机械一周解一惑系列：机器人x具身智能的再思考_24页_1mb

具身智能+AI融合发展：机器人视觉与感知升级分析

核心技术：Transformer架构与VLA模型

人工智能与机器人领域的深度融合正在推动具身智能的快速发展，其中Transformer架构起到关键作用。通过多模态融合能力，Transformer架构为视觉、语言和行动指令的融合提供了基础。英伟达Cosmos平台借助扩散模型和自回归模型，提升了虚拟世界的模拟能力，极大推进了机器人训练；李飞飞团队的WALT、ReKep与世界模型则进一步加强了机器人在复杂环境中的理解与生成能力。

基于Transformer的VLA（视觉-语言-行动）模型是具身智能的重要方向。相比谷歌的RT2模型，π0模型通过动作专家模块和条件流匹配技术，提升了多任务泛化能力和操作精准度，展现了更强的零样本适应性和高精度动作控制能力。

触觉与动态手算法

触觉感知是提升人形机器人操作能力的关键。上海交通大学提出的新硬件与算法协同系统VITaM，通过视觉-触觉联合感知，实现了高精度动态交互重建，包括橡皮泥形变追踪和剪刀刃口遮挡恢复等复杂场景的应用，对机器人操控柔性物体有重要意义。

感知技术：激光雷达与3D视觉

激光雷达作为机器人环境感知的核心传感器，发展出全固态、半固态等多类型，测量精度与成本差异明显。ToF法较成熟，但结构光法和立体视觉法在中长距离与高精场景更具优势。

视觉技术方面，2D相机因纹理识别和成本低，适用于简单任务；3D视觉则适用于避障、抓取等复杂任务，是机器人实现术动化的核心基础。未来更多将结合深度学习提升2D识别能力，但3D数据仍为主因依。

投资建议

在AI赋能机器人的趋势下，建议关注以下方向：

• 灵巧手环节：兆威机电、福莱新材、日盈电子（触觉传感器）
• 视觉领域：奥比中光（深度传感）、峰岹科技（新型传感器）
• 系统集成商：中大力德（齿轮类）、中坚科技（代工厂）

风险提示

• 具身智能模型进化慢于预期：涉及算法复杂度、训练成本、硬件资源
• 技术迭代路线变化：机器人操作系统路线若改变，将影响整体行业布局

总结

通过Transformer架构强化，具身智能系统在泛化性、多模态融合和任务执行精度方面取得突破。随着力学触觉与强感知手段（如激光雷达）的结合，机器人有望实现更高级别的自主操作与人机协同。当前投资重点应聚焦在组件、感知硬件与核心算法公司，以抓住具身智能爆发的核心机会。