手部抓取訓練難度極高：手部抓取涉及多個手指的靈巧操作，需要適應物體的形狀、重量和配置，要求極 高。需要通過訓練深度神經網絡在機器人抓取時生成所需的力控製命令，並隨著物體形狀、重量、材質而 變化。手部抓取需滿足：
? 可靠安全：確保整個機器人係統工作萬無一失，因此，要求其手爪結構和控製係統要簡單化
? 自適應性：提高通用性，使得手爪具備適應各種被抓物體形狀的能力
? 智能性：提高手爪決策的準確性，可根據不同需要，決定手部抓取方式
第一代FSD芯片單個算力72tops,CPU做控製,GPU做圖像處理,NPU為神經處理單元,完全適用於人形機器人;D1芯片32位浮點計算的最大性能達到22.6TFLOPs
大模型提升仿真學習能力,可大幅提升算法訓練效率,縮短算法與硬件調整時間,極大提高訓練效率,可加快軟件更新迭代
軟件層麵看通過傳感器獲取機器人的狀態信息，從而控製關節運動實現平衡;合理地規劃踝關節和髖關節,以保持動態行走時重心的穩定
人形機器人需完成人類 各種動作,動作連續複雜,需頻繁的物理交互且操作因果性多,算法難度遠高於自動駕駛,來控製機器人身體做出動作規劃 並下發指令
人形機器人進入門檻高,科技巨頭擁有研發實力及軟件基礎,在視覺感知,算法,虛擬仿真等軟件方麵領先優勢明顯,且與原有業務協同效應明顯
人形機器人本質是AI係統落地物理世界的最佳載體,但更核心問題在於是算法對運動能力的控製,包括本體平衡,行走的步態,部抓取等規劃與控製
預測全球25年人形機器人初步商業化,銷量3萬台左右,30年這些領域就滲透率1.5-2%對應存量需求230萬台,新增需求100萬台+,2035年銷量有望突破1000萬台
為人形機器人的成熟也是漸進式,可在細分市場的率先商業化,後逐步成熟轉為通用型機器人 ,由tob轉為toc,進入家政等市場,做人想做但是不能做的工作
硬件難點是靈敏度與承壓能力的協調,關節能力不能匹配運動規劃;軟件難點是訓練不同任務的運動規劃,實時反饋視覺檢測與理解,並對運動規劃做調整
感知模塊包括兩方麵視覺和觸覺,視覺有純視覺路線,也有依靠雷達等多方式融合路線;決策模塊是機器人的大腦,核心是芯片與算法
人形機器人擁有更高級的感知交互係統,包括傳感模塊和軟件方麵,人形機器人比服務機器人更高,靠雙足行走,對減速器負載和電機響應速度要求更高
具身智能與垂直大模型,人形與四足仿生機器人,三維感知模型和多模態信息融合,機器人新型核心零部件與靈巧操作,腦機接口,生肌電一體化與微納機器人
