PAGE1敬請參閱最后一頁特別聲明PAGE1敬請參閱最后一頁特別聲明投資邏輯垂直領(lǐng)域具身智能機器人，為什么是現(xiàn)在看好？“大腦”成熟度逐步提升，打造具身智能落地基礎(chǔ)：機器人“大腦”主要功能包括實時交互、多模態(tài)感知、自主可靠LLM（大語言模型）+VFM（視覺基礎(chǔ)模型）VLM（視覺語言模型）多模視覺語言動作模型3D垂直領(lǐng)域缺數(shù)據(jù)、推理慢、控制難等問題有望解決，加速產(chǎn)業(yè)化落地：目前的通用機器人距離成熟產(chǎn)業(yè)化應(yīng)用還有一哪些場景前景大？潛在場景尋找思路：我們一方面認為工業(yè)機器人滲透率越低，未來的應(yīng)用前景越大，因為工業(yè)機器人完成了標準化行服裝：服裝行業(yè)是典型的勞動密集型行業(yè)，尤其是縫紉環(huán)節(jié)主要依靠人工難以實現(xiàn)自動化升級，主要由于處理布料柔FLIPSSFold康養(yǎng)：我們認為康養(yǎng)場景是具身智能機器人最終實現(xiàn)家庭應(yīng)用的最優(yōu)過渡場景，下游面臨“招工難”痛點，同時產(chǎn)業(yè)1X物流：物流行業(yè)經(jīng)過多年自動化升級已經(jīng)在倉儲、傳送、分揀等環(huán)節(jié)具有了較高的自動化程度，但其中剩下了一些工GXODigitFigureHelix投資建議看好垂直領(lǐng)域具身智能機器人應(yīng)用機會，尤其是服裝、康養(yǎng)、物流等行業(yè)，建議關(guān)注杰克股份、華中數(shù)控、奧比中光。風險提示機器人大模型技術(shù)發(fā)展不及預(yù)期、政策支持不及預(yù)期。掃碼獲取更多服務(wù)行業(yè)專題研究報告掃碼獲取更多服務(wù)行業(yè)專題研究報告PAGE10敬請參閱最后一頁特別聲明PAGE10敬請參閱最后一頁特別聲明內(nèi)容目錄垂直領(lǐng)域具身智能機器人，為什么是現(xiàn)在看好？ 5“大腦”成熟度逐步提升，打造具身智能落地基礎(chǔ) 5垂直領(lǐng)域缺數(shù)據(jù)、推理慢、控制難等問題有望解決，加速產(chǎn)業(yè)化落地 7從場景獲取真機數(shù)據(jù)，加速實現(xiàn)“數(shù)據(jù)飛輪” 7需要的模型更“小，解決推理太慢痛點 10不追求人形形態(tài)，控制算法更成熟 12哪些場景潛力大？ 16潛在場景尋找思路 16工業(yè)/服務(wù)機器人滲透率的逆向思考，工業(yè)機器人滲透率越低未來前景越大 16哪里“缺工”看哪里，三種機器人覆蓋三種類型工作 18服裝：主要針對縫紉環(huán)節(jié)，解決招工難、人工成本高等下游核心痛點 20康養(yǎng)：機器人最終進入家庭最優(yōu)的過渡場景 25物流：國內(nèi)外企業(yè)積極探索應(yīng)用，解決拆零揀選等環(huán)節(jié)工作量大痛點 31投資建議 38風險提示 39圖表目錄圖表1：機器人“大腦”技術(shù)架構(gòu) 5圖表2：機器人主要大模型 5圖表3：谷歌SayCan模型于LLM+VFM來理解用戶指令推理分解任務(wù)步驟 6圖表4：清華大學Vila算法用GPT-4V等VLM在復(fù)雜環(huán)境中主動進行任務(wù)規(guī)劃 6圖表5：谷歌RT-H模型能夠?qū)⒏邔哟稳蝿?wù)映射為低層次運動，減少訓練需要的數(shù)7圖表6：目前預(yù)訓練大模型研究發(fā)展迅速，顯著提高了機器人感知、決策、控制能力 7圖表7：“數(shù)據(jù)飛輪”是機器人產(chǎn)業(yè)具有巨大成長性的底層邏輯 8圖表8：傅利葉開源機器人數(shù)據(jù)集FourierActionNet首批上超3萬條真機訓練數(shù)據(jù) 8圖表9：解決數(shù)據(jù)瓶頸的常用方法 9圖表10：智元數(shù)據(jù)采集工廠 9圖表11：垂直場景部署讓訓練數(shù)據(jù)結(jié)構(gòu)從“正三角”轉(zhuǎn)為“倒三角” 10圖表12：模型訓練的性能隨著計算量、參數(shù)量、數(shù)據(jù)量的增加而提升 10圖表13：目前機器人大模型普遍推理時間較長，實時性還有較大改善空間 10圖表14：Figure通過加入一個更小模型的方式來解決推理速度太慢的問題 11圖表15：垂直大模型更適合特定場景應(yīng)用 11圖表17：人形機器人僅下肢就有14個自由度，控制難度大幅增加 13圖表18：雙足行走的過程較為復(fù)雜 14圖表19：雙輪類人機器人可以簡化為兩輪倒立擺運動學模型 