中金-人形機器人前沿03：運動控制，產(chǎn)業(yè)命脈守護者原創(chuàng)陳顯帆郭威秀等中金點睛2023-08-1507:45發(fā)表于北京中中金研究運動控制為設(shè)備大腦，見證產(chǎn)業(yè)發(fā)展進步，全球人形機器人運控層面出現(xiàn)新進展。7月底谷歌發(fā)布RT-2，將機器人VLM模型升級為VLA，打通視覺-語言-動作控制模型，執(zhí)行成功率較RT-1翻倍。在此基礎(chǔ)上，我們正式發(fā)布人形機器人前沿03系列報告，聚焦機器人(含人形機器人)運動控制整體系統(tǒng)搭建，探索新技術(shù)變化趨勢。摘要2022年我國運動控制器152億元，PC-based及專用增速更快。1)市場空間：廣義運動控制系統(tǒng)包含運動控制器、伺服系統(tǒng)(驅(qū)動及電機)、執(zhí)行器。聚焦運動控制器，我們測算2022年P(guān)LC/PC-Based/專用控制器市場空間分別約62/43/47億元，據(jù)《伺服與運動控制》，2015-2020年復(fù)合增速分別約-7%/+13%/+9%。2)競爭格局：我們觀察國內(nèi)PLC/PC-based/專用控制器競爭格局差異較大，近幾年國產(chǎn)替代突破。參考fanuc經(jīng)驗，橫向拓展為運控綜合平臺企業(yè)成長之路。人形機器人對運控系統(tǒng)提出高階要求。動平衡為人形機器人第一要義，運控系統(tǒng)呈現(xiàn)一整套時空分布模式。1)監(jiān)測感知平臺，近期通過融合GPT、多模態(tài)技術(shù)可提高任務(wù)理解力與環(huán)境泛化能力；2)調(diào)度協(xié)調(diào)模塊，各任務(wù)間調(diào)度作用；3)全身運動規(guī)劃：從動力學(xué)算法為主，向正向仿生學(xué)算法過渡；4)關(guān)節(jié)運動控制：近幾年學(xué)術(shù)成果關(guān)于SEA串聯(lián)彈性驅(qū)動器、PA準(zhǔn)直驅(qū)驅(qū)動器(以UCLA-Artemes為代表)頻頻出現(xiàn)。供應(yīng)鏈探討：垂直一體化供應(yīng)vs第三方專業(yè)分工。我們發(fā)現(xiàn)，不同于機床(含激光)、紡織包裝機械等市場，機器人領(lǐng)域?qū)I(yè)運控商較明顯受設(shè)備企業(yè)自制趨勢擠壓，根據(jù)高工2022年機器人領(lǐng)域第三方控制器占比僅為27%。特殊點在于：1)四大家族印痕效應(yīng)；2)底層代碼共通性差；3)資本市場估值分化效應(yīng)。縱觀全球人形機器人新晉企業(yè)，延續(xù)運控垂直一體化趨勢，如特斯拉“Dojo芯片算力+路徑運動軌跡優(yōu)化+仿人運動捕捉”、傅利葉智能打造“生物力學(xué)+運動科學(xué)+康復(fù)醫(yī)學(xué)”伽利略系統(tǒng)。我們認(rèn)為，無論哪種供應(yīng)形態(tài)，算法層面向應(yīng)用的正向循環(huán)尤為重要。風(fēng)險宏觀經(jīng)濟不及預(yù)期，人形機器人落地進展不及預(yù)期。正文具身智能對運控產(chǎn)生新要求，Google試水大模型+運控全球科技巨頭紛至沓來，人形機器人對運控產(chǎn)生新要求人形機器人產(chǎn)業(yè)趨勢引關(guān)注，全球科技巨頭紛至沓來。自特斯拉2022年6月宣布其人形機器人擎天柱方案后，科技巨頭紛紛推出其機器人計劃。近期，三星電子系統(tǒng)LSI部門總裁ParkYong-in表示將于10月舉行的三星技術(shù)日上公布其系統(tǒng)半導(dǎo)體愿景[1]，準(zhǔn)備在會上詳細闡述其創(chuàng)建的“Semicon人形機器人”計劃，即擁有類人的嗅覺味覺能力。