（一）人形机器人：仿人形态，商业化潜力亟待挖掘
人形机器人是通过模仿人类的形态和行为设计制造出的机器人。人形机器人（仿人机器 人）是结合了仿生学、人工智能学、计算机科学以及材料科学的一个复杂产物。从形态 上来看，人形机器人根据应用场景的不同分别或同时具有人的四肢、头部和躯干，使用 部分肢体的场景包括应用于工业领域的机械手臂、应用于医疗康复领域的辅助步行机器 人等。从行为上来看，人形机器人通过模仿人类的关节、肌肉、感知系统、思维系统来实 现移动、操作、感知、学习等行为，辅助人类从而解放更多的生产力。
随着技术进步，全尺寸人形机器人即将迎来商业化。部分躯体机器人的应用已进入商业 化初期，相较之下，全尺寸人形机器人商业化程度更低。随着机器人技术的快速进步与 成熟，全球多方势力已加入了全尺寸人形机器人商业化布局的行列。2022 年，随着小米、 特斯拉陆续发布 CyberOne 和 Optimus，机器人行业将迎来全尺寸人形机器人商业化的到 来。
市场上已有多种机器人，但进一步商业化的潜力巨大。在特斯拉产品发布之前也有多种 全尺寸人形机器人，但主要用于科教、研究、娱乐等领域，可以实现的功能相对较少，且售价高昂，随着特斯拉、小米等科技企业的进入，制造、算法等诸多优势将实现对人形 机器人商业化潜力更深入地挖掘。
（二）人形机器人历经近百年，ChatGPT 有望引爆技术奇点
人形机器人从 1939 年第一台电机械控制的 Elektro 开始至今已历经近百年时间，我们从 技术变化的角度将其划分成三个阶段：电机械阶段，实验室智能阶段和应用推广阶段。1）电机械阶段：此时的人形机器人仅仅是通过模仿人的行为去进行如移动、抬手、发声 等较简单的动作。这个时期的代表为日本早稻田大学研发出的 WAP、WL 和 WABOT 系 列机器人，该阶段主要侧重通过机械性地模拟人的行走使得机器人能够移动。2）实验室智能阶段：传感系统、控制系统、软件算法等多个技术实现发展，2000 年本田 开发的 ASIMO 将人形机器人带入实验室智能阶段，此时的机器人逐渐能够通过传感器 获取外部信息，通过简单的分析判断做出相应的决策。可以实现如“8”字形行走、拧开 瓶盖、单双脚跳跃等简单动作。在智能化阶段美国与日本齐头并进，日本侧重于外形仿 真，而美国则更侧重于用计算机模拟人脑的功能。3）应用推广阶段：特斯拉的 Optimus 的发布引领全球人形机器人向 C 端应用发展，而 2023 年 ChatGPT 的迅速迭代加强了人们对于人形机器人商业化的信心，全球科技巨头纷 纷下场布局研发，我们认为 2023 年可以成为人形机器人正式进行应用推广的元年。
ChatGPT 等大语言模型（LLM）AI 的应用有望加速人形机器人产业化进程。GPT、BERT 等大模型的应用大幅提高了模型的“通用性”，相比于之前垂直领域的 AI 开发，大模型 可通过“预训练+特定任务微调”的形式具备多个领域的基础知识，加速 AI 的学习、训 练以及迭代。大模型的其他优势包括：对自然语言具备更好的理解能力、基本可用的持 续交互能力、更强的零样本/小样本学习能力。
ChatGPT 等大语言模型有望促进人形机器人智能化并丰富交互性。大语言模型可以和图像模型、三维视觉模型融合，形成多模态模型，极大的提升机器人的感知和执行能力。目前的大型语言模型只能通过语言和图像与用户进行交互，无法在物理环境中执行交互。为了实现人工智能与物理世界的连接,机器人技术的推进能够作为使用者与物理环境之 间的接口，从而实现更丰富和立体的人机交互。特斯拉入局人形机器人，有望凭借技术与制造的积累更快实现商业化。技术积累：硬+软为基础，加速推进产业化。硬件方面，特斯拉具备完整的研发、测试、 优化产品的可视化开发流程。以电动车的研发积累为基础，特斯拉能够实现最大程度缩 短研发周期，设计出更高效、更安全、更稳定的机器人电气结构。
