您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[天风证券]:电子行业报告:人形机器人元年或将开启,AI下游硬件应用迭起 - 发现报告
当前位置:首页/行业研究/报告详情/

电子行业报告:人形机器人元年或将开启,AI下游硬件应用迭起

AI智能总结
查看更多
电子行业报告:人形机器人元年或将开启,AI下游硬件应用迭起

1.人形机器人元年或将到来,斯坦福ALOHA机械臂硬件成功布局 Mobile ALOHA机器人走红到来,AI赋能加速人形通用机器人量产落地。 “模仿学习+ACT强化学习算法”让真人在机器人面前演示动作或操作机器人执行动作,机器人观察后,直接迁移到自己本体上完成任务,形成人形机器人的行为逻辑,可低成本训练灵巧机器手,助力ALOHA机械臂快速理解并精确模仿人类动作;多场景及新旧任务协同训练将助力机器人在静态ALOHA数据集基础上,自主寻找不同任务的对应最优解,提高操作的精准性与灵敏性,为人形机器人运用在更多场景上创造可能;“关键技术自研+硬件外购”的开发路径,掌握核心技术,采购市场上成熟产品组装机器人,降低制造成本,便于后期维护、模块化更新。 2.AI底层平台搭建完毕,英伟达Isaac AMR系统助力软件研发 Issac AMR平台实现机器人全地形移动功能,帮助研发者专注软件开发。基于“NVDIA工具包”,Isaac AMR平台通过“虚拟环境仿真”训练方法,将“人类示范最优动作”改为虚拟环境中“数据自行拟合最优动作”,基于大量行动和环境数据,加快训练速度,大幅提升机器人在实际场景中应用部署的效率,增强其自主运动控制能力与移动规划能力,形成人形机器人的“小脑”与“大脑”;Nova Orin系统控制平台高度集成,提供传感器+算力一体化的通用范式,降低机器人硬件研发门槛,实现差异化发展,融入模块化设计,加速人形机器人大规模生产实现。 3.人工智能重塑行业竞争格局,核心制造企业追赶争先 AI成为新的增长点,核心互联网及工业等企业积极拥抱人工智能浪潮。工业5.0革命下,如何更好应用AI成为时代竞争主题,微软、IBM、日立、松下、软银等都在积极探索人工智能高适应性的公司转型之路,不断尝试将人工智能与其核心业务相结合,AI改造传统产品;并利用自身雄厚资金和技术储备,做好前瞻技术布局,横向扩展AI使用场景,亮点案例如下: 1)Amazon:利用AI建立超75万个仓库机器人组成物流智能分拣系统,红杉系统(Sequoia)与Digit人形机器人开创未来无人化高效物流格局。 2)西门子:借助AI算法,开发ACUSON Sequoia超声系统,其具备实时可视化成像功能,提升医生诊断效率,为患者提供定制化的医疗方案4.初创团队引领下游硬件多点开花,重量级硬件应用涌现可期 “人工智能技术+互联网平台”给传统行业带去创新动力,AI下流应用层出不穷,未来有可能出现颠覆性的应用。我们紧密跟踪新使用场景的打开,梳理出有趣且有潜力的募资产品项目,在多功能机器人、智能消费电子、智能家居、工业场景应用等领域有可能出现重量级产品。 1)MOFLIN:具有情感功能的人工智能宠物机器人,通过人机互动学习不断提升情感分析能力,形成独特个性,向人类回应和表达自己的情感。 2)Heisenberg H1:带人工智能视觉功能的多合一机器人割草机,利用机器人视觉、双人工智能芯片和深度学习算法,为整个草坪创建3D导航,实现完美的边缘和均匀的修剪。 建议关注: 云端AI相关企业:寒武纪、海光信息(天风计算机覆盖)、龙芯中科、紫 光国微、复旦微电、安路科技等。 边/终端AI相关企业:瑞芯微、晶晨股份、恒玄科技、全志科技、乐鑫科 技、富瀚微、中科蓝讯、炬芯科技、兆易创新、中颖电子、芯海科技等。 存储相关企业:江波龙(天风计算机联合覆盖)、澜起科技、聚辰股份、 北京君正、普冉股份、东芯股份、佰维存储等。 AI应用端相关企业:工业富联、大华股份、海康威视等。 风险提示:下游需求不如预期、库存去化不如预期、研发与技术升级不如预期、宏观环境变动带来的风险。 1.