早在2023年3月，三星曾向韓國機器人廠商RainbowRobotics投資590億韓元增持其股份至10.3%，RainbowRobotics旗下?lián)碛腥蚴讉€商用兩足步行機器人“hubo2”，截至3Q22企業(yè)累計銷售額為104億韓元。圖表：三星投資RainbowRobotics旗下的雙足機器人Hubo-2資料來源：上海菁特智能科技，中金公司研究部人形機器人要求運動控制技術(shù)由方程解耦向深度學(xué)習(xí)方向發(fā)展。1)傳統(tǒng)運動控制架構(gòu)：多依賴工程師的物理公式解耦，從而計算出電機的運動點位，決策過程由工程師完成。全球人形機器人龍頭波士頓動力曾采用該傳統(tǒng)架構(gòu)，解耦速度影響人形機器人場景遷移。2)DRL模型：2010年后，深度學(xué)習(xí)突破了傳統(tǒng)控制每個場景依賴工程師解耦問題，通過深度學(xué)習(xí)進行自主路徑?jīng)Q策，但深度學(xué)習(xí)過程黑箱，決策質(zhì)量依賴大量有效數(shù)據(jù)訓(xùn)練。3)基于大模型的DRL模型：2021年后，GPT大模型嘗試融入運動控制決策階段，通過GPT的記憶與規(guī)則解決信息獲取難度大、學(xué)習(xí)過程黑箱問題，并提高決策質(zhì)量。圖表：運動控制由方程解耦向深度學(xué)習(xí)發(fā)展資料來源：《Rt-1:Roboticstransformerforreal-worldcontrolatscale》 (AnthonyBrohan等，2022)，《RT-2:Vision-Language-ActionModelsTransferWebKnowledgetoRoboticControl》(AnthonyBrohan等，2023)，中金公司研究部谷歌DeepMind試水，運動控制開啟大模型新篇章大模型賦能運動控制決策有三種常見形態(tài)，使得賦能后機器人控制可以不用逐一場景訓(xùn)練，運動控制的學(xué)習(xí)和推理能力進一步增強。目前，行業(yè)常見的賦能方式有三種：?LanguagetoCode：大模型通過與API庫鏈接直接生成指令代碼，詳見我們此前報告《AIGC新篇章：全球智能機器人時代前瞻》，該方法受制于有限API庫的邊界；?LanguagetoReward：通過反饋獎勵機制，督促大模型編程合理的運動控制代碼，例如，希望機器人運動躲避開路上的樹，那么大模型根據(jù)視覺建模環(huán)境后，樹周圍的點位獎勵非常低，這樣機器人會自動選擇一條獎勵值最?LanguagetoAction：運用VLA模型(視覺-語言-動作)，通過大模型在網(wǎng)絡(luò)學(xué)習(xí)到的視覺語言信息與機器人動作的代碼token一起訓(xùn)練，直接將自然語言映射到動作指令代碼。我們認(rèn)為該方法仍存在機器人可訓(xùn)練動作偏簡單、訓(xùn)練數(shù)據(jù)量需求大等問題，Google新推出的RT-2模型在該領(lǐng)域首次試水。圖表：三種大模型應(yīng)用到運動控制的模式對比資料來源：《Rt-1:Roboticstransformerforreal-worldcontrolatscale》 (AnthonyBrohan等，2022)，《RT-2:Vision-Language-ActionModelsTransferWebKnowledgetoRoboticControl》(AnthonyBrohan等，2023)，中金公司研究部DeepMind于LanguagetoAction領(lǐng)域推出RT-2，運控被賦予更廣推理能力。