软件方面，机器人的视觉系统与汽车自动驾驶的模拟系统原理类似，因此特斯拉在自动 驾驶积累的数据能够加速机器人视觉系统的训练。此外，特斯拉自研的超级计算机 Dojo 配备了神经网络训练芯片 D1，能够通过处理海量的视频数据加速 FSD 的升级迭代，并 为 Optimus 提供更强的算力支持。
制造积累：在制造方面，特斯拉本身具有成熟的电动车供应链，而特斯拉的现有供应商 能够提供部分机器人所用的零部件（如摄像头、热管理、传感器等），因此特斯拉在供应 链方面有较强的迁移能力。另外，特斯拉在电动车降本方面也有着深厚的积累，无论是 在车身结构（CTC）还是一体化压铸（9000 吨冲压机）方面积累的经验都会对机器人的 批量生产提供帮助，加速产业化落地进程。
二、从底层运行原理到基础物理结构，深度拆解人形机器人
（一）底层运行原理：运行的三大环节+直立行走的理论基石
1、“感知-控制-执行”三大环节实现指令到执行的传递过程
人形机器人由三大部分—感知部分、执行部分和控制部分组成。这三大部分分别负责感 知、控制和执行环节。感知环节是指机器人通过传感器获取环境信息，在此基础上分析 周围环境，解析出外部信息。控制环节是指机器人将感知环节中获取到的信息推理成具 体的任务，制定出相应的行动计划并进行决策后，发出行动计划。执行环节是指机器人 根据决策环节中给出的行动计划执行相应的操作。
感知部分主要由信息检测系统以及信息融合系统组成，分别负责体内外环境信息的获取 以及不同感知信息的融合处理。信息检测系统：主要由传感器及其数据转换处理模块组成，获取环境状态中有意义的信 息。信息检测系统可以分为内部传感器模块和外部传感器模块，内部传感器模块主要检 测机器人的状态，例如速度、加速度、能量等，外部传感器模块包含超声，激光雷达，触 觉传感器，相机等，主要检测机器人工作环境的状态，例如物品摆放情况和状态、温度、 场景分布等。检测到的信息可以直接被控制部分利用，并由控制系统直接做出判断（类 似于人的条件或无条件反射），更多的是经过信息融合系统综合处理后再传送至控制部分 （类似于人们综合客观环境影响后再做出判断和行动的过程）。
信息融合系统：机器人身上一般会安装多个传感器，以便检测各种有用的环境状态。有 些环境状态信息只需要单一的传感器进行检测，例如温度、湿度等状态，而有些环境状态则需要多个传感器进行配合，共同作用才能成功得到该环境状态的信息，这样就需要 将多个检测信息进行融合处理，例如轮式机器人的速度，需要将各个轮子的速度检测后， 再按照相应速度合成算法进行计算，才能得到最终机器人的速度。信息融合系统将相互 独立的检测信息，融合成更高级的感知信息，能够帮助机器人更好地认知自身与外部环 境。
控制部分由人机交互系统和决策系统组成，分别负责人机交流以及分析决策。人机交互系统：是使操作人员参与机器人控制并与机器人进行联系交流的子系统，人机 交互系统涉及如何获取外部控制命令，以及如何表达自身的状态等。简单的人机交互可 能只是一个报警信号，复杂的人机系统则可能涉及许多学科，例如通信技术（如何获取 远程甚至是超远程的命令信息）、自然语言处理（如何分析操作人员的语言命令）等。人 机交互系统也有可能会借助感知部分获取必要的信息，例如在接收语音命令时，需要感 知部分进行语音的检测与信号的转换，以及语音命令的分析等。
决策系统：控制系统的任务是根据感知部分提供的感知信息以及执行任务要求，进行合 理的分析与决策，提供执行指令给执行部分完成指定的运动和功能。感知部分如果对执 行部分不进行监测，如一般工业机器人末端的移动，这样的控制方式称为开环控制；如 果进行信息的反馈，如具有跟踪功能的机器人，这样的控制方式称为闭环控制。控制系 统可以很简单，如温度报警，只需要温度超过警戒温度就立刻报警；也可以很复杂，美 国 IBM 公司生产的深蓝超级国际象棋电脑，有 32 个大脑（微处理器），每秒可以计算 2 亿步。1997 年的深蓝超级国际象棋电脑可搜寻及估计随后的 12 步棋，而一名人类象棋 高手大约可估计随后的 10 步棋。
