摘要：聚焦人形机器人运控技术，论坛由一位机械分析师主持.专家分享了运控行业知识，特别讨论了人形机器人中大脑与小脑的角色及区别，指出小脑面临数据量不足和模型不成熟等挑战。讨论还覆盖了强化学习优化、数据采集技术、运动控制创新方向，以及市场应用与需求展望。强调具备底层研发
全文摘要
聚焦人形机器人运控技术，论坛由一位机械分析师主持.专家分享了运控行业知识，特别讨论了人形机器人中大脑与小脑的角色及区别，指出小脑面临数据量不足和模型不成熟等挑战。讨论还覆盖了强化学习优化、数据采集技术、运动控制创新方向，以及市场应用与需求展望。强调具备底层研发能力的公司重要性，整个会议深入探讨了该领域的挑战、机遇与未来方向。
章节速览
●00:00人形机器人健康论坛：运控技术与小脑功能解析
在中泰证券组织的人形机器人健康论坛上，专家讨论了人形机器人的运控技术.特别是小脑功能在机器人运动控制中的重要性。专家指出、虽然在大脑端的发展已相对成熟，小脑部分的技术仍然面临挑战，数据量不足和模型不成熟成为了人形机器人量产的最后障碍。通过权威专家潘总的分享，探讨了人形机器人运控与传统运控的相同点与不同点、以及小脑在机器人技术中的核心定义和作用。
●02:13机器人大脑与小脑的定义及AI机器人与传统机器人的区别
对话首先探讨了机器人大脑和小脑的定义，指出各家对此有不同理解。提出将机器人的主CPU视为大脑或小脑、具体取决于其在云端或端侧的定位。同时，机器人控制各个关节的小控制器被认为是更小脑的一部分。此外，对比了Al机器人与传统机器人的主要区别：传统机器人根据预设轨迹实时控制，而AI机器人则通过实时场景判断生成轨迹并执行。
●04:40传统工业企业在人形机器人领域的拓展与挑战
对话围绕传统公共企业如何在人形机器人领域发展展开。传统工业机器人的算法被提及，但强调人形机器人需要辨识和生成轨迹的过程，这类似于AI的学习过程。讨论中提到.传统公共企业通过开发底层运控算法并利用大量数据优化算法，有可能实现与AI领域的结合，形成互补和双向发展的过程。同时，与房地产等其他行业的合作也被视为获取数据反馈并持续优化算法的重要途径。
●07:40机器人技术的未来发展趋势及控制方法
对话探讨了机器人技术中上肢和下肢控制方法的不同以及未来的发展趋势。下肢控制相对简单，已有统一算法，而上肢尤其是手指的控制更为复杂.目前尚未形成统一的方法。这主要由于手指控制技术的多样性，包括气动、线绳、滚珠丝杠和新型材料等，以及双臂协同互动的高要求。未来，若能形成一致的标准，将有助于统一解决方案的出现。此外，对话还提到机器人公司在招聘时需要同时具备Al和传统控制理论的人才、表明这两种技术在机器人领域是融合而非替代的关系。
●11:31创业公司与机器人企业协同发展趋势及DeepStick的影响
对话讨论了创业型公司与机器人企业协同发展的趋势，特别是第三方企业通过价值或算法赋能机器人企业，以及机器人企业通过收集数据优化这些算法、形成协同效应。此外，提到了DeepStick的出现对业界带来的震撼，指出其技术使得小模型可以植入到终端设备中，显著提升了实时计算和控制的能力，从而为云端和终端的配合带来了新的想象空间。同时，开源模型的发展也被视为推动行业高速发展的关键方式，展现了对这种协同趋势和开源与闭源并行发展的乐观态度。
●14:48机器人数据采集与模型成熟度的挑战及未来发展方向