2022年Google推出RT-1模型，通過在130k個“情景”的大型真實世界機器人數(shù)據(jù)集上，標(biāo)記機器人輸入和輸出的動作進行訓(xùn)練，從而在運行時實現(xiàn)高效推理。2023年7月，DeepMind在RT-1基礎(chǔ)上進一步推出RT-2(LanguagetoAction模型)，該模型將在網(wǎng)絡(luò)學(xué)習(xí)到的視覺、語言信息與機器人動作代碼token一起訓(xùn)練，直接將自然語言指令映射到動作代碼，我們判斷其將大幅提升對新事物的適應(yīng)性，并展現(xiàn)出對未出現(xiàn)指令的解釋和推理能力。圖表：RT-2模型仍存在數(shù)據(jù)需求量大、只適用低級機器人動作等問題資料來源：《Rt-1:Roboticstransformerforreal-worldcontrolatscale》 (AnthonyBrohan等，2022)，《RT-2:Vision-Language-ActionModelsTransferWebKnowledgetoRoboticControl》(AnthonyBrohan等，2023)，中金公司研究部此外，近年來運動控制技術(shù)還向通用泛化、智能化、網(wǎng)絡(luò)化、專用化等方向發(fā)展：?通用泛化：2023年6月，DeepMind推出用于機器人運動控制的自我改進AI智能體RoboCat[2]，能夠通過對100到1000次新情景體驗的小數(shù)據(jù)集進行微調(diào)，適應(yīng)新任務(wù)及新機器人，泛化能力提高，從而顯著降低獲取新技能的成本。制參數(shù)能夠保存在系統(tǒng)單元內(nèi)部，并方便在運動過程中被修改和觀測；當(dāng)系統(tǒng)發(fā)生故障時可自動提供故障的類型、可能引起故障的原因、檢查方法和消除故障的步驟等信息。?網(wǎng)絡(luò)化：傳統(tǒng)機械設(shè)備采用一對一直連方式，存在信號干擾問題。近年采用高速工業(yè)總線成為趨勢，運動控制器、伺服驅(qū)動器和I/O模塊之間除了常規(guī)的控制命令及反饋信息傳遞外，還可以根據(jù)需要實時調(diào)節(jié)伺服驅(qū)動器的各參數(shù)，從而實現(xiàn)更為復(fù)雜靈活的控制要求。另外，工業(yè)現(xiàn)場總線與工業(yè)軟件網(wǎng)絡(luò)進一步互聯(lián)，實現(xiàn)高效可控。運動控制：百億賽道，從單一產(chǎn)品到平臺化服務(wù)運動控制：系統(tǒng)工程，驅(qū)控一體可大幅提高傳輸效率運動控制(MotionControl)通常是指在復(fù)雜條件下將預(yù)定的控制方案、規(guī)劃指令轉(zhuǎn)變成期望的機械運動，實現(xiàn)機械運動精確的位置控制、速度控制、加速度控制、轉(zhuǎn)矩或力的控制。廣義運動控制系統(tǒng)通常由以下部分組成，1)運動控制器用以生成軌跡點和閉合位置反饋環(huán)；2)伺服系統(tǒng)(驅(qū)動器和電機)用以將來自運動控制器的控制信號(通常是速度或扭矩信號)轉(zhuǎn)換為更高功率的電流或電壓信號；3)反饋傳感器，如光電編碼器、光柵尺、磁柵尺等用以反饋執(zhí)行器的位置給控制器；4)眾多執(zhí)行器，如齒輪箱、軸、滾珠絲杠、齒形帶、聯(lián)軸器等。?運動控制器：控制電機或動力裝置的專用控制器，比如通過行程開關(guān)控制交流接觸器而實現(xiàn)電機拖動物體向上運行達到指定位置。?