人形机器人元年或将开启,Mobile ALOHA+Isaac AMR重塑行业生态 人形机器人商业化元年或将到来,“AI+软硬件”供给准备充足。工信部印发的《人形机器人创新发展指导意见》指出人形机器人有望成为继计算机、智能手机、新能源汽车后的颠覆性产品;Markets and Markets预计到2027年,全球人形机器人市场规模达173亿美元,复合增长率为63.5%,市场发展广阔。为争夺这一迅速增长的市场,主要厂商积极推进相关产品的迭代升级和量产落地,人形机器人的商业化条件已然具备。 核心技术瓶颈加快突破,AI助力机器人具形化。长期困扰人形机器人智能控制升级发展的主要有三个问题: (1)模仿学习能力:强调AI泛化能力,基于对于人类动作的模仿,人形机器人应具备自主决策、自主学习升级的能力,提升任务完成的完整性和连贯性。 (2)末端执行能力:强调灵巧机器手的操作精度,在中央分析器“大脑”的运算决策下,人形机器人的动作输出应精准、降低失误率,提升任务完成的正确性和准确性。 (3)基于感知的运动控制能力:强调底盘的全地形移动能力,类似自动驾驶,人形机器人应基于对周围环境的感知实现对自身的运动控制,增强全移动操作能力,提升任务完成的时效性。 Mobile ALOHA系统和Isaac AMR平台分别针对软件算法和硬件开发提出解决方案,攻克人形机器人三大难题,降本增效,加速人形机器人量产实现。 1.1.斯坦福:Mobile ALOHA助力人机协同训练,模仿学习取得重大突破 人形通用机器人元年或将开局,Mobile ALOHA到来宣示AI赋能机器人迫在眉睫。 Mobile ALOHA是基于Transformer端到端学习模型,通过ACT动作学习算法模仿人类双手动作的远程操作系统,在已有的静态ALOHA数据集上,利用共同训练,助力机器人完成需要精确操作的任务;达到人类模拟50次演示、机器人相同动作执行成功率超过80%的优良效果,而成本仅为同类系统的10%-20%。 Mobile ALOHA在做家务方面表现出较大的潜能,人形家务机器人雏型初现。近日,走红全网的斯坦福炒菜机器人Mobile ALOHA展现出AI赋能下低成本实现机器人商业化的可能。Mobile ALOHA不仅可以自主操作,还可以支持全身远程操控完成洗衣、浇花、煮咖啡等复杂任务,更可以通过神经网络自行学习双手操作的日常行为,充分完成做菜、使用柜子存放物品、与人击掌等个性化的挑战任务,在家政领域方面潜能突出,或成为人形机器人家用化的“拐点”。 我们认为,Mobile ALOHA系统的优势在于共同训练和模仿学习,其将助力机器人在得到人类演示的数据基础上,自主寻找不同任务的对应最优解,并在不同任务的执行中不断提高操作的精准性与灵敏性,为人形机器人运用在更多场景上创造可能。人形机器人可广泛应用于家政、工业、医疗等诸多行业,行业下的细分场景对机器人的需求往往会存在差异。如要广泛适应不同场景,则会带来较高的研发成本,同时造成部分场景下功能冗余、使用效率低。Mobile ALOHA通过开源实现“完全复刻”,赋予使用者以低成本在较短的时间内自由训练机器人,来满足个性化的需求,使得其应用空间更具想象力、灵活性,为人形机器人量产使用做好准备。 图1:使用Mobile ALOHA机器人打开冰箱并拿取物品 1.1.1.技术沿革:ACT提升模仿学习能力,ALOHA解决成本高昂问题 机械手臂的运动控制能力,是制约人形机器人普适性和灵活性发展的关键因素。这也是Mobile ALOHA开源项目的独特性和技术含量所在,利用直接的“模仿学习”方法,让机器人“模仿”人类,低成本地解决操作训练和灵敏度问题,以ALOHA硬件的形式辅助AI的协同训练与决策精准度。 机器人类人操作训练方法多样,模仿学习的性价比优势突出。模仿学习:即从人类提供的演示中进行模仿学习,这种“行为克隆”可以让机器人学习各种原始的技能,从简单的拾放操作,到更精细的操作等等,无需庞大数据库储备用于训练AI大模型,在训练成本和训练周期上具有较大优势。 