

五、人形机器人+AI 的趋势中，中国产业链机遇何在？

（一）机器人核心模块呈金字塔结构，科技公司撬动运控零部件机遇

特斯拉、微软等科技公司在顶层数据和开发上实现跨越式突破，为产业链带来发展 机遇，利好机器人整机及关键零部件的生产销售。

运动控制模块产业链需求增长。随着机器人更灵活，运用的关节数量更多，因此运 动控制模块是产业链机遇明确的环节。正如前文所述，特斯拉公布其机器人配套了 全身40个运动执行单元，其中上肢和躯干28个，腿部12个，仅手部就有12个，催生 了对于运动控制模块的大量需求。运动控制的零部件环节，三大核心零部件包括 控制系统、伺服系统、减速器： 1.控制系统：机器人本体厂商的核心竞争力，壁垒在于算法部分，涉及到对下游 应用领域的工艺理解，主流整机厂商大多选择自主生产，国产厂商大多选择外购 或者收购整合来解决； 2.伺服系统：由驱动器和伺服电机组成，驱动器壁垒在于算法，有驱控一体化的 趋势，伺服电机的难点在于小型化，其下游应用也较为广泛； 3.减速器：纯机加工零件，与其他部分协同性较弱，且技术壁垒极高，本体厂家 均选择外购，进入意愿很小。 运动控制模块中，毛利率最高的核心零部件分别是减速机（传动装置）、伺服（驱 动装置）和控制器（控制系统）。

我们预测人形机器人的运动控制模块占到物料成本40%左右。普通的工业机器人的 成本构成中，运动控制核心零部件（控制器、伺服电机、减速机）占到了成本的6 成左右。由于人形机器人的感知层要求更高，传感器相比工业机器人更多，占比提 升。我们结合工业机器人的成本结构，考虑到人形还需要皮肤等外表功能件，假设 人形机器人中的硬件成本构成结构为：运动控制零部件（控制、驱动和执行模块） 占到40%，传感器占比30%，结构件和功能件占到30%。

参考工业机器人，本质是“硬件+软件”的组合，硬件通常外购。机器人产业链由 零部件厂商、机器人本体厂商、系统集成商、终端用户四个环节组成，本体厂商 处于核心地位。工业机器人的软件部分涉及到机器人的控制以及对下游工艺的理 解，需要做到可复制的同时满足不同客户的需求，这是本体厂商的核心竞争力。 而硬件的生产需要规模效应，通常采用外购的方式。

非核心部件，机器人公司外购概率大，例如波士顿公司正公开寻求供应商。根据The Robot Report, 波士顿动力因为没有合适供应商，目前自研伺服阀，但副总裁 Saunders 在演讲中公开表示，作为机器人公司并不想自研伺服阀，希望能有供应商 向他们提供合适的零部件。因此，对于特斯拉，我们也合理猜测，摄像头和算法等 核心部件，特斯拉将发挥其供应链及技术优势，进行汽车供应商平移或自制供应； 对于减速器、伺服等技术要求较低的驱动部件，特斯拉或寻求外部供应。因此，在 工业机器人领域具有技术积累和产能优势的厂商可能首先获益。

（二）减速机：高精度的关节传动装置，技术壁垒高

减速机作为机器人的核心精密零部件，技术壁垒高。减速机的主要工作原理为通过 机械传动装置实现对原动机的减速增矩，是影响机器人性能的核心因素，在高精度 场景中尚未存在替代方案，技术壁垒较高。同时，研发投入和固定资产投入都较高， 绿的谐波从研发到成品花了10年的时间，初始投入大（根据招股书披露，其磨床 原价约200万元，滚齿300万元），是典型的高壁垒的行业。 谐波减速机应用领域广泛，一半以上应用用于工业机器人。可用于工业机器人、 航空航天、数控机床、半导体设备等领域。以全球谐波减速器龙头哈默纳科 （Harmonic）为例，根据HD年报的披露，2015-2019年HD下游需求中来自工业 机器人的占比在50%以上。