伺服系統(tǒng)：接受運動控制器指令，使物體的位置、方位、狀態(tài)等輸出被控量能夠跟隨輸入目標(biāo)任意變化的控制系統(tǒng)，由驅(qū)動器和電機組成。主要起到作用：1)以小功率指令信號去控制大功率負載；2)實現(xiàn)遠距同步傳動；3)使輸出機械位移精確跟蹤電信號。一般來看，伺服系統(tǒng)較運控控制器價值量更高，我們認(rèn)為普遍在2：1價值比例。圖表：運動控制系統(tǒng)簡要示意圖資料來源：固高科技招股書，中金公司研究部效率為王，驅(qū)控一體已成為運動控制系統(tǒng)發(fā)展新主流。傳統(tǒng)的運動控制器和伺服系統(tǒng)多獨立開發(fā)，通過線纜進行通訊，可能存在布線復(fù)雜、空間浪費、信號傳輸不穩(wěn)定等問題。近10年來，行業(yè)積極探索驅(qū)控一體技術(shù)，可有效節(jié)約空間、提升數(shù)據(jù)交換效率、提升抗干擾性。代表性產(chǎn)品為西門子SIMOTIOND。其控制系統(tǒng)SIMOTIOND將PLC功能、工藝功能和運動控制功能直接集成在SINAMICSS120驅(qū)動系統(tǒng)的控制模塊中，有效節(jié)約50%空間，可實現(xiàn)0.125ms較短循環(huán)周期。圖表：西門子驅(qū)控一體化產(chǎn)品矩陣市場空間：百億市場，行業(yè)垂類分布趨勢明顯整體市場：中國運動控制器市場152億元，增速領(lǐng)跑全球2022年中國運動控制系統(tǒng)市場規(guī)模約474億元(包括控制器、驅(qū)動器和伺服電機)。據(jù)InteractAnalysis，2022年全球運動控制系統(tǒng)市場規(guī)模約177億美元，預(yù)計2022-2027年年CAGR約為4.6%，2027年全球市場空間約222億美元。其中，2022年中國地區(qū)運動控制系統(tǒng)市場份額約37%，合計474億元，是全球最大且增速最快的運動控制系統(tǒng)市場。圖表：中國運動控制系統(tǒng)市場增長率高于全球平均水平資料來源：自然資源部，MordorIntelligence，中金公司研究部聚焦運動控制器，2022年國內(nèi)約152億元。由于單個運動控制器可同時控制多個驅(qū)動器及電機，運動控制器市場需求遠小于伺服驅(qū)動(驅(qū)動器和電機)，例如，全球高端PC-Based控制器龍頭TRIO，其產(chǎn)品可以無縫控制1到128個伺服電機、步進電機或液壓系統(tǒng)。據(jù)MIR，中國運動控制器市場規(guī)模約占運動控制系統(tǒng)(伺服系統(tǒng)+運動控制器)的30-40%，結(jié)合InteractAnalysis數(shù)據(jù)，我們預(yù)計2022年中國運動控制器市場空間約152億元。細分市場：下游行業(yè)垂類布局，PC-Based加速滲透運動控制器主要分為PC-Based、PLC和專用控制器。據(jù)研華，目前PLC運動控制器/PC-Based/專用控制器市場規(guī)模占比約為41%/28%/31%。據(jù)此，我們算出2022年P(guān)LC/PC-Based/專用控制器(不包括伺服系統(tǒng)和電機)市場空間分別約62/43/47億元。?PC-Based：由硬件(工控機和運動控制卡)和軟件系統(tǒng)組成(下游廠商可依據(jù)其軟件函數(shù)庫進行二次開發(fā))。優(yōu)點如下：1)通用性強：除傳統(tǒng)PLC語言，還兼容C++、Basic等語言進行編程；2)計算能力強：可滿足更復(fù)雜的運動控制；3)可拓展性強：PC自帶運行可視化軟件，而PLC則需連接至HMI程序上。