1、 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 Table_Info1 机械设备机械设备 Table_Date 发布时间：发布时间：2025-02-12 Table_Invest 优于大势优于大势 上次评级:优于大势 Table_PicQuote 历史收益率曲线 Table_Trend 涨跌幅（%）1M 3M 12M 绝对收益 12%1%35%相对收益 8%7%20%Table_Market 行业数据 成分股数量（只）526 总市值（亿）40995 流通市值（亿）19920 市盈率（倍）36.80 市净率（倍）2.48 成分股总营收（亿）18769 成分股总净利润（亿）1121 成

2、分股资产负债率（%）51.16 相关报告 Figure 宣布与 OpenAI 终止合作，特斯拉推进 Optimus 量产-20250210 12 月经济数据改善，国产替代与机器人产业迎来变化-20250120 Table_Author 证券分析师：刘俊奇证券分析师：刘俊奇 执业证书编号：S0550524020001 17501626511 研究助理：周兴武研究助理：周兴武 执业证书编号：S0550124070020 15996262528 Table_Title 证券研究报告/行业深度报告 人形机器人深度：从具身模型看动捕设备机会人形机器人深度：从具身模型看动捕设备机会 报告摘要：报告摘要：T

3、able_Summary 具身智能大模型是人工智能领域的重要发展方向，其发展历程从具身智能大模型是人工智能领域的重要发展方向，其发展历程从 20 世世纪纪 50 年代的概念萌芽逐步发展到如今的多模态融合与复杂任务规划。年代的概念萌芽逐步发展到如今的多模态融合与复杂任务规划。具身大模型基于 Transformer 架构和预训练技术，通过强化学习实现机器人在复杂环境中的自主决策。具身大模型有端到端具身模型与分层模型两条路线，其中端到端具身模型将感知、推理、决策和执行集成于一体，通过大规模多模态数据训练，能够直接从输入到输出进行映射，减少了中间环节，显著提高了系统的效率和响应速度，但其需要海量的训练

4、数据，成本较高，叠加模型的复杂性，可解释性较差。相比之下，分层模型则在模块化、可维护性和灵活性上表现更好，适合需要逐步优化和灵活调整的复杂任务，但系统复杂性和性能开销相对较高。为此，短期内分层模型更加适用，而长期看端到端具身模型有望广泛使用。具身智能大模型的发展高度依赖于高质量的具身智能大模型的发展高度依赖于高质量的真实真实数据。数据。具身机器人数据通常包括多模态信息，如视觉图像、自然语言指令、触觉反馈以及机器人的动作数据等，这些数据帮助机器人学习感知、决策和执行任务的能力，提升其在复杂环境中的适应性和泛化能力。然而，具身机器人数据面临数据稀缺性、采集成本高、标注复杂等挑战，其规模和多样性相对

5、不足。数据采集可以类比为一个金字塔结构，最底层是互联网数据和生成数据，中层为动作捕捉数据，顶层是遥操作数据。2024 年，全球多家机构发布了多个高质量的具身智能数据集，叠加人形机器人训练场建设如火如荼，机器人智能化有望加速。动作捕捉技术是具身智能数据采集动作捕捉技术是具身智能数据采集破局破局的关键手段的关键手段。动作捕捉系统分为机械式、声学式、电磁式、惯性传感器式和光学式五大类，其中光学式与惯性式动作捕捉系统因其高精度和高效率被广泛应用。在具身智能机器人领域，动作捕捉技术通过遥操作和虚拟本体数据采集，为机器人提供了高质量的训练数据。例如，特斯拉利用动捕系统训练人形机器人，智元机器人通过动捕系统

6、采集数据用于虚拟本体训练。动作捕捉技术不仅提高了数据采集的效率，还降低了数据清理的成本，为具身智能机器人的发展提供了有力支持。相关标的：凌云光、奥飞娱乐、利亚德等。风险提示：风险提示：人形机器人产业化进展不及预期；人形机器人产业化进展不及预期；动捕设备动捕设备技术升级速度不技术升级速度不及预期；下游行业景气度波动及预期；下游行业景气度波动 Table_CompanyFinance -20%-10%0%10%20%30%40%2024/22024/52024/82024/11机械设备沪深300 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 2/35 机械设备机械设备/行业深度行业深度