执行部分由驱动系统和机械系统组成，分别负责动力的提供以及实际运动的执行。驱动系统：驱动系统主要指驱动机械系统的驱动设置，是机器人的动力来源。根据驱动 源的不同，驱动系统可分为电动、液压、气动 3 种，以及把它们结合起来应用的综合系 统。驱动系统可以与机械系统直接相连，也可通过传动装置与机械系统间接相连。驱动 系统影响机器人反应的快速性与准确性。机械系统：除了安装感知、控制部分与其他必要结构的机械结构外，机械系统主要是指 机器人的运动结构，常见的运动结构有关节式、轮式、复合式等。关节式结构的机器人 常见的有工业机器人（典型关节式）、类人型机器人（足式）；轮式机器人常见的有服务 机器人、巡逻机器人等，轮式机器人的运动控制相对于足式机器人来说较为简单，所以 在服务领域应用广泛；复合式运动结构主要应用在复杂地形中，如救援机器人，既要能 在平地与低坡度表面运动，又能够做上下楼梯等升降运动。
2、“ZMP+倒立摆”简化模型奠定人形机器人行走的理论基石
双足机器人的控制具有很高的技术难度，尤其是步态控制和平衡问题。机器人在移动过 程中，外力方面只受到重力和地面的作用力，而重力和地面作用力不能直接控制，只能 转而控制机器人关节的驱动力来控制机器人的行走，这样给双足机器人的控制增加了很 大难度。
ZMP（零力矩点）概念的提出为机器人的稳定移动提供了理论基础。该理论首先是由 M. Vukobratovic 和 Stepaneko 在 1968 年提出，ZMP 可理解为地面上存在的一点，机器人在 该点由惯性力与重力所产生的净力矩为零。如果 ZMP 落在脚掌范围内，即可认为机器人 系统是稳定的，机器人可以稳定行走。倒立摆+ZMP 简化模型在机器人步态算法得到广泛应用，成为目前主流移动控制法的理 论基石，使人形机器人可稳定行走。该模型将机器人简化为一个倒立摆，整体控制的目 的是使实际的 ZMP 位置与参考的 ZMP 位置之间的误差尽可能小，这样机器人在运动过 程中才能够稳定，因此需要根据期望的 ZMP 位置（期望的落脚点）计算出质心的运动情 况和实际的 ZMP 位置，并且反馈跟踪 ZMP 位置。该控制方法最具代表性的机器人就是 本田的 Asimo 机器人，他是当时最先进的机器人，至今也很难被超越，除此之外，还有 优必选的 Walker，德国宇航局的 TORO 等。现在主流的足式机器人控制方法一般是双层 结构，基于模型预测控制(MPC)的上层轨迹规划和基于动力学模型的下层全身关节力控 (WBC)被认为是经典的 ZMP 控制的升级版，计算机性能的提升让更复杂的优化问题的求 解成为可能，同时高性能的力控关节也取代了 ZMP 时代的高刚度位控关节。这种控制架 构得到了广泛的使用，并取得了很好的效果。
（二）从车链和果链看，国内硬件供应商有较大的机会
借鉴特斯拉汽车零部件供应链国产化降本经验，人形机器人执行层面零部件国产供应商 迎来重要机遇。以特斯拉 Model 3 标准续航版为例，从 2019 年底到 2021 年中，其零部 件国产化率从 30%飞涨到 90%，由此带来大幅度的降本，使得售价从 2019 年底的 35 万 下降至 2021 年中的 25 万，零部件国产化带来的降本效益十分明显，对特斯拉汽车的发 展有着很大的推动。目前，在整个人形机器人产业链中，上游机器人零部件制造商国产 化程度低，且这些核心零部件在机器人产品中占比高，较高的成本阻碍了人形机器人产 业的发展。迫切的降本需求将为相关国产供应商带来重大机遇。
苹果与特斯拉的软件和算法均是自主研发。就特斯拉 Optimus 而言，由于机器人和自动 驾驶领域的差异，需要对 FSD 算法进行适应和改进，以满足机器人特定的需求和任务。这一切都依靠特斯拉强大的自主研发能力。相比全球其他依靠第三方团队进行软件外包 的厂商，特斯拉拥有卓越的软件团队，这是特斯拉非常重要的隐性价值，也塑造了其真 正领先于同业的核心竞争力。