據(jù)MIR，PC-Based是目前增速最快的品種，2021年P(guān)C-Based運動控制器市場規(guī)模同比+30%，主要應(yīng)用于半導(dǎo)體、雕刻機、激光加工機、工業(yè)機器人等對運控要求較高的下游。?專用控制器：集成現(xiàn)有控制器各類技術(shù)(可以是PC-Based或PLC)，針對行業(yè)應(yīng)用開發(fā)軟件功能塊，且只能在行業(yè)專用設(shè)備內(nèi)兼容，最早應(yīng)用于機床領(lǐng)域，被稱作計算機數(shù)字控制系統(tǒng)(CNC)。優(yōu)點如下：1)定制性強；2)廣泛應(yīng)用于機床、高端工業(yè)機器人等各類專用設(shè)備制造下游。?PLC：一種基于PLC(可編程序控制器)技術(shù)的控制器，PLC是專為工業(yè)環(huán)境應(yīng)用設(shè)計的數(shù)字運算操作電子系統(tǒng)。優(yōu)點如下：1)系統(tǒng)簡單：僅針對控制任務(wù)設(shè)計相應(yīng)功能；2)成熟度高：抗干擾性強；3)功耗低：舍棄多余功能，有效降低功耗。廣泛應(yīng)用于各種通用離散制造行業(yè)，例如3C、鋰電等。圖表：中國運動控制器細分市場分類注：細分賽道市場規(guī)模參考研華數(shù)據(jù)資料來源：固高科技招股書，研華公司三類控制器下游交叉性強，行業(yè)垂類布局。我們認(rèn)為PLC控制器或逐漸被取代，比如專用控制器在傳統(tǒng)切削機床中發(fā)展較快；PC-Based在工業(yè)機器人、半導(dǎo)體、激光加工機等運用增長較快。但考慮到下游交叉性強，公司層面多選擇垂直整合發(fā)展，錨定下游而非錨定控制器種類，我們認(rèn)為投資者更應(yīng)以下游市場的視角審視公司。競爭格局：PC-Based內(nèi)資彎道加速，橫縱向產(chǎn)品線持續(xù)延長三類市場雖交融發(fā)展，但歷史原因?qū)е赂偁幐窬植町惔螅?PC-Based：據(jù)MIR，倍福國內(nèi)穩(wěn)居第一，2021年國內(nèi)市占率18.3%；臺資企業(yè)研華近年被大陸品牌沖擊，市占率從2019年17.3%降至2021年14.7%；國產(chǎn)代表企業(yè)固高科技、雷賽智能、維宏電子2021年市占率分別為10.6%/5.6%/4.1%，中低端市場已實現(xiàn)進口替代，高端PC-Based市場主要由翠歐(埃斯頓全資收購子公司)和泰道(歐姆龍全資收購子公司)占據(jù)。?專用控制器：市場參與者可分為兩類，1)以專用機床(木工機械、玻璃磨削機)控制領(lǐng)域新代、寶元、華中數(shù)控為代表專注特定行業(yè)的企業(yè)；2)以西門子、倍福為代表綜合自動化企業(yè)。結(jié)合《伺服與運動控制》數(shù)據(jù)，我們預(yù)計2020年，專用控制器市場中新代和寶元國內(nèi)市場份額超30%。IR2021年43.3%升至2022年46.6%，其余外資企業(yè)市占率小幅下滑，三菱電機由11.6%下降至9.5%，歐姆龍由11.3%下降至10.2%。國內(nèi)企業(yè)主要發(fā)力小型PLC，據(jù)匯川年報，其在小型PLC市場占有率由2021年7.1%提升至B圖表：2021年中國PC-Based運動控制器市場格局圖表：2022年中國PLC運動控制器市場格局海外企業(yè)仍于高端領(lǐng)域占主導(dǎo)，我們認(rèn)為主要系：1)技術(shù)壁壘，運動控制器核心難度在于軟件架構(gòu)，軟件底層算法通常是非公開的，外資品牌先發(fā)優(yōu)勢明顯，另外，二次開發(fā)等方面的差距使得國內(nèi)產(chǎn)品在控制平臺的易用性、響應(yīng)速度等方面存在差距；2)品牌壁壘，高端運控市場新品牌取得客戶認(rèn)可難度高；3)運動控制講究行業(yè)垂類經(jīng)驗，外資品牌在成熟行業(yè)已有豐富案例，內(nèi)資企業(yè)只能找新技術(shù)作為突破。