14圖表20：EVE搭載的世界模型已經(jīng)可以根據(jù)動作指令生成控制軌跡完成移動 15圖表21：如果是僅有上肢的機器人在運動控制上可以沿用工業(yè)機器人的策略 15圖表22：華中數(shù)控開發(fā)的具身智能工作站 16圖表23：拓斯達雙機械臂聯(lián)動控制 16圖表24：中國工業(yè)機器人密度趕超日本，制造業(yè)自動化水平較高 16圖表25：汽車等標準化程度較高的制造業(yè)領(lǐng)域已經(jīng)實現(xiàn)了工業(yè)機器人的大規(guī)模應(yīng)用 17圖表26：工業(yè)機器人目前在較多細分行業(yè)的覆蓋場景和應(yīng)用深度有限 17圖表27：服務(wù)業(yè)中僅物流倉儲、酒店機器人應(yīng)用比例較高 18圖表28：汽車行業(yè)由于標準化工業(yè)機器人滲透率最高 18圖表29：在垂直大模型加持下即使是工業(yè)機器人也可以面向更加柔性的場景 18圖表30：4Q2022“最缺工”職業(yè)排行 18圖表31：在“缺工”背景下機器人滲透率有望快速提升 19圖表32：縫中環(huán)節(jié)是服裝廠實現(xiàn)全面自動化的瓶頸 20圖表33：目前服裝廠可以實現(xiàn)縫前、縫后的高自動化，縫中主要依靠人工 20圖表34：模板機自動化程度更高，但上下料還是需要人工操作 21圖表35：布料屬于接觸豐富型柔性物體，機器人的應(yīng)用具有一定難度 21圖表36：帕西尼靈巧手傳感器可實現(xiàn)不同布料材質(zhì)識別 22圖表37：1X展示了世界模型生成布料折疊長時程任務(wù)能力 22圖表38：FLIP框架提升了長時程視頻規(guī)劃合成成功率與質(zhì)量 23圖表39：FLIP框架在布料折疊任務(wù)中可以生成長期規(guī)劃方案 23圖表40：基于人類演示數(shù)據(jù)完成布料折疊訓練 24圖表41：該方法已經(jīng)可以對未見過的布料完成單折、雙向內(nèi)折、三角折等操作 24圖表42：杰克股份牽頭縫制機械項目研發(fā)與驗證 25圖表43：在多個高校加持下有望進一步加速服裝機器人產(chǎn)業(yè)化落地節(jié)奏 25圖表44：1X機器人推出的目標就是打造直接面向終端消費者的家用機器人 26圖表45：康養(yǎng)場景預(yù)計先用輪式機器人進行過渡后續(xù)迭代為雙足機器人 26圖表46：RIBA-II型康養(yǎng)機器人結(jié)構(gòu) 27圖表47：Moxi僅完成運輸工作就顯著減輕了醫(yī)院員工負擔 27圖表48：以Torobo機器人為測試平臺的深度學習架構(gòu) 28圖表49：傅利葉三維上肢康復(fù)機器人 28圖表50：華為、優(yōu)必選、創(chuàng)耀科技、麥迪科技等參與具身智能康養(yǎng)協(xié)同發(fā)展機制 29圖表51：億嘉和RK100型機器人主要面向康養(yǎng)、家居等場景 29圖表52：1X發(fā)布模型升級 30圖表53：Redwood跨平臺架構(gòu) 30圖表54：Redwood升級強化了在家庭類場景中的實際任務(wù)完成能力 31圖表55：兩部門發(fā)文展示了較多智能養(yǎng)老服務(wù)機器人結(jié)對公關(guān)與場景應(yīng)用試點項目 31圖表56：物流行業(yè)整體已經(jīng)有了較高的自動化程度 32圖表57：蘭劍智能壁虎料箱機器人系統(tǒng)優(yōu)化貨到人揀選 32圖表58：德馬科技智能播種機器人縮減二次分揀人工作業(yè) 32圖表59：揀選尤其是拆零揀選是人力耗費最大的環(huán)節(jié) 32圖表60：貨到人揀選降低了揀選人員走動的工作量 33圖表61：美國倉儲、物流和制造行業(yè)有大量材料搬運崗位空缺 33圖表62：德馬科技與鹿鳴機器人合作推動在智能工廠和物流場景測試和應(yīng)用機器人 34圖表63：全球物流巨頭GXO積極探索機器人應(yīng)用 34圖表64：Digit機器人的運動學結(jié)構(gòu) 35圖表65：基于Digit機器人行走的強化學習框架結(jié)構(gòu) 35圖表66：Digit機器人已經(jīng)實現(xiàn)了商業(yè)化應(yīng)用，目標產(chǎn)能臺/年 36圖表67：Reflex輪式機器人可完成分揀、搬運、打包等物流行業(yè)常見工作內(nèi)容 36圖表68：Figure在物流行業(yè)部署機器人后模型性能持續(xù)提升 37圖表69：Helix性能提升主要來自于系統(tǒng)1的優(yōu)化 37圖表70：訓練數(shù)據(jù)量的增加顯著提升了物流行業(yè)處理性能 38圖表71：新架構(gòu)特征的添加也提升了模型性能 38圖表72：建議關(guān)注公司 38垂直領(lǐng)域具身智能機器人，為什么是現(xiàn)在看好？