表1:仿人机器人的AI训练思路发展历程 ACT方法利用强化学习助力模仿学习简单化、易操作,增强机器人多场景应用性。 MobileALOHA团队先期开发的ACT(Action Chunking with Transformers)强化协同学习与模仿学习的结合,通过训练直接映射人类动作的端到端模型,无需整体建模,就可以训练人形机器人,使得普通人也可以在较短的时间内远程操纵Mobile ALOHA机器人完成未训练过的任务,并达到专家水平。 图2:利用ACT学习方法训练机械臂 表2:模仿学习与强化学习方法对比 灵巧手以人手的结构和功能为模仿对象,在提升机器人柔性和易用性中发挥极为重要的作用。灵巧手作为机器人的末端执行器之一,是机器人与环境相互作用的最后环节,其性能的优劣在很大程度上决定了整个机器人的工作性能。目前由系统工程师、研发人员针对具体应用进行的工艺分析、节拍分解、工位设计等复杂自动化系统的设计与集成,机器人操作过程的编程与仿真等工作集中由多指灵巧手实现,将极大地简化系统复杂度和设计难度。 表3:灵巧手的分类 ALOHA机械臂系统实践软件性能,二指夹持更具稳定可靠。斯坦福Mobile ALOHA团队基于ACT方法开发出硬件ALOHA机械臂,采用已有多轮技术验证的二指夹持器和连杆传动方式,操作稳定性强、运动可靠性高。末端执行器上,外购ViperX 6-DoF机械臂,在牺牲一定灵活性的基础上极大节约成本和便利维护,单价仅5695.95美元,实现模块化组装、工作载荷750克、工作精度5-8mm等好处;传动方式上,采用传统的连杆传动,由可调节的尼龙扣感知人手指的运动和动力,借由刚性连杆传递至机械两指,结构设计紧凑,能实现抓取大型物体的功能;灵巧手上,选取可靠的二指夹持器,抓取等运动稳定。 图3:ALOHA机械臂构成 1.1.2.团队构成:联手GoogleDeepMind,软硬件开发能力强 谷歌DeepMind成员加盟,赋能团队机器学习更具前瞻性。斯坦福Mobile ALOHA团队的两个项目共同负责人都同时在谷歌的核心人工智能研究部门——DeepMind从事研究工作,项目导师亦在谷歌另一核心人工智能研究部门——Google Brain(谷歌大脑)担任重要研究岗位。DeepMind致力于将机器学习和系统神经科学的最先进技术结合起来,建立强大的通用学习算法。 表4:Mobile ALOHA团队介绍 SAC-X调度辅助控制算法早已布局,助力ALOHA从零开始学会控制。早在2018年,DeepMind提出了全新强化学习算法Scheduled AuxiliaryControl,通过学习范式克服传统强化学习对任务相关知识的依赖,鼓励机器人主动调度,并在得到“奖励”后更有效地自主探索其感应空间并设计解决方案。这一算法将帮助ALOHA基于静态数据集进行协同训练的模仿学习,学会各种复杂的任务。 图4:经过SAC-X算法训练的机器人自主解决搬运和提升物品任务 1.2.Mobile ALOHA:低成本人工智能机器人,新型算法助力高性价比 家庭保姆机器人的“原型机”,潜力广阔的AI自主模仿学习系统。MobileALOHA系统在团队论文中被定义为“一种用于收集双臂运动数据的低成本全身远程操作系统”,本意是开发机器人双臂运动控制的廉价研究平台,但其恰好解决了家务机器人研发的两大难题: 1)机器人的运动控制能力:主要是机械手臂的运动控制。Mobile ALOHA团队利用“静态数据集+模仿学习”联合训练的方法丰富机器人的运动执行样式、提升执行的准确性并增强应对新任务的解决能力,同时开源式设计使得“人人可复刻”,使得普通人也可以在短时间内具备熟练使用的能力。 2)机器人的移动能力:主要是机械底座的平稳移动。Mobile ALOHA团队直接外购市场上成熟的AGV(智能搬运机器人)产品,得益于定位导航、路径规划等技术在上一个十年的普及推广,采用的AgileX Tracer AGV有效地解决了机器人在家庭的灵活移动问题。 凸显模仿学习的应用潜力,避免“神话”大模型作用。Mobile ALOHA系统以“模仿学习”为核心,强调机器直接模仿人类的行为逻辑,降低编程要