圖表：海內(nèi)外運動控制器主要廠商對比資料來源：各公司官網(wǎng)，中金公司研究部注：考慮到不同企業(yè)收入拆分差異較大，我們列舉總收入規(guī)模。我們對比國內(nèi)外代表企業(yè)，得出以下結(jié)論：1)國外廠商提供控制-驅(qū)動-執(zhí)行-信息-應(yīng)用層的集成式解決方案，國內(nèi)企業(yè)解決方案進程相對落后，導(dǎo)致國產(chǎn)企業(yè)體量相對較??；2)三類產(chǎn)品競爭格局截然不同，PC-Based市場國產(chǎn)替代積極，我們分析主要系此前空間小未形成穩(wěn)定格局，近年來增速更快。據(jù)《伺服與運動控制》預(yù)計，PC-Based、專用控制器、PLC市場2015-2020年復(fù)合增速分別約+13%/+9%/-7%。圖表：外資企業(yè)平臺化控制解決方案布局領(lǐng)先MIR司官網(wǎng)，中金公司研究部復(fù)盤發(fā)那科發(fā)展歷程，我們認(rèn)為：1)橫向拓展為先：從單一運控產(chǎn)品向驅(qū)控一體化乃至運控平臺型企業(yè)布局是必經(jīng)之路；2)縱向拓展為后：從控制層向驅(qū)動層、執(zhí)行層、信息網(wǎng)絡(luò)層以及終端應(yīng)用延伸成為綜合性服務(wù)商，是企業(yè)終局發(fā)展目標(biāo)。圖表：發(fā)那科橫向/縱向生命線拓展圖譜資料來源：發(fā)那科官網(wǎng)，中金公司研究部人形機器人運控：突破傳統(tǒng)，重塑時代人形機器人運動控制架構(gòu)拆解動平衡為人形機器人根本問題。人形較其他多足腿式機器人，由于：1)腳底板穩(wěn)定支撐區(qū)域??；2)重心距離地面較高；3)雙足為機器人滿足足式運動的最小腿數(shù)，動平衡實現(xiàn)難度尤為挑戰(zhàn)性。參考現(xiàn)有文獻[3]，ZMP(零力矩點)為評估人形機器人步態(tài)穩(wěn)定的最廣泛標(biāo)準(zhǔn)。ZMP(零力矩點)由1972年南斯拉夫?qū)W者提出，現(xiàn)為全球評估雙足機器人穩(wěn)定性的經(jīng)典理論。雙足機器人腳底合力作用點——力矩為0的ZMP點，落在腳底板有效支撐范圍，即為穩(wěn)定。人形機器人運控系統(tǒng)為一整套時空分布模式，常見由上位機、傳感器模塊、主站、從站(全身運動規(guī)劃、關(guān)節(jié)運動控制)構(gòu)成。本質(zhì)來看，上下位機的設(shè)計理念，模擬哺乳動物的“大腦—脊柱”神經(jīng)架構(gòu)，上位機由高性能CPU承擔(dān)，下位機性能要求不高，但需具備多通信接口。圖表：人形機器人運動控制系統(tǒng)框架圖資料來源：《高效雙足步行機器人關(guān)節(jié)多模式運動控制系統(tǒng)(2019)》，朱?上位機(監(jiān)測感知平臺)：位于人形機器人控制系統(tǒng)最上層，融合各類感知信號，實現(xiàn)人機交互。2023年全球兩大技術(shù)變化對人形機器人賦能：1)任務(wù)理解：類ChatGPT大語言模型提升“人類自然語言—機器語言”轉(zhuǎn)換力，機器人邏輯關(guān)系理解力提升。2)環(huán)境理解：多模態(tài)模型(圖像、音頻、文本等融合)提升復(fù)雜場景泛化能力，避免單一依賴。?