“大腦”成熟度逐步提升，打造具身智能落地基礎(chǔ)圖表1：機器人“大腦”技術(shù)架構(gòu)來源：《中國人形機器人創(chuàng)新發(fā)展報告2025》，國金證券研究所目前的大模型已經(jīng)在視覺和語言處理方面取得重大突破，在機器人領(lǐng)域具有巨大應(yīng)用潛力：LLM（大語言模型+VFM（視覺基礎(chǔ)模型LLMVFM一般以卷積神經(jīng)網(wǎng)絡(luò)（ResNet）VisionTransformer(ViT)等為基礎(chǔ)模型，通過自監(jiān)督學習的方式提取圖像的特征表示，隨后將特征提取器用于下游任務(wù)。圖表2：機器人主要大模型模型介紹BERT預(yù)訓練語言模型DeepSeek高效的開源大語言模型ChatGPT應(yīng)用最廣的語言處理大模型LLaMA預(yù)訓練和指令微調(diào)的語言模型Vicuna使用監(jiān)督數(shù)據(jù)微調(diào)得到的模型Phi-2具有推理能力的小語言模型ResNet基于卷積神經(jīng)網(wǎng)絡(luò)的視覺模型ViT基于Transformer的視覺模型MAE自監(jiān)督的圖像預(yù)訓練CLIP圖像語義特征學習SAM視覺分割大模型來源：《中國人形機器人創(chuàng)新發(fā)展報告2025》，國金證券研究所SayCanLLM+VFMLLM（Grounds）大語言圖表3：谷歌SayCan模型基于LLM+VFM來理解用戶指令推理分解任務(wù)步驟來源：《DoAsICan,NotAsISay:GroundingLanguageinRoboticAffordances》，國金證券研究所VL（視覺語言模型LLMViLaGPT-4VVLM，使機器人能夠在復(fù)雜環(huán)境中主動進行任務(wù)規(guī)劃。圖表：清華大學Vla算法采用GP-4V等VLM在復(fù)雜環(huán)境中主動進行任務(wù)規(guī)劃來源：《LookBeforeYouLeap:UnveilingthePowerofGPT-4VinRoboticVision-LanguagePlanning究所VLA（視覺語言動作模型）VLMRT-HVLM圖表5：谷歌RT-H模型能夠?qū)⒏邔哟稳蝿?wù)映射為低層次運動，減少訓練需要的數(shù)據(jù)來源：《RT-H:ActionHierarchiesUsingLanguage》，國金證券研究所目前預(yù)訓練大模型研究發(fā)展迅速，顯著提高了機器人感知、決策、控制能力。圖表6：目前預(yù)訓練大模型研究發(fā)展迅速，顯著提高了機器人感知、決策、控制能力來源：《機器人大模型發(fā)展與挑戰(zhàn)》，國金證券研究所垂直領(lǐng)域缺數(shù)據(jù)、推理慢、控制難等問題有望解決，加速產(chǎn)業(yè)化落地1.2.1從場景獲取真機數(shù)據(jù)，加速實現(xiàn)“數(shù)據(jù)飛輪”圖表7：“數(shù)據(jù)飛輪”是機器人產(chǎn)業(yè)具有巨大成長性的底層邏輯來源：《DataPyramidandDataFlywheelforRoboticFoundationModels》，國金證券研究所3D3D3D圖表：傅利葉開源機器人數(shù)據(jù)集ourerActonet首批上線超3萬條真機訓練數(shù)據(jù)來源：傅利葉官網(wǎng)，國金證券研究所圖表9：解決數(shù)據(jù)瓶頸的常用方法來源：《機器人大模型發(fā)展與挑戰(zhàn)》，國金證券研究所AgiBotWorld圖表10：智元數(shù)據(jù)采集工廠來源：智元機器人官網(wǎng)，國金證券研究所圖表11：垂直場景部署讓訓練數(shù)據(jù)結(jié)構(gòu)從“正三角”轉(zhuǎn)為“倒三角”來源：《DataPyramidandDataFlywheelforRoboticFoundationModels》，國金證券研究所和更復(fù)雜的表示，從而在許多任務(wù)上實現(xiàn)更好的性能表現(xiàn)。