人形机器人感知模块零部件与苹果硬件高度重合，“果链”国内供应商有望快速切入人形 机器人供应链。苹果的成功摆脱不了对中国供应商的依赖，2021 年苹果硬件中国供应商 数量占全球的 49%，可以看出我国是苹果产业链的重要参与者。同时，我国供给的摄像 头、玻璃盖板、屏幕等产品与人形机器人感知模块的零部件重合度较高，这些厂商有望借助供应链优势迅速切入人形机器人供应链。
人形机器人迅速迭代，国内外厂商加速布局
特斯拉机器人迭代迅速，历时 8 个月便可执行复杂动作。2022 年 10 月，在特斯拉 AI Day 上，特斯拉机器人 Optimus 首次亮相，当时还需要人工推出，仅能完成简单的肢 体动作。而在 2023 年 3 月的投资者日中，Optimus 便展现了步行以及组装机器人的工作 能力。到 2023 年 5 月的股东大会上，Optimus 已经可以实现对物品的抓取等复杂动作。马斯克提出，Optimus 将面向应用场景进行快速迭代，预计在特定应用场景将快速推出量 产机型。我们认为特斯拉强大的汽车供应链有望加速 Optimus 量产实现。
特斯拉强大的供应链及解决方案有望加速人形机器人量产进程。目前人形机器人商业 化量产的瓶颈主要可归结为技术、成本和应用场景三个方面。但特斯拉在三大瓶颈方面均 有特有优势。1）技术方面，拥有 FSD 自动驾驶技术以及 DOJO D1 超级计算芯片的特斯 拉在人形运动控制、硬件执行器、运动规划算法等方面正在进行广泛深入的底层研究；2） 成本方面：研发团队在设计阶段已充分考虑量产阶段的降本可行性，例如高度集成的电池、 6 种执行器等，强大供应链保障有望降低量产成本；3）应用场景：特斯拉汽车工厂将为人 形机器人提供巨大的试验田，早期版本的机器人将在工厂中进行大量训练，并不断迭代， 解决了大多数厂商早期寻找应用场景这一大难题。
传统机器人公司技术迭代速度较慢，且并未面向应用场景设计机器人，供应链问题也 导致机器人造价十分昂贵。以大家熟知的波士顿动力 Atlas 为例，根据波士顿动力官网， 波士顿动力的 Atlas 拥有近 40 年的发展历史，1983 年-2013 年，从麻省理工 Leg Lab 走 出来的 Atlas 基本完成了简单的肢体动作和行走能力，2016 年 Atlas 开始具有简单的物体 搬运功能，并且没有灵巧手，2019 年 Atlas 行走能力进一步增强，可实现后空翻等动作， 并且能够识别复杂地形，2021 年，Atlas 具有一定的工作能力，用简单的灵巧手搬运物体。目前，发展了 40 年的 Atlas 仍然没有明确的应用场景，且售价十分昂贵，达到 200 万美 元以上。
特斯拉或在机器人行业再次带来鲇鱼效应。回顾新能源汽车在中国市场的发展史，特 斯拉这条“鲇鱼”对于我国新能源汽车升级与降本带来巨大推动作用。2019 年 1 月，特 斯拉上海工厂奠基，2020 年 1 月，特斯拉上海工厂新车交付，国产版 Model 3 售价下调， 扣除补贴后，基础版车型售价从 35.58 万元下调至 29.9 万元，低廉的售价以及优良的性能 对我国新能源车厂商带来了巨大冲击，迫使我国新能源车厂商降本提效，加速了新能源车 行业的发展，同时也推动了我国消费者对新能源车的接受度提高。因此，我们认为特斯拉 在机器人行业中也将扮演这条“鲇鱼”，极快的迭代速度以及可预期的低廉的售价将迫使 老牌机器人厂商加速发展。
国内外巨头纷纷参股或设立人形机器人研发公司。现有人形机器人产品主要为日本本 田 ASIMO、美国波士顿动力 Atlas、美国 Agility Robot、优必选 Walkers、中国小米 CyberOne、以及特斯拉 Optimus 等。其中，日本本田、小米及特斯拉皆研发了自己的人形机器 人。而波士顿动力相继辗转谷歌、软银后，目前被现代公司收购。美国 AgilityRobot 的 2022 年 B+轮融资的投资者中，出现了亚马逊及索尼。国内外巨头纷纷下场加码人形机器人， 人形机器人有望迎来快速发展。