主站(調(diào)度協(xié)調(diào)模塊)：機器人各個任務(wù)間的輪轉(zhuǎn)調(diào)度。?從站1(全身運動規(guī)劃)：全身運動模型用來將運動規(guī)劃軌跡映射到關(guān)節(jié)空間生成可執(zhí)行的期望關(guān)節(jié)控制信號。在人形機器人中，傳統(tǒng)靜態(tài)穩(wěn)定的控制方法不再適用“多自由度運動耦合、事變運動拓撲結(jié)構(gòu)、強非線性”特點，基于動力學(xué)算法的控制理念成為主流。人形機器人全身動力學(xué)模型分為逆運動學(xué)、逆動力學(xué)兩大部分。1)逆運動學(xué)：求解機器人為達到一定姿態(tài)，各個關(guān)節(jié)位置。2)逆動力學(xué)：在給定機器人關(guān)節(jié)的位置、速度和加速度，求解關(guān)節(jié)的驅(qū)動力矩。以哈工大2018年羅健文發(fā)表論文《雙足機器人建模分析及其運動控制研究》為例，在全身運動規(guī)劃系統(tǒng)包括：1)機器人質(zhì)心的運動狀態(tài)(高度、俯仰角、橫滾角)反饋給落足點規(guī)劃器，生成擺動腿期望軌跡；2)任務(wù)向量輸入給全身動力學(xué)求解模塊，計算關(guān)節(jié)力矩。圖表：基于動力學(xué)算法的人形機器人全身運動規(guī)劃模塊資料來源：《雙足機器人建模分析及其運動控制研究(2018)》，羅健文，中金公司研究部?從站2(關(guān)節(jié)運動控制)：各關(guān)節(jié)位置及力矩控制，接收調(diào)度協(xié)調(diào)模塊的EtherCAT通訊信號，對關(guān)節(jié)控制及反饋信息。人形機器人面對頻繁足底碰撞、擺腿重心切換，新一代柔順控制方案成為學(xué)界探索焦點。通過現(xiàn)有文獻，近幾年串聯(lián)彈性驅(qū)動器(SEA,SeriesElasticAcutator))、準(zhǔn)直驅(qū)驅(qū)動器在人形機器人關(guān)節(jié)設(shè)計中頻頻出現(xiàn)，替代傳統(tǒng)剛性驅(qū)動器結(jié)構(gòu)。1)TEA剛性驅(qū)動器：“電機+大減速比減速器(如諧波)+位置傳感器”，剛性驅(qū)動器雖然輸出扭矩較大，以本田ASIMO為代表。但剛性驅(qū)動器由于沖擊時大減速比硬件容易損壞，且功率密度掣肘，近幾年在學(xué)術(shù)論文中頻率越來越低。2)SEA串聯(lián)彈性驅(qū)動器：2005年MIT提出，引入柔性結(jié)構(gòu)件，“電機+大減速比減速器+彈性元件+位置傳感器”串聯(lián)，具有被動柔順性特征。SEA已應(yīng)用在醫(yī)療外骨骼機器人、仿人機器人產(chǎn)品，有待研究方向包括：柔性結(jié)構(gòu)件柔性結(jié)構(gòu)件拓撲結(jié)構(gòu)及尺寸優(yōu)化、精確力感知等。圖表：全球各類串聯(lián)彈性驅(qū)動器(SEA)橫向?qū)Ρ荣Y料來源：《串聯(lián)彈性驅(qū)動器設(shè)計、建模及在機器人上的應(yīng)用(2021)》，孫寧等，中金公司研究部3)PA準(zhǔn)直驅(qū)驅(qū)動器：“高扭矩密度的盤式外轉(zhuǎn)子電機+小減速比減速器”，對比TEA/SEA，無需安裝力/壓力傳感器，即可通過電流計算扭矩，解算足端反力。2016年Wensing等提出PA理念，市面上已有多款大直徑、低軸徑的外轉(zhuǎn)UCLA-Artemes，亦采用準(zhǔn)直驅(qū)關(guān)節(jié)方案，表現(xiàn)出卓越的高帶寬力控，無系繩奔跑和行走速度超過2米/秒。