描述性能與模型關(guān)系的ScalingLawOpenAI2020ScalingLaw圖表12：模型訓練的性能隨著計算量、參數(shù)量、數(shù)據(jù)量的增加而提升來源：《ScalingLawsforNeuralLanguageModels》，國金證券研究所ScalingLaw模型基本結(jié)構(gòu)模型基本結(jié)構(gòu)參數(shù)大小預(yù)訓練任務(wù)推理速度硬件RoboCat僅解碼器的Transformer1.18B操作任務(wù)10~20Hz-Gato僅解碼器的Transformer1.2B通用智能體20Hz16×16TPUv3PaLM-E-562B僅解碼器的Transformer562B語言子任務(wù)+控制策略5~6Hz多TPU云服務(wù)器ViNTEfficient+僅解碼器的Transformer31M視覺導(dǎo)航4Hz2×4090,3×TitanXp,4×P100,8×1080Ti,8×V100,8×A100模型基本結(jié)構(gòu)參數(shù)大小預(yù)訓練任務(wù)推理速度硬件VPT卷積+ResNet0.5BMinecraft中的具身智能體20Hz720V100GPURT-1EfficientNet+TokenLearner+僅解碼器的Transformer35M真實世界機器人任務(wù)3Hz-RT-2PaLI-X55B真實世界機器人任務(wù)1~3Hz多TPU云服務(wù)器RT-2-XViT+語言模型UL255B真實世界機器人1~3Hz多TPU云服務(wù)器LIVCLIP-獎勵學習15Hz8個英偉達V100GPUsSMART僅解碼器的Transformer11M雙向動力學預(yù)測和控制1Hz8個英偉達V100GPUsCOMPASS3D-Reset編碼器20M對比損失30Hz8個英偉達V100GPUsPACT僅解碼器的Transformer12M動作預(yù)測50Hz8個英偉達V100GPUs來源：《機器人大模型發(fā)展與挑戰(zhàn)》，國金證券研究所FigureFigureHelixVLAVLM21圖表4：Figure通過加入一個更小模型的方式來解決推理速度太慢的問題來源：Figure官網(wǎng)，國金證券研究所在具體的垂直場景中，模型并不是越大越好，更大的模型算力需求更大、推理時間更長、能耗/維護成本更高，選擇基于垂直場景專業(yè)知識和數(shù)據(jù)進行優(yōu)化訓練的垂直大模型更加適合。對比維度通用大模型對比維度通用大模型垂直領(lǐng)域大模型實現(xiàn)技術(shù)大規(guī)模預(yù)訓練針對特定領(lǐng)域訓練進行微調(diào)場景通用場景專門場景需求能為核心，追求全面性和普適性滿足某一行業(yè)內(nèi)用戶的特定需求。以深入理解和執(zhí)行特定領(lǐng)域任務(wù)為核心，追求專業(yè)性和準確性對比維度通用大模型垂直領(lǐng)域大模型商業(yè)化開放平臺或SaaS產(chǎn)品企業(yè)內(nèi)部定制化開發(fā)的應(yīng)用或針對特定行業(yè)的解決方案模型規(guī)模模型參數(shù)量通常巨大可能有較大規(guī)模的參數(shù)，但專業(yè)數(shù)據(jù)更重要性能優(yōu)勢具有廣度優(yōu)勢在專用領(lǐng)域提供更專業(yè)、準確的答案和服務(wù)資源投入成本維護和更新上也需要持續(xù)投入訓練成本同樣不低，但相比于訓練同等效果的通用大模型，在資源消耗上更為可控特點具有強大的遷移學習能力、靈活適應(yīng)新任務(wù)的能力以及在各類普通場景下的實用性具有深厚的領(lǐng)域?qū)I(yè)知識，對特定領(lǐng)域復(fù)雜問題具有深入理解和高精度決策支持的能力舉例ChatGPT、Gemini、通義千問等/來源：《制造業(yè)大模型的構(gòu)建與實踐》，國金證券研究所不追求人形形態(tài)，控制算法更成熟圖表16：機器人“小腦”包括運動控制器、驅(qū)動、執(zhí)行器、運動反饋單元等來源：固高科技招股說明書，國金證券研究所14311關(guān)節(jié)的3個自由度，每個膝關(guān)節(jié)1個前向自由度，通過1個旋轉(zhuǎn)副連接。圖表17：人形機器人僅下肢就有14個自由度，控制難度大幅增加來源：《基于動作捕捉技術(shù)對仿人機器人運動學分析與仿真》，國金證券研究所雙足行走的過程較為復(fù)雜，步態(tài)優(yōu)化控制和魯棒穩(wěn)定性等研究上仍存在有待解決的問題，尤其是在具體場景中進行應(yīng)用要求更高。