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.pdf

2025年深度行业分析研究报告

内容目录

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：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FourierActionNet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

2

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