谐波减速器用于工业机器人的轻载场合，精度高、结构简单，实现同样的减速 比，重量有明显优势。对于工业机器人来说，使用过程中不需要特别高的速度， 而需要比较大的力矩来带动负载，因此需要减速器来达到降低速度提高转矩的目 的。机器人对减速器的要求包括抗冲击性、长寿命、低振动、高刚度、高精度、 高效率、轻巧紧凑等，一般使用谐波减速器和RV减速器，谐波主要用于轻载，RV 主要用于重载场合。

根据GGII，新增的工业机器人需求是减速器产业发展的主要驱动力。此外，减速器 本身有额定的使用寿命，需要定期更换，即存量市场的更换亦是需求方向之一。工 业机器人的工作寿命一般为8-10年，期间减速器作为传动、承重部件，磨损不可避 免，其使用寿命通常在两年左右。因而，当前保有的工业机器人维修保养亦需要大 量的减速器替换。 GGII数据显示，2021年中国工业机器人减速器总需求量为93.11万台，同比增长 78.06%。其中增量需求82.41万台，同比增长95.05%；存量替换量为10.70万台， 同比增长6.57%。自2020年二季度开始，受益于机器人市场的回暖，减速器市场迎 来新转机；2021年市场迎来需求高增长，减速器市场正式回归“黄金时代”，大部 分减速器厂商均迎来业绩的增长。随着数字化进程的加快推进，机器换人将受益其 中，预计未来几年减速器市场增长的确定性进一步增强, 到2026年市场总需求量有 望超过270万台。

一般来说，机器人的每个关节都需要配置一台减速器，不同的机器人有不同数量的 关节。灵活度越高、关节越多，所用的减速机越多。而且负载不同，所用的减速器 也不同，重载的关节多使用RV减速器，轻载关节一般用谐波减速器。

特斯拉机器人配套了全身40个运动执行单元，假设使用20个谐波减速机。正如前文 所说，特斯拉的40个运动执行单元包括中上肢和躯干28个，仅手部就有12个，如果 考虑使用谐波驱动，假设其中20个是轻载需求，则需求个数如下：15个谐波减速机， 10个行星减速机，2个RV减速机，市场空间可观。 谐波减速机的市场空间有机会获得较大增长。假设人形机器人从工业级别产品发展 到消费品级别的产品，在10万台、50万台和100万台这三种销量假设下（预计未来 10年内），减速机的市场空间增量分别为31亿元、125亿元和175亿元，其中第三种 情况下，175亿元市场中75亿元为谐波减速机。根据高工咨询GGII，2021年中国减 速器市场空间为93亿，人形机器人将给减速机带来需求空间增长。

竞争格局角度，国产品牌占比逐步提高。国内生产工业机器人减速器的企业数量逐 渐增多，且技术在逐步提升，部分厂商已经实现量产并逐步推向市场，在精密减速 器国产化的道路上进步明显。根据GGII，2021年谐波减速机市占率方面，绿的谐波 和来福谐波市场占有率提升明显，哈默纳科份额进一步略有收缩。2021年RV减速机 的市场格局方面，环动科技的市场份额提升明显，纳博特斯克略有收缩，国产份额 持续提升。

绿的谐波作为国产减速机龙头，已有服务机器人的配套经验。根据公司招股书，绿 的谐波的产品广泛应用于工业机器人、服务机器人、数控机床、航空航天、医疗器 械、光伏设备等高端制造行业和领域，其中谐波减速器已经配套国内人形机器人优 必选，未来有望承接更多服务机器人机会。

绿的谐波产能提升，有望承接更多订单。从行业发展的一般规律来看，厂商处于供 应链管理、成本管控等方面的考虑均会扶持二供。根据绿的谐波招股书，在IPO募投项目达产之前，公司每年谐波减速器产能约9万台，只有哈默纳科谐波减速器产能 （178万台）的5%；募投产能达产以后，公司精密谐波减速器产能59万台，约为哈 默纳科21年产能目标中位数（312万）的20%。根据公司2021年年报，公司的50万 台谐波减速器募投项目还在稳步推进，按募投项目建设计划完成项目建设、设备采 购、设备调试等工作。根据公司公告的《投资者关系活动记录表》，截止2021年底 公司产能达到了年产30万台谐波减速器的水平。如果未来人形机器人订单激增，绿 的谐波有可能承接更多订单，产能建设是很大的挑战。