圖表18：雙足行走的過程較為復(fù)雜來源：《動態(tài)雙足機器人的控制與優(yōu)化研究進展》，國金證券研究所圖表19：雙輪類人機器人可以簡化為兩輪倒立擺運動學模型來源：《CompositeWhole-BodyControlofTwo-WheeledRobots》，《深度強化學習理論及其在機器人運動控制中的應(yīng)用實踐》，國金證券研究所1X發(fā)布的輪式機器人EVE搭載的世界模型已經(jīng)可以根據(jù)動作指令生成控制軌跡完成移動。圖表20：EVE搭載的世界模型已經(jīng)可以根據(jù)動作指令生成控制軌跡完成移動來源：1X官網(wǎng)，國金證券研究所圖表21：如果是僅有上肢的機器人在運動控制上可以沿用工業(yè)機器人的策略來源：《工業(yè)機器人技術(shù)基礎(chǔ)》,《仿人機器人輕型高剛性手臂設(shè)計及運動學分析》,國金證券研究所目前例如華中數(shù)控、拓斯達等原先擁有“小腦”+工業(yè)機器人技術(shù)儲備的企業(yè)均推出了僅有上肢的機器人產(chǎn)品，搭配上合適的垂直大模型有較好的產(chǎn)業(yè)化應(yīng)用前景。圖表22：華中數(shù)控開發(fā)的具身智能工作站圖表23：拓斯達雙機械臂聯(lián)動控制來源：華中數(shù)控微信公眾號，國金證券研究所來源：拓斯達官網(wǎng)，國金證券研究所哪些場景潛力大？潛在場景尋找思路工業(yè)/2022年工業(yè)機器人密度已經(jīng)反超日本走向全球領(lǐng)先。圖表24：中國工業(yè)機器人密度趕超日本，制造業(yè)自動化水平較高中國工業(yè)機器人密度 日本工業(yè)機器人密度500450400350臺/臺/萬人2502001501005002014 2015 2016 2017 2018 2019 2020 2021 2022 2023來源：Ifind，國金證券研究所汽車等標準化程度較高的制造業(yè)領(lǐng)域已經(jīng)實現(xiàn)了工業(yè)機器人的大規(guī)模應(yīng)用。圖表25：汽車等標準化程度較高的制造業(yè)領(lǐng)域已經(jīng)實現(xiàn)了工業(yè)機器人的大規(guī)模應(yīng)用來源：《我國機器人產(chǎn)業(yè)最新變化發(fā)展縱覽》，國金證券研究所圖表26：工業(yè)機器人目前在較多細分行業(yè)的覆蓋場景和應(yīng)用深度有限來源：艾瑞咨詢研究院，國金證券研究所尤其在服務(wù)行業(yè)的工作內(nèi)容更加柔性，機器人的應(yīng)用比例更低，服務(wù)業(yè)中僅物流倉儲、酒店機器人應(yīng)用比例相對高，其他行業(yè)滲透率均較低。圖表27：服務(wù)業(yè)中僅物流倉儲、酒店機器人應(yīng)用比例較高 圖表28：汽車行業(yè)由于標準化工業(yè)機器人滲透率最高已應(yīng)用占比

籌備中占比

未計劃占比

已應(yīng)用占比

籌備中占比

未計劃占比100%90%80%70%60%50%40%30%20%10%0%

100%90%80%70%60%50%40%30%20%10%0%來源：艾媒咨詢，國金證券研究所 來源：艾媒咨詢，國金證券研究所目前比較成熟的工業(yè)/服務(wù)機器人應(yīng)用主要是解決較為簡單的重復(fù)性勞動來降低人工成本，圖表29：在垂直大模型加持下即使是工業(yè)機器人也可以面向更加柔性的場景來源VoxPoser:Composable3DValueMapsforRoboticManipulationwithLanguageModels國金證券研究所哪里“缺工”看哪里，三種機器人覆蓋三種類型工作2022100排名職業(yè)名稱1營銷員排名職業(yè)名稱1營銷員2汽車生產(chǎn)線操作工3快遞員4餐廳服務(wù)員5商品營業(yè)員排名職業(yè)名稱6家政服務(wù)員7保潔員8保安員9包裝工10車工11其他12焊工13機械制造工程技術(shù)人員14養(yǎng)老護理員15客戶服務(wù)管理員16縫紉工17質(zhì)檢員18裝配鉗工19市場營銷從業(yè)人員20客房服務(wù)員來源：人力資源社會保障部網(wǎng)站，國金證券研究所我們認為可以總結(jié)出幾種典型的機器人應(yīng)用場景，在下游“缺工”情況下滲透率有望快速提升：輪式機器人：具備一定擬人化能夠提供情緒價值，解決家政、養(yǎng)老護理相關(guān)工作“缺工”問題，成長潛力較大。人形機器人：擬人化程度最高，直接對接消費者完成服務(wù)。圖表31：在“缺工”背景下機器人滲透率有望快速提升來源：華中數(shù)控微信公眾號，1X官網(wǎng)，特斯拉官網(wǎng)，國金證券研究所服裝：主要針對縫紉環(huán)節(jié)，解決招工難、人工成本高等下游核心痛點圖表32：縫中環(huán)節(jié)是服裝廠實現(xiàn)全面自動化的瓶頸來源：杰克股份官網(wǎng)，國金證券研究所其中的主要痛點在于縫紉的柔性化程度太高，在衣服款式/尺寸、布料種類/厚度等變量影響下基本只能通過人工手動完成。