国内外机器人创业公司也纷纷推出人形机器人或产品。国内机器人行业创业公司如追 觅科技、达闼科技等先后推出自己的双足人形机器人，国内四足机器人领先企业宇树科技 也在加入到人形机器人的研发中，腾讯 Robotics X 实验室推出自研机器人灵巧手 “TRX-Hand”和机械臂“TRX-Arm”，为其后续在机器人行业的发展作出铺垫，华为于 2023 年 6 月注册成立东莞极目机器有限公司，正式进军机器人领域，注册资本 8.7 亿元。国外方面，OpenAI 在 A2 轮领投挪威人形机器人公司 1XTechnologies，旨在将其强大的 AI 系统与实体机器人结合起来，从而为 AGI 的发展奠定基础。
人形机器人浪潮下，类人型机器人也迎来快速发展，但人形机器人仍然是各大厂商的 主要目标。随着人形机器人浪潮袭来，类人型机器人如四足机器人也迎来了快速发展，成 为各大厂商的必争之地，早在 2021 年 3 月腾讯便发布多模态四足机器人 Max，并在 2022 年 8 月推出 Max 二代，小米于 2021 年 8 月发布第一代四足机器人铁蛋，小鹏鹏行机器也 于 2022 年 7 月发布首款四足机器人。此外一些在机器人领域深耕多年的创业公司也拥有 自己的标杆四足机器人产品，例如宇树科技的 A1、云深处的绝影 X20、蔚蓝科技的 E 系 列、优宝特的 YoBoGo。国外较为出名的四足机器人有波士顿动力的 Spot、IIT 的 HyQReal。但人形机器人相较于仿人形机器人仍有较大优势：（1）仿生步态下运动能力较传统履带/ 四轮/双轮机器人大幅提升；（2）灵巧手可实现双手配合和工具替换，较工业机器人技能更 广；（3）依靠算法能力实现复杂环境识别并实施决策。
预计到 2027 年，全球人形机器人市场规模将达到 141 亿美元。根据优必选招股书， 弗若斯特沙利文预计 2026 年全球智能服务机器人产品及解决方案的市场规模将达到 676 亿美元，2021 年到 2026 年 CAGR 达到 25%。而根据 Stratistics Market Research Consulting 数据，全球人形机器人市场规模将在 2027 年达到 141 亿美元，2020 年到 2027 年 CAGR 达到 58%。
人形机器人是具身智能的重要载体，AI 发展赋能机器人感知
人工智能的下一个浪潮将是具身智能。在 ITF World 2023 半导体大会上，英伟达创始 人兼首席执行官黄仁勋表示，人工智能的下一个浪潮将是具身智能，即能理解、推理、并 与物理世界互动的智能系统。具身智能是具有身体体验的智能。1950 年，图灵在他的论文“ComputingMachinery and Intelligence” 中首次提出了具身智能的概念。之后的几十年里，大家都觉得这是一个 很重要的概念，但是由于技术限制，具身智能并未有很好的发展。从认知的角度来看，人 类是第一人称视角的智能，用 1963 年的实验来说明，有两只猫，一直猫被绑起来，只能 看这个世界，另一只猫可以主动去走。被动的猫是一种旁观的智能，而主动的猫是具身的 智能。到最后，这只旁观的猫失去了行走能力。当机器可以主动感知世界时，人工智能也 就变成了第一人称的智能，也就无限接近于人类。
具身智能由具身感知、具身想象和具身执行三个基础模块构成。上海交通大学卢策吾 教授在机器之心 AI 科技年会中提出了 PIE 方案，即具身感知（Perception）、具身想象 （Imagination）和具身执行（Execution）。PIE 方案帮助机器模拟了人类的思维及行动方 式，即机器人首先需要识别物体，然后通过交互感知物体，再通过数字孪生进行仿真模拟， 利用最好的结果去执行。卢教授也演示了机器人如何抓取被打碎的陶瓷瓶碎片，对于不规 整的碎片，机器人总是能成功抓取。
