2025垂直领域具身智能机器人产业化落地现状及潜力应用场景分析报告（38页）.pdf

1、 2025 年深度行业分析研究报告 2 内容目内容目录录 1.垂直领域具身智能机器人，为什么是现在看好？.5 1.1“大脑”成熟度逐步提升，打造具身智能落地基础.5 1.2 垂直领域缺数据、推理慢、控制难等问题有望解决，加速产业化落地.7 1.2.1 从场景获取真机数据，加速实现“数据飞轮”.7 1.2.2 需要的模型更“小”，解决推理太慢痛点.10 1.2.3 不追求人形形态，控制算法更成熟.12 2.哪些场景潜力大？.16 2.1 潜在场景寻找思路.16 2.1.1 工业/服务机器人渗透率的逆向思考，工业机器人渗透率越低未来前景越大.16 2.1.2 哪里“缺工”看哪里，三种机器人覆盖三种

2、类型工作.18 2.2 服装：主要针对缝纫环节，解决招工难、人工成本高等下游核心痛点.20 2.3 康养：机器人最终进入家庭最优的过渡场景.25 2.4 物流：国内外企业积极探索应用，解决拆零拣选等环节工作量大痛点.31 图表目录图表目录 图表 1：机器人“大脑”技术架构.5 图表 2：机器人主要大模型.5 图表 3：谷歌 SayCan 模型基于 LLM+VFM 来理解用户指令推理分解任务步骤.6 图表 4：清华大学 Vila 算法采用 GPT-4V 等 VLM 在复杂环境中主动进行任务规划.6 图表 5：谷歌 RT-H 模型能够将高层次任务映射为低层次运动，减少训练需要的数据.7 图表 6：

3、目前预训练大模型研究发展迅速，显著提高了机器人感知、决策、控制能力.7 图表 7：“数据飞轮”是机器人产业具有巨大成长性的底层逻辑.8 图表 8：傅利叶开源机器人数据集 Fourier ActionNet 首批上线超 3 万条真机训练数据.8 图表 9：解决数据瓶颈的常用方法.9 图表 10：智元数据采集工厂.9 图表 11：垂直场景部署让训练数据结构从“正三角”转为“倒三角”.10 图表 12：模型训练的性能随着计算量、参数量、数据量的增加而提升.10 图表 13：目前机器人大模型普遍推理时间较长，实时性还有较大改善空间.10 图表 14：Figure 通过加入一个更小模型的方式来解决推理速

4、度太慢的问题.11 图表 15：垂直大模型更适合特定场景应用.11 图表 17：人形机器人仅下肢就有 14 个自由度，控制难度大幅增加.13 图表 18：双足行走的过程较为复杂.14 图表 19：双轮类人机器人可以简化为两轮倒立摆运动学模型.14 图表 20：EVE 搭载的世界模型已经可以根据动作指令生成控制轨迹完成移动.15 图表 21：如果是仅有上肢的机器人在运动控制上可以沿用工业机器人的策略.15 图表 22：华中数控开发的具身智能工作站.16 图表 23：拓斯达双机械臂联动控制.16 图表 24：中国工业机器人密度赶超日本，制造业自动化水平较高.16 图表 25：汽车等标准化程度较高的

5、制造业领域已经实现了工业机器人的大规模应用.17 图表 26：工业机器人目前在较多细分行业的覆盖场景和应用深度有限.17 图表 27：服务业中仅物流仓储、酒店机器人应用比例较高.18 图表 28：汽车行业由于标准化工业机器人渗透率最高.18 图表 29：在垂直大模型加持下即使是工业机器人也可以面向更加柔性的场景.18 图表 30：4Q2022“最缺工”职业排行.18 图表 31：在“缺工”背景下机器人渗透率有望快速提升.19 图表 32：缝中环节是服装厂实现全面自动化的瓶颈.20 图表 33：目前服装厂可以实现缝前、缝后的高自动化，缝中主要依靠人工.20 图表 34：模板机自动化程度更高，但上

6、下料还是需要人工操作.21 图表 35：布料属于接触丰富型柔性物体，机器人的应用具有一定难度.21 图表 36：帕西尼灵巧手传感器可实现不同布料材质识别.22 图表 37：1X 展示了世界模型生成布料折叠长时程任务能力.22 图表 38：FLIP 框架提升了长时程视频规划合成成功率与质量.23 图表 39：FLIP 框架在布料折叠任务中可以生成长期规划方案.23 图表 40：基于人类演示数据完成布料折叠训练.24 图表 41：该方法已经可以对未见过的布料完成单折、双向内折、三角折等操作.24 图表 42：杰克股份牵头缝制机械项目研发与验证.25 图表 43：在多个高校加持下有望进一步加速服装机