圖表33：目前服裝廠可以實現(xiàn)縫前、縫后的高自動化，縫中主要依靠人工來源：杰克股份官網(wǎng)，國金證券研究所即使是將工業(yè)縫紉機升級為模板機，上下料的環(huán)節(jié)還是涉及較多人工操作。圖表34：模板機自動化程度更高，但上下料還是需要人工操作來源：杰克股份官網(wǎng)，國金證券研究所圖表35：布料屬于接觸豐富型柔性物體，機器人的應(yīng)用具有一定難度來源LearningForesightfulDenseVisualAffordanceforDeformableObjectManipulation》，國金證券研究所PX-6AXGEN2圖表36：帕西尼靈巧手傳感器可實現(xiàn)不同布料材質(zhì)識別來源：帕西尼官網(wǎng)，國金證券研究所1X世界模型具備生成布料折疊長時程任務(wù)能力，布料作為可變形物體，模擬的難度比剛體復(fù)雜得多，其物理特性很難精準建模。圖表37：1X展示了世界模型生成布料折疊長時程任務(wù)能力來源：1X官網(wǎng)，國金證券研究所NUSFLIP（像素級動態(tài)軌跡）作為通用動作單元，結(jié)合動圖表8：FLIP框架提升了長時程視頻規(guī)劃合成成功率與質(zhì)量來源：《FLIP:FLOW-CENTRICGENERATIVEPLANNINGASGENERAL-PURPOSEMANIPULATIONWORLDMODEL》，國金證券研究所FLIPLVDM、IRASim圖表9：FLIP框架在布料折疊任務(wù)中可以生成長期規(guī)劃方案來源：《FLIP:FLOW-CENTRICGENERATIVEPLANNINGASGENERAL-PURPOSEMANIPULATIONWORLDMODEL》，國金證券研究所SSFold，一種結(jié)合圖結(jié)構(gòu)感知與人類演示圖表40：基于人類演示數(shù)據(jù)完成布料折疊訓練來源：《SSFold:LearningtoFoldArbitraryCrumpledClothUsingGraphDynamicsfromHumanDemonstration》，國金證券研究所該方法已經(jīng)可以對未見過的布料完成單折、雙向內(nèi)折、三角折等操作。圖表41：該方法已經(jīng)可以對未見過的布料完成單折、雙向內(nèi)折、三角折等操作來源：《SSFold:LearningtoFoldArbitraryCrumpledClothUsingGraphDynamicsfromHumanDemonstration金證券研究所目前縫制機械領(lǐng)軍企業(yè)杰克股份已經(jīng)開始布局縫制機器人5（山東股份有限公司等企業(yè)共同參與，計劃用3年時間破解縫制產(chǎn)業(yè)智能化轉(zhuǎn)型瓶頸。圖表42：杰克股份牽頭縫制機械項目研發(fā)與驗證來源：椒江發(fā)布微信公眾號，國金證券研究所圖表43：在多個高校加持下有望進一步加速服裝機器人產(chǎn)業(yè)化落地節(jié)奏課題名稱子課題名稱課題牽頭單位1.多品種柔性織物材質(zhì)參數(shù)檢測與數(shù)據(jù)庫構(gòu)建2.多品種層疊性織物3D測量與空間位姿估計多品種柔性織物形態(tài)實時檢測華南理工大學3.柔性織物褶皺形態(tài)的視覺表征與處理4.高速動態(tài)環(huán)境下柔性織物狀態(tài)與異常檢測1.裁片精準抓取與分層多品種柔性織物裁片逐層抓取與精準上下料2.裁片自適應(yīng)抓取江南大學3.裁片對齊與堆疊上下料1.柔性面料協(xié)同縫紉過程建模與工藝參數(shù)優(yōu)化生成面向柔性面料與復(fù)雜工藝的多維空間機器人實時協(xié)同縫制2.融合工藝規(guī)則的多機器人?縫制機械自主協(xié)同與軌跡規(guī)劃方法3.多機縫紉機器人高精度協(xié)同柔順控制技術(shù)研究東南大學1.面向縫制質(zhì)量檢測與評價的縫制知識圖譜構(gòu)建面向工藝自主優(yōu)化的縫制質(zhì)量動態(tài)檢測與智能評價2.數(shù)字孿生驅(qū)動的數(shù)據(jù)集成交互與質(zhì)量檢測浙江大學3.多域知識融合的縫制工藝優(yōu)化與質(zhì)量評價1.多源縫制管控平臺系統(tǒng)多自主縫制關(guān)鍵技術(shù)與裝備系統(tǒng)集成及應(yīng)用示范2.