对话探讨了机器人领域当前面临的挑战，包括大脑模型成熟而小脑模型缺乏数据及不成熟的问题，以及机器人数据需求量远超自动驾驶技术但实际数据收集困难的情况。讨论中提出了通过行业性垂直小模型和终端部署收集数据以优化模型的策略，强调了针对特定场景的模型可能更符合实际应用需求。同时，提到了特斯拉等公司计划大规模部署机器人以收集反馈数据.以及像语数科技这样的公司通过提供平台让终端系统集成商进行二次开发，从而实现数据的深度挖
掘和模型的完善。未来，机器人可能发展出两种销售模式：通用的平台性机器人和针对特定场景的定制化机器人。
●20:04人形机器人与工业机器人硬件设计差异讨论
对话围绕人形机器人和工业机器人的硬件设计差异展开。讨论指出，虽然两者在执行层面的硬件差距不大，但在制动器、控制层以及电梯层等部分，人形机器人有其特殊的设计要求。例如，为了缩小体积.人形机器人的关节模组可能将控制器与驱动一体化设计。此外，人形机器人通常采用低压供电，而工业机器人则可能使用380V或220V的供电。两者在电压等级、集成度和元器件优化方面存在差异，但基本元件如电机、减速器、编码器和驱动器等与工业机器人相同，只是在结构大小和电压等级上有所不同。
●22:59机器人数据采集与优化方案讨论
讨论中提出，对于电话端和网络端的参会者，提供了不同的提问方式。随后深入探讨了机器人数据采集的方案.特别是动补方案在数据团队量级较小的情况下的应用。提及了未来可能的趋势、包括直接移植原有工业模型到人形机器人以及通过数据重新优化模型。强调动补方案不是过渡方案，而是数据优化方案之一、不会被淘汰，而是作为优化方案的一部分持续存在。
●25:23人形机器人创业方向的创新与挑战
讨论了人形机器人创业方向的创新点，强调了与传统工业机器人体系竞争时的差异化策略。人形机器人在成本、耐用性和专用性方面具有独特优势，需要解决精度与成本之间的平衡问题。以特斯拉机器人为例，指出了大规模生产对成本优化和元器件适应性的新需求，提出了针对人群使用优化的思考。
●28:02机器狗与人形机器人应用场景与量产前景
对话围绕机器狗和人形机器人的应用场景及量产前景展开。讨论指出，尽管机器狗的应用场景相对单一、如消防、石化巡检和武警部队，但因其应用领域支付能力较高，机器狗的出量可能在短期内更多。长远来看，人形机器人的市场规模预计将远超机器狗。此外，还探讨了机器狗的数据采集方式、基于强化学习的运动控制训练数据获取途径，以及如何解决训练中的数据缺失问题。
●33:32云端大脑与端侧小脑的协同作用
对话探讨了将云端和终端设备分别比作大脑和小脑的概念，强调了两者在处理实时性和复杂运算任务中的分工与协作。云端负责处理大数据和复杂运算，终端则快速响应实时需求，如智能车的即时避障。这种架构确保了高效且灵活的决策与执行机制。
●35:20国内运动控制领域优秀公司及技术特点讨论
本次讨论聚焦于国内运动控制领域中表现突出的公司及其各自的优势。虽然每家公司在控制方法和特点上各不相同，但讨论强调了从底层自主研发技术的公司更易于提升和与AI技术结合。讨论者建议投资者关注那些具备底层研发能力的运动控制公司，并鼓励对运动控制方面有疑问的投资者进一步交流。
发言总结
●发言人4
首先指出机器人大脑与小脑的概念存在定义上的模糊，强调了需要在领域内明确这些术语的含义。他提到.机器人中的主CPU根据视角的不同，可被比作大脑或小脑，这取决于是将机器人视为整体还是其组成部分。接着，他强调了人工智能(Al)机器人与传统工业机器人的区别.指出AI机器人能通过实时场景分析自主生成并执行动作轨迹，展现了更为智能的运作方式。
他进一步探讨了人形机器人与机器狗在应用及市场需求上的差异，指出了运动控制在机器人设计中的核心地位及其多样性。他提出、优秀的机器人运动控制公司需具备强大的底层架构研发能力，建议行业关注这类公司的成长。最后，他谈及了云端与端侧结合对提升机器人性能的关键作用，并展望了未来机器人在特定场景下应用的广阔前景，强调了技术进步与市场需求对接的重要性。
