人形機器人技術難點: 高精度操作

• 人形機器人目前復雜環(huán)境的感知能力和判斷能力不足

• 人形機器人肢體復雜度高,大量電機集成導致控制難度 大,操作精細度差

• 需要準確的力覺信息感應以及力覺控制以提升人形機器 人的運動精度、反應速度、平衡控制

未來解決思路

采用六維力感應器,嵌入人形機器人末端執(zhí)行器, 實現(xiàn)與環(huán)境之間多維交互力、力矩感知,提升力覺感應精準度、響應靈敏度、動態(tài)穩(wěn)定性

在靈巧手指尖增加傳感器或安裝電子皮膚,增強抓取和操作任務中的觸覺反饋

提升運動算法的穩(wěn)定性,提升控制精準度

人形機器人技術難點: 本體輕量化

• 人形機器人輕量化是必然發(fā)展方向,可大幅提高運動的 機動性和工作效率,進而改善操作速度和動作準確度, 同時減輕運動慣性,提高安全性

• 輕量化后的人形機器人效率會更高,所需的執(zhí)行功能的 難度也可能會降低,有利于推動量產(chǎn)節(jié)點的提前、降低 大規(guī)模量產(chǎn)的門檻

未來解決思路

從結構輕量化以及材料輕量化兩個方向突破

• 結構拓撲優(yōu)化: 例如Albert 等對機器人胸部結構采用結構拓撲來實 現(xiàn)輕量化。拓撲優(yōu)化可實現(xiàn)結構的形狀和與尺寸優(yōu)化,改變結構材 料的分布狀態(tài),節(jié)省材料的同時能使結構形狀與尺寸達到最優(yōu)

• 機器人本體材料優(yōu)化 : 如采用鎂合金、鋁合金和碳纖維復材等材 料 , 提升機器人機動性、降低能耗

人形機器人技術難點: 缺乏高質(zhì)量訓 練數(shù)據(jù)集

• 人形機器人大模型訓練需要大量機器人在真實世界中與 環(huán)境交互的數(shù)據(jù)集,如ChatGPT,有大量的公域數(shù)據(jù) 可供爬取。但目前現(xiàn)實中的機器人保有量太少,可用于 收集訓練數(shù)據(jù)的機器人也較少

• 廠商傾向于保護自有數(shù)據(jù),造成了數(shù)據(jù)壁壘,導致機器 人領域數(shù)據(jù)獲取難度進—步提升

未來解決思路

采用合成數(shù)據(jù)進行訓練: 由于現(xiàn)實數(shù)據(jù)較少 , 合成數(shù)據(jù)被視為解決機器人 領域高質(zhì)量訓練數(shù)據(jù)不足、采集效率低下問題的重要途徑。

如英偉達宣布 開源旗下Nemotron-4 340B (3400億參數(shù))模型,可為開發(fā)人員提供可擴 展的生成合成數(shù)據(jù)模型

國家層面/產(chǎn)業(yè)內(nèi)部企業(yè)共同建立數(shù)據(jù)工廠,打造數(shù)據(jù)集,共享場景數(shù)據(jù)

先于虛擬仿真環(huán)境訓練再應用到實體環(huán)境驗證測試,迭代優(yōu)化