圖表：全球各類準(zhǔn)直驅(qū)驅(qū)動器(PA)橫向?qū)Ρ?供應(yīng)鏈探討：垂直研發(fā)架構(gòu)，面向應(yīng)用的正向循環(huán)尤為重要工業(yè)機器人時代，運控系統(tǒng)(尤其運動控制器)呈現(xiàn)設(shè)備商垂直一體化特征。相比機床(含激光)、紡織包裝機械等市場，第三方運控商形成寡頭壟斷格局；而在機器人行業(yè)，專業(yè)運控企業(yè)市場空間，明顯受機器人企業(yè)自制趨勢擠壓，據(jù)高工機器人研究所，2022年機器人控制器外采比例僅27%，我們認(rèn)為特殊點在于：圖表：2022年國內(nèi)金屬切削機床運控企業(yè)寡頭壟斷注：市占率以當(dāng)年銷售額計算?行業(yè)龍頭印痕效應(yīng)：自1980年代，工業(yè)機器人四大家族產(chǎn)業(yè)鏈布局鏈均涵蓋上游核心零部件，帶動后發(fā)企業(yè)傾向以“控制器+伺服驅(qū)動”構(gòu)筑競爭壁壘。國內(nèi)外大型工業(yè)機器人企業(yè)雖自制控制器，核心差距仍在于底層軟件架構(gòu)和動力學(xué)算法完備性。圖表：2022年國內(nèi)工業(yè)機器人運控傾向垂直一體化資料來源：埃夫特招股書，Wind，中金公司研究部圖表：機器人控制器以自制為主資料來源：高工機器人，中金公司研究部?底層代碼不共通：由于較為封閉的自制體系，各家機器人運控底層代碼共通性差，缺乏行業(yè)統(tǒng)一語言架構(gòu)，為專業(yè)第三方運控企業(yè)整合生態(tài)帶來較大難度。我們認(rèn)為目前第三方運控企業(yè)只能在長尾機器人企業(yè)覓得市場，在下游愈加寡頭競爭的趨勢下，數(shù)據(jù)可得性面臨雙重限制。?資本市場估值分化效應(yīng)：1)運控算法性能提升，可降低機器人硬件超配要求，具備較高想象空間上限。2)基于動力學(xué)的運控算法，在其他自動化設(shè)備品類有底層共通性，可具備跨行業(yè)屬性。因此，國內(nèi)資本市場默認(rèn)把不具備運控算力的企業(yè)，打入“集成商”角色定位，在一二級給予估值折價。由于國內(nèi)機器人市場整體募資環(huán)境較為激烈，給予更多機器人企業(yè)入局運控的動能?？v觀全球人形機器人企業(yè)，延續(xù)運控一體化趨勢。2022年起，全球人形機器人步入發(fā)展新高潮，我們觀察新晉企業(yè)均在運控端各顯神通。如特斯拉“Dojo芯片算力+路徑運動軌跡優(yōu)化+仿人運動捕捉”、達闥主打“海睿云端機器人大腦架構(gòu)”，傅利葉智能打造生物力學(xué)+運動科學(xué)+康復(fù)醫(yī)學(xué)的伽利略系統(tǒng)，參考體測標(biāo)準(zhǔn)，訓(xùn)練GR-1運動能力。圖表：特斯拉基于“工廠運動+人體運動捕捉”軌跡優(yōu)化資料來源：2022年特斯拉AIDay，中金公司研究部我們認(rèn)為人形機器人運控層面，存在如下技術(shù)變化：1)正向仿生算法注入，動力學(xué)算法本質(zhì)為模型控制，預(yù)測結(jié)果精準(zhǔn)，但消耗計算時間較長，泛化能力弱。參考人腦神經(jīng)決策活動，各類仿生運控算法應(yīng)運而生。以黃華的《柔性機械臂的仿生控制方法研究(2021)》為例，提出小腦模型控制器的仿生控制方案，每個關(guān)節(jié)控制算法由前饋補償器+近似逆動力學(xué)模型的前饋控制器組成，通過反饋誤差逼近運動目標(biāo)。2)多模態(tài)決策帶來挑戰(zhàn)：人形機器人傳感器品類大幅度提升，不局限于視覺