●发言人3
他.即中泰机械的分析师谢小辉，在人形机器人线上论坛中集中讨论了运控领域内的挑战与机遇。他首先指出，尽管人工智能在大脑端已高度成熟，但小脑部分因模型不成熟与数据量不足而制约了人形机器人的量产。为突破这一瓶颈，他邀请了运控行业资深专家潘总参与讨论，围绕小脑的定义、与传统运控的区别、控制算法的开发潜力以及数据采集方法进行了深入探讨。此外，谢小辉还探讨了创业公司与机器人企业间的合作模式.并询问了潘总对运控行业未来发展的见解。最后，他对潘总的精彩分享及与会投资者的参与表示了诚挚的感谢，总结了此次论坛的核心议题。
●发言人2
首先对会议进行了正式开启，播报了免责声明，并对会议流程进行了指示。他询问了机器狗的构造和基于强化学习的运动控制训练数据获取方式，同时探讨了S2R中数据缺失问题的解决方法，以及小脑和大脑功能的解释。此外，他还表达了对环保局机器人的感谢，并询问了国内在运动控制领域表现突出的公司及其各自的优势。最后，他对所有参会者表示了感谢，宣布会议圆满结束，并祝愿大家生活愉快。
问答回顾
发言人3问：现在大家都在讲小脑，潘总，您认为小是什么?以及人形机器人的运控与传统的运控有哪些相同点或不同点?
发言人4答：从我个人理解来看.机器人本身的主CPU可以认为是大脑或小脑。但从整体概念上，如果以云端为主，它更像一个小脑状态。传统运控是基于数学算法推演得出精确轨迹进行实时控制，而AI机器人通过场景实时判断来生成并执行轨迹，这是两者本质上的区别。
发言人3问：传统公共企业是否具备开发小脑底层运控算法的能力，并与房地产等领域合作优化算法?
发言人3答：确实存在这种可能性，传统公共企业可以通过与相关领域的合作获取数据反馈持续优化算法，最终将算法成熟化。
发言人3问：对于下肢的精细化操作，您如何看待其未来是否有统一的算法平台?
发言人3、发言人4答：下肢的控制相对更统—一些.因为人的行走和跑步时，下肢关节运动是固定的.容易形成统一模型。对于上肢的复杂操作，目前还没有统一的算法平台，但随着技术发展，未来可能会有更先进的方法来处理这些复杂控制问题。
发言人4问：目前上肢技术中，为什么各家解决方案存在较大差异，并且没有形成统一标准?
发言人4答：上肢技术中，尤其是手指部分，各家尝试了多种不同的解决方案，如气动、线绳、滚珠丝杠以及新型材料变形等方式。由于技术复杂度较高，各家都在探索适合自己的路径，因此尚未找到一个相对一致且统一的标准解决方案。此外，上肢技术不仅涉及手指端的创新，还包括双臂协同互动的要求，这也增加了技术实现的难度。
发言人3问：传统公共企业执行层面与AI大模型的关系是怎样的?
发言人3答：传统公共企业的执行层面在理论上遵循传统的控制理论和算法，而AI大模型则代表了更先进的智能处理方式。目前两者并非替代关系，而是以融合为主，共同存在于不同的业务场景中，比如风控与线下供货相结合，通过互补实现更高效、灵活的运作。
发言人3问：对于创业型公司采用自主研发算法赋能机器人企业，并通过数据优化这一趋势有何看法?
发言人4答：这种趋势是积极向好的，许多机器人公司正结合AI运算和传统控制技术等多种元素共同发展。同时，开源模型的使用也是行业快速发展的一个重要方式，例如通过DeepMind提出的蒸馏技术，使得小模型可以直接植入终端设备，实现实时计算和控制，这种端云协同的发展空间很大。
发言人3问：对于数据采集和模型训练之间的矛盾，即机器人数据不足导致模型不成熟，是否会导致无解状态?