（三）其他产业链机遇：伺服和传感器

1. 伺服：2021年国产品牌汇川市占率达到第一，规模效应创造竞争力

伺服电机通过实时的负反馈信号来实现更精密的控制，在精度方面优于步进电机， 在工业机器人、锂电和光伏制造等领域得到广泛应用。伺服电机转子由驱动器形成 的磁场作用，编码器反馈信号给驱动器，反馈值与目标值进行比较，调整转子转动 的角度，电机精度决定于编码器的精度。 国产公司汇川、信捷和合川，近年来增长较快，国产伺服份额已经达到20%以上。 根据MIR，2017年汇川的市占率5%，2021年市占率已经达到16%，跃居市占率第一 的品牌，增速非常高。伺服在新兴制造业占比相对多，而且新型制造迭代快、不看 重案例、对价格敏感，推动了2021年国产伺服市占率的大幅度提升。市占率的提升 又促进了伺服品质的迭代进步。

汇川的伺服产业链完整，发挥规模优势，吸引服务机器人领域订单。伺服的核心零 部件是驱动器、电机、编码器，汇川是国产公司中稍有的产业链完整的公司，可以 发挥规模效应。尽管下游配套的是工业自动化和工业机器人，但在规模效应之下成 本能够下降，对于服务机器人的客户具有吸引力。

2. 传感器：人形机器人需要很多传感器，以保证灵敏度

人形机器人需要很多传感器，来保证足够的信息采集。根据ZC_Robot机器人技术， 机器人传感器是一种检测装置，可以使得机器人感受到被测量信息，并且将加测感 受到的信息按照一定规律转化为电信号或者其他形式的信息输出，以满足信息的传 输、处理、存储等需求。机器人传感器是机器人的必要零部件，其可以将必要的外 部信息以及自身状态信息传递给机器人的控制系统，从而为机器人的决策提供必要 的条件。机器人的环境感知能力依赖于对于环境信息的采集，因此更智能的机器人 需要很多传感器。 根据检测对象的不同，可以分为内部传感器、外部传感器。内部传感器是用于测量 机器人自身状态的功能元件，用于机器人感知自身的运动状态，使得机器人可以按 照规定的位置、轨迹和速度等参数运动。外部传感器主要是感知机器人自身所处环 境以及自身和环境之家的相互信息，包括视觉、力觉等。根据ZC_Robot机器人技术， 机器人的主要传感器包括：视觉：视觉主要包括三个过程：图像获取，图像处理以及图像理解； 力觉：力传感器主要分为关节力传感器、腕部力传感器以及手指力传感器等； 触觉：触觉可以感知物体的表面特性和物理特性，研究从20世纪80年代开始； 接近觉：机器人移动和操作过程中由接近觉可以得到更好的操控效果。

传感器领域下游需求分散，龙头具备规模效应。传感器下游细分很多、制造各不同， 是下游差异性较强的行业，较难形成规模效应。国际传感器大公司需要国际化销售、 制造外包模式来做大规模、摊薄研发成本。传感器领域的优秀公司基恩士，依靠全 球化的规模效应，2019财年共49.37亿美元营收，18.10亿美元净利润，利润率达到 37%。根据林雪萍的《中国制造的隐痛：传感器之殇》，基恩士以纯设计（Fabless） 起家，设计和销售传感器，同时不定制产品，标准化研发+代工，维持较高的规模效 应。

人形机器人的消费品级别需求体量，能够推动传感器细分板块的国产替代加速。对 比中国消费领域和工业领域的传感器，中国消费类电子的传感器，由于市场的拉动， 近十年已经有了很大的进步，而工业领域卡脖子情况依然非常严重，围绕着控制与 测量，尤其是仪器仪表传感器，几乎完全进口。能够形成较强的规模效应的领域， 才能够率先实现国产替代。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

关键词：