作为具身智能的大脑，多模态大模型更符合人类大脑接受与处理信息的方式。从人类 接受信息的角度看，我们所接收到真实世界的信息来自于多模态的数据源，如语音、文本、 图像等，而单模态预训练模型只涵盖了单一模态的信息，无法对人类的信息获取、环境感 知、知识学习与表达的主动学习过程进行有效表达，不同模态之间的隐式交互信息并未被 充分利用与学习。“GPT 一小步，多模态 AI 的一大步”，GPT-4 支持图片和文本类信息同时输入。GPT-4 是由 OpenAI 发布的大型多模态模型，它不仅能与用户一起生成、编辑，完成创意的迭代 和技术写作任务，更重要的是，它还能读懂图片。多模态感知是实现通用人工智能的必要 条件，无论是知识/能力获取还是与现实物理世界的交互，这也是其与上一代 GPT 的主要 区别。在 GPT-4 中，多模态输入的图像和文本基于 Transformer 作为通用接口，图形感知 模块与语言模块对接进行进一步计算。基于 Transformer 技术，GPT-1 只有 12 层，而到 了 GPT-3，则增加到 96 层。GPT-4 增加了额外的视觉语言模块，理论上具有更大的模型 尺寸和输入窗口。
语言方面，以 ChatGPT 为代表的大模型已具备协助机器人处理语言，从而可以高效 地对感知信息进行交互，如人类通过自然语言对机器人进行调试。根据微软 Sai Vemprala 等最新的论文：“目前的机器人需要专门的工程师不断编写新的代码来修正机器人的行为， 而我们使用 ChatGPT 的目标是让非技术用户参与到修正过程中，通过高级语言命令与语 言模型交互，无缝部署各种平台和任务。” 如果付诸实践，AI 有望帮助编写新代码和规范 来纠正机器人的行为，因此允许了不懂技术的广大用户提供反馈，轻松地与机器人互动， 直到用户对机器人的处理解决方案满意为止，再将这个代码部署到机器人上，一个调试就 结束了。
视觉方面，谷歌推出 ViT 统一了 CV 和 NLP 框架，用于图像识别。ViT 模型将语言模 型的 transformer 架构用于视觉模型，代替了传统的 CNN，统一了 CV 和 NLP 的架构。2020 年 10 月，谷歌推出 Vision Transformer（ViT）模型，证明了不使用 CNN，直接将 Transformer 结构应用于视觉模型也可以很好地执行图像分类任务。Transformer 将句子中的每个词 （token）并行输入编码器，ViT 直接将图像拆分为多个块，将每个块的位置和包含的图像 信息当做是一个词，输入到编码器中，训练好的编码器可以将图像输出为一个包含了图像 特征的编码，类似于在语言模型中将一句话输出为一个包含了语言信息的编码，之后通过 MLP 层将编码器的输出转化为不同分类的概率。
信息处理方面，算法模型与软硬件一起集成为可供机器人“思考”的“大脑”。如谷 歌发布 RoboCat，其基于谷歌的多模态模型 Gato，可以在模拟和物理环境中处理语言、 图像和动作。通过将 Gato 的架构与一个大型训练数据集结合起来，该数据集由各种机器 人手臂的图像序列和动作组成，可以解决数百种不同的任务。RoboCat 先通过机器视觉观 察由人工操作的机械臂完成任务，搜集数据后通过在物理和虚拟环境中进行练习，通过练 习生成新的训练数据，合并进入训练集，用于新版本的训练，从而学会此次任务。学会此次任务的 RoboCat 可被移植到新的机械臂上，对新的机械臂进行微调后执行相同的任务， RoboCat 在几小时内观察 1000 次人工演示后，可以灵巧的指挥新手臂抓取齿轮，成功率 高达 86%。RoboCat 的出现为未来更加通用的机器人出现打下基础。
人工智能要走向具身智能的交互端，必须要具备强大的感知能力。陆奇在《我的大模 型世界观》的演讲中提到 AI 发展的新范式将属于“行动”系统。第一代系统“信息”对应 着感知，第二代系统“模型”对应着思考，第三代系统“行动”对应着实现，目前 GPT 的快速发展让人工智能的思考以及交互能力大大提升，而 Tesla Bot 的推出也就预示着“行 动”系统的量产已有眉目。但感知能力是“模型”和“行动”的基础，人形机器人终端的 发展离不开感知能力的不断提升。
人形机器人更加智能化，所需的感知硬件远多于传统机器人
免责声明：
