（精选报告来源：报告研究所）

1、承上启下：前述“机器人三流派”

承接三大流派。其中 2025 年 1 月的《机器人：三层融合，2025 年产业质变！—机 器人系列深度报告之二十一》，提出机器人流派至少包括机械圈（注重结构与力学）、自 动控制圈（注重系统与规划）、ICT 圈（注重智能与生态，当前有大量互联网