智能縫紉系統(tǒng)杰克科技股份有限公司3.復(fù)雜多維場景縫制應(yīng)用與驗證來源：浙江在線，國金證券研究所康養(yǎng)：機器人最終進入家庭最優(yōu)的過渡場景圖表44：1X機器人推出的NEO目標就是打造直接面向終端消費者的家用機器人來源：1X官網(wǎng)，國金證券研究所圖表45：康養(yǎng)場景預(yù)計先用輪式機器人進行過渡后續(xù)迭代為雙足機器人來源：IT之家，國金證券研究所早在2009年，日本就有企業(yè)推出了可以抱起癱瘓病人的RIBA-II型機器人，上肢采用了14自由度的雙臂結(jié)構(gòu)，建立了基于姿勢、力、速度、加速度、舒適度和患者體征的安全評估數(shù)學模型，通過傳感器確保安全接觸。圖表6：RIBA-I型康養(yǎng)機器人結(jié)構(gòu)來源：《ResearchProgressandProspectonNursingRobot》，國金證券研究所DiligentMoxiMoxi15圖表7：Moxi僅完成運輸工作就顯著減輕了醫(yī)院員工負擔來源：Diligent官網(wǎng)，國金證券研究所2024施加適度作用力，同時避免過度施壓。圖表48：以Torobo機器人為測試平臺的深度學習架構(gòu)來源：《Dual-armMotionGenerationforRepositioningCarebasedonDeepPredictiveLearningwithSomatosensoryAttentionMechanism》，國金證券研究所目前越來越多的機器人廠商開始布局康養(yǎng)機器人賽道：1）傅利葉子品牌傅利葉康復(fù)專注康復(fù)機器人的研發(fā)和產(chǎn)業(yè)化，涵蓋了上、下肢康復(fù)機器圖表49：傅利葉三維上肢康復(fù)機器人來源：傅利葉教育官網(wǎng)，國金證券研究所2）25521·重塑康養(yǎng)未來”為主題的具身智能康養(yǎng)機器人協(xié)同發(fā)圖表50：華為、優(yōu)必選、創(chuàng)耀科技、麥迪科技等參與具身智能康養(yǎng)協(xié)同發(fā)展機制來源：上海徐匯微信公眾號，國金證券研究所3）RK100圖表51：億嘉和RK100型機器人主要面向康養(yǎng)、家居等場景來源：億嘉和機器人微信公眾號，國金證券研究所RedwoodVLA圖表52：1X發(fā)布Redwood模型升級來源：1X官網(wǎng)，國金證券研究所EVENEO（1XRedwoodtransformertokenstransformer圖表53：Redwood跨平臺架構(gòu)來源：1X官網(wǎng)，國金證券研究所Redwood1.6Redwood圖表54：Redwood升級強化了在家庭類場景中的實際任務(wù)完成能力來源：1X官網(wǎng)，國金證券研究所202569620020圖表55：兩部門發(fā)文展示了較多智能養(yǎng)老服務(wù)機器人結(jié)對公關(guān)與場景應(yīng)用試點項目來源：工信部，國金證券研究所物流：國內(nèi)外企業(yè)積極探索應(yīng)用，解決拆零揀選等環(huán)節(jié)工作量大痛點物流行業(yè)經(jīng)過多年自動化升級，整體已經(jīng)有了較高的自動化程度，尤其是倉儲、傳送、分揀等環(huán)節(jié)。圖表56：物流行業(yè)整體已經(jīng)有了較高的自動化程度來源：大福官網(wǎng)，國金證券研究所圖表57：蘭劍智能壁虎料箱機器人系統(tǒng)優(yōu)化貨到人揀選圖表58：德馬科技智能播種機器人縮減二次分揀人工作業(yè)來源：《我國機器人產(chǎn)業(yè)最新變化發(fā)展縱覽》，國金證券研究所來源：德馬科技官網(wǎng)，國金證券研究所40%以上。圖表59：揀選尤其是拆零揀選是人力耗費最大的環(huán)節(jié)來源：大福官網(wǎng)，國金證券研究所圖表60：貨到人揀選降低了揀選人員走動的工作量來源：INTHER官網(wǎng)，國金證券研究所AgilityRobotics100圖表61：美國倉儲、物流和制造行業(yè)有大量材料搬運崗位空缺來源：AgilityRobotics官網(wǎng)，國金證券研究所圖表62：德馬科技與鹿鳴機器人合作推動在智能工廠和物流場景測試和應(yīng)用機器人來源：鹿鳴機器人微信公眾號，國金證券研究所GXODigitReflexApollo圖表63：全球物流巨頭GXO積極探索機器人應(yīng)用來源：GXO官網(wǎng)，國金證券研究所從產(chǎn)品角度看，目前已經(jīng)有較多機器人廠商推出了針對物流行業(yè)應(yīng)用的機器人產(chǎn)品，例如AglityRobotics推出的Digit機器人產(chǎn)品已經(jīng)經(jīng)過了多次迭代產(chǎn)品不斷升級。