机械设备行业市场前景及投资研究报告：人形机器人，具身模型，动作捕捉设备.pdf

[Table_Info1][Table_Date]

机械设备发布时间：2025-02-12

[Table_Title][Table_Invest]

证券研究报告/行业深度报告优于大势

人形机器人深度：从具身模型看动捕设备机会

上次评级:优于大势

报告摘要：

[Table_Summary][Table_PicQuote]

历史收益率曲线

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

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。机械设备沪深300

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40%

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30%

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，20%

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10%

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数0%

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-10%

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

-20%

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2024/22024/52024/82024/11

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。

涨跌幅（%）1M3M12M

[Table_Trend]

具身智能大模型的发展高度依赖于高质量的真实数据。具身机器人数据绝对收益12%1%35%

通常包括多模态信息，如视觉图像、自然语言指令、触觉反馈以及机器相对收益8%7%20%

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[Table_Market]

行业数据

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成分股数量（只）526

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总市值（亿）40995

成数据，中层为动作捕捉数据，顶层是遥操作数据。2024年，全球多家流通市值（亿）19920

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市盈率（倍）36.80

如火如荼，机器人智能化有望加速。市净率（倍）2.48

成分股总营收（亿）