1.行业简介
2024 年人形机器人最具突破性的进展主要体现在具身智能领域：3 月11 日，Covariant 发布端到端具身大模型RFM-1，3 月12 日具身智能创业团队Sergey Levine 和Chelsea Finn 宣布创立Pi（Physical Intelligence），3 月13 日Figure AI 发布接入OpenAI GPT-4V 的操作演示Figure 01 demo。4 月，李飞飞创立World Labs，致力于发展 AI 的空间智能，以解决AI 在三维空间感知和理解方面的难题。5 月5 日，特斯拉Optimus 发布一则视频，Optimus 在工厂里精准分拣特斯拉电动车4680 电池，Optimus 使用完全端到端神经网络，利用2D 摄像头视频和机载自传感器，直接生成关节控制序列，完全靠视觉辅助和人类示范进行训练。
国内人形机器人产业硬件供应链优势明显，在具身智能、数据采集、人才领域的短板需要补齐。
图表1：人形机器人供应链
资料来源：国泰君安证券研究
2.具身大模型：能够理解三维物理世界的模型
从物理空间的角度来划分，大模型可以分为非具身大模型（基础大模型）、具身智能大模型（机器人大模型），它们的区别是能否生成运动姿态。
图表2：具身智能大模型VS非具身智能大模型
资料来源：国泰君安证券研究绘制
3.主流方案：分层端到端，典型代表Figure AI、银河
由于端到端大模型目前面对局限性，因此目前大多数的机器人公司都采取了分层端到端的方案，通过决策大模型和操作大模型的相互配合，分层端到端的方法需要的训练数据相对较少，能够完成各种新任务。多层端到端大模型的上层是多模态通用大模型，可以调度中间技能API，来实现完整的从任务的感知、规划到执行的全流程；中间层是决策大模型（任务/运动规划），通过数据训练的泛化的技能，包括自主建图、自主导航、物体抓取、开门开抽屉开冰箱、移动操作、挂衣服叠衣服柔性物体操作的泛化技能；底层是硬件驱动执行算法，实现机器人的平衡，实时精准的运控。
图表3：分层端到端大模型：从限定场景和任务到多样复杂场景和任务
资料来源：国泰君安证券研究绘制
典型代表：Figure 02 采取了基于VLM 的分层大模型。在Figure 发布的演示中，Figure 01 能理解周围环境，流畅地与人类交谈，理解人类的需求并完成具体行动。
典型代表：银河通用采取三层大模型系统。底层是硬件层，中间层是些响应快小模型（如：三维感知、自主建图、自主导航、物体抓取、开门开抽屉开冰箱、移动操作、挂衣服叠衣服、柔性物体操作等），上层是用来做推理慢的做任务规划的大语言模型LLM。当得到指令，LLM 负责分析，安排调度哪个小模型API。小模型执行完后，LLM 分析结果，研究下一步该怎么做。
4.数据采集：具身智能最大的壁垒之一
机器人数据采集的方法有四种，目前主流的方法是远程操作和仿真：
1、远程操作：由实验人员操作机械手柄，远程控制机器人做出相同动作，
以此来积累数据。2024 年5 月5 日，Tesla Optimus 官方发布了新的 demo视频展示了Optimus Gen2 的最新进展，从视频中可以看到，Optimus Gen2的训练数据通过人类远程操作收集，并针对各种任务进行扩展。
2、仿真（合成数据）：通过海量算力进行模拟运算，计算得出海量机器人训练数据集。仿真可能是目前最有可能做到规模化数据生成的路径，背后需要巨大的算力支持。目前Nvidia 采取的就是这条技术路径。Nvidia 选择远程操作+合成数据的技术路线，尤其强调仿真合成数据的重要性。2024 年3 月，英伟达在GTC 大会上推出了NIM（Nvidia InferenceMicroservices）云原生微服务，将过去几年开发的所有软件集成在一起，以简化和加速AI 应用的部署。在机器人NIM 服务领域，英伟达推出了MimicGen 和Robocasa 模型，通过生成合成运动数据和模拟环境，加速了机器人技术的研发和应用。MimicGen NIM 可根据 Apple Vision Pro等空间计算设备记录的远程操作数据，生成合成运动数据。RobocasaNIM 可在 OpenUSD (一个用于在 3D 世界中进行开发和协作的通用框架)中生成机器人任务和仿真就绪环境。
图表4：英伟达通过真人的遥操作数据捕获工作流整个过程
资料来源：英伟达官网
目前还没有一个完全可以成熟部署应用的具身智能作业技术栈，国外主要还是开展大规模数据收集与训练，探索如何构建一个可以泛化应用的具身智能神经网络，比较典型的代表是Google RT1 机器人训练场。