圖表4：Digit機器人的運動學結(jié)構(gòu)來源：《RobustFeedbackMotionPolicyDesignUsingReinforcementLearningona3DDigitBipedalRobot證券研究所Digit采用了難度更高的雙足方案，2021年發(fā)布的《RobustFeedbackMotionPolicyDesignUsingReinforcementLearningona3DDigitBipedalRobotDight圖表5：基于Diit機器人行走的強化學習框架結(jié)構(gòu)來源：《RobustFeedbackMotionPolicyDesignUsingReinforcementLearningona3DDigitBipedalRobot證券研究所Digit20246GXORobotics10000/年。圖表6：Digit機器人已經(jīng)實現(xiàn)了商業(yè)化應(yīng)用，目標產(chǎn)能10000臺/年來源：AglityRobotics官網(wǎng)，國金證券研究所ReflexRobotics圖表7：Reflex輪式機器人可完成分揀、搬運、打包等物流行業(yè)常見工作內(nèi)容來源：ReflexRobotics官網(wǎng)，國金證券研究所FigureHelix圖表8：Figure在物流行業(yè)部署機器人后模型性能持續(xù)提升來源：Figure官網(wǎng)，國金證券研究所性能的提升主要來自于系統(tǒng)1（雙模型中更小的模型）視覺-運動策略的針對性優(yōu)化，F(xiàn)igure引入了用于記憶和感知的新模塊，讓控制策略更具情境感知能力且更穩(wěn)健。這些增強功能使Helix能夠隨著時間的推移更好地感知周圍環(huán)境狀態(tài)，知曉自身的操作情況，對初始部署時建立的視覺與控制基礎(chǔ)起到補充作用。圖表9：Helix性能提升主要來自于系統(tǒng)1的優(yōu)化來源：Figure官網(wǎng)，國金證券研究所其中一方面性能的提升來自于訓練數(shù)據(jù)量的增加。圖表70：訓練數(shù)據(jù)量的增加顯著提升了物流行業(yè)處理性能來源：Figure官網(wǎng)，國金證券研究所另一方面來自于添加立體視覺、引入視覺記憶等架構(gòu)特征來提升模型性能。圖表71：新架構(gòu)特征的添加也提升了模型性能來源：Figure官網(wǎng)，國金證券研究所投資建議市值（億元）歸母凈利潤（億元）PE市值（億元）歸母凈利潤（億元）PE類型代碼公司2023A2024A2025E2026E2027E2023A2024A2025E2026E2027E300161.SZ華中數(shù)控510.27-0.550.871.542.37190593322“小腦”+工業(yè)機器人300607.SZ拓斯達1640.88-2.450.671.031.15187246159143688165.SH埃夫特134-0.47-1.570.060.192336692002747.SZ埃斯頓1691.35-8.100.801.972.931252108658服裝行業(yè)603337.SH杰克股份1835.388.129.6411.3913.433423191614康養(yǎng)行業(yè)301187.SZ歐圣電氣661.752.563826201613

看好垂直領(lǐng)域具身智能機器人應(yīng)用機會，尤其是服裝、康養(yǎng)、物流等行業(yè)，建議關(guān)注：“小腦”+工業(yè)機器人配套：華中數(shù)控、拓斯達、埃夫特、埃斯頓服裝行業(yè)：杰克股份康養(yǎng)行業(yè)：優(yōu)必選、歐圣電氣、奧比中光、億嘉和、麥迪科技物流行業(yè)：德馬科技、蘭劍智能、杭叉集團、今天國際、中科微至、永創(chuàng)智能、科捷智能688322.SH奧比中光201-2.76-0.630.701.903.3528610660603666.SH億嘉和75-0.10-2.180.701.903.351074022603990.SH麥迪科技49-2.69-2.790.791.071.30624638688360.SH德馬科技440.880.931.511.902.155148292321688557.SH蘭劍智能282.102.892626171410603298.SH杭叉