发言人4答：随着AI技术的飞速发展，会出现越来越多针对特定行业的小模型。这些小模型会在特定场景下，利用充足的数据形成合理有效的行业模型，从而快速推进应用。因此，虽然单
个机器人数据量可能有限，但随着行业垂直领域模型的兴起，数据不足的问题有望得到改善。
发言人3问：主机厂将机器人部署到终端获取数据反馈，这种方式是否对小脑成熟度的培育杯水车薪?
发言人3答：数据量反馈对于模型成熟度的提升至关重要、但直接部署到终端的方式可能面临数据质量难以保证、数据量要求大等问题。不过，类似语数科技的案例表明，通过提供开放平台与终端系统集成商合作，可以在实际应用中逐步培育和优化小脑的成熟度，从而实现模型的更好泛化能力。
发言人4问：在机器人领域，您认为未来的发展趋势是怎样的?
发言人4答：未来机器人会走两条路，一是通过通用平台性进行零售销售.提供二次开发的可能性；二是针对特定场景，如工厂环境，开发垂直应用的机器人。
发言人3问：硬件层面，传统机器人和人形机器人在执行层面上有那些主要差异?
发言人4答：传统机器人与人形机器人在硬件执行层面上的主要差异在于供电电压等级、集成度等方面。例如，人形机器人通常采用低压供电(如48伏),而传统工业机器人可能使用380伏或220伏的高压供电。此外，在结构大小、元器件的选择以及优化集成等方面也有不同要求.但本质上它们都是工业机器人元器件的延伸和扩展。
发言人4问：对于人形机器人，其关节内部包含哪些关键组件?
发言人4答：一个基本的旋转关节内部通常包含无刷电机、减速器、编码器(可能单编码或双编码),驱动器以及传感器等组件，并且这些组件已经集成化设计、以实现更高效、小型化的功能。
发言人3问：动补方案在人形机器人数据采集中的作用及未来发展如何?
发言人4答：动补方案是一种数据优化方案，不是过渡方案。它结合了原有工业模型移植和通过数据重新优化模型的方法，是人形机器人强化学习形成轨迹的重要途径，因此不会被淘汰.而是会作为优化方案之一持续存在。
发言人3问：对于专注于人形机器人硬件创新的创业公司来说，有哪些可以规避与传统工
业体系竞争的创新点?
发言人4答：创业公司在面对人形机器人硬件竞争时，应当捕捉到人形机器人在成本、耐用性和专用性上的特点，并在此基础上进行创新。例如，降低精度要求以适应更低成本需求，同时确保能满足大规模量产所需的释放数量，通过优化成本和设计适合人形机器人使用的元器件，来提供独特且具有竞争力的产品解决方案。
发言人2问：机器狗是否具有小脑和大脑之分，以及它们的数据采集方式是什么?
发言人4答：机器狗确实存在类似小脑和大脑的概念。其中，云端作为整个系统的套件可以看作大脑.机器狗本体中的CPU(如英特尔CPU)和GPU(如英伟达GPU)部分相当于小脑。数据采集方面，通过自学习生成数据并强化训练.同时也有通过实际现场数据进行强化学习的方式，目前行业内这两种方法都在并行实施。
发言人2问：基于强化学习的运动控制如何获取训练数据?是通过真机部署还是仿真软件模拟?在S2R如何解决数据缺失的问题?
发言人2、发言人4答：获取训练数据的方式有两种：一种是通过模拟型自学习方式生成数据再强化训练；另一种是通过实际现场数据去强化学习。这两种路径目前都在行业内同时存在并被实践。对于S2R解决数据缺失问题的具体方法、虽然文中未详细说明.但可以理解为结合了模拟与真实场景的数据来共同解决数据缺失的问题。
发言人2问：目前国内做运动控制比较优秀的公司有哪些?各家优势是什么?
发言人4答：国内做运动控制的优秀公司众多，每家公司控制策略的特点各异，难以一概而论评价哪家最好。但从长远发展和与AI结合的角度看，建议关注那些拥有底层自主研发能力的公司，这类公司更容易提升并实现与AI大脑的有效衔接和结合。
来源：灿烂小雨
