机械设备深度报告：机器人如何进行复杂操作和自主移动-20240121-中邮证券-21页_1mb

总结报告分析

报告主题与背景

报告聚焦于2024年1月发布的机械设备行业投资报告，特别关注人形机器人领域的最新进展。报告讨论了人形机器人如何完成复杂操作和自主移动，涉及多种AI训练路径和SLAM技术。内容基于斯坦福大学MobileALOHA机器人和特斯拉Optimus演示案例，并评估了行业风险和投资机会。

核心内容：人形机器人复杂操作的AI训练路径

报告分析了五大主流AI训练方法，以提升机器人运动控制和环境交互能力：

• 虚拟仿真（Sim2Real）：使用模拟环境训练，成本低但存在RealityGap问题，代表英伟达VIMA。
• 动作捕捉或遥操作（Tele-operation）：依赖真人操作数据，直接有效，适合实际应用，代表特斯拉Optimus。
• 模仿学习（MimicPlay）：通过人类示教视频学习，泛化性强，但需大量演示，代表斯坦福MobileALOHA和Figure机器人。
• VLM + 小模型：结合视觉语言模型进行高层规划和小模型执行，提升效率，但存在实时性问题，代表谷歌PaLM-E。
• VLA：端到端闭环控制，直接输出运动指令，泛化性能好，但大模型实时性差，代表谷歌DeepMindRT-2。报告强调这些路径各有优劣，公司可能融合多种方式优化机器人智能。

核心内容：机器人自主移动的SLAM技术应用

自主移动依赖SLAM技术（Simultaneous Localization and Mapping）实现定位和建图：

• SLAM算法包括二维激光SLAM、三维激光SLAM和视觉SLAM，适用于不同场景，但三维和视觉SLAM更适合人形机器人。
• 核心架构涵盖数据预处理、前端定位、后端优化、闭环检测和地图构建。
• 国内厂商如开普勒、追觅和大象已将SLAM应用于人形机器人，预计随移动机器人和自动驾驶技术迁移，应用范围扩大，全球SLAM市场规模预计从2022年330亿美元增长至2029年2923亿美元（CAGR约347%）。

风险提示与投资建议

• 风险因素：人形机器人下游需求不及预期、AI算法和算力迭代慢、市场竞争加剧、技术落地难度。
• 投资评级：行业维持“强于大市”，建议关注机器人赛道公司。
• 报告发布机构：中邮证券，分析师为刘卓等，强调免责声明。

总体结论

报告指出，2024年或为人形机器人应用元年，AI训练和SLAM技术的进步为人形机器人商业化奠定基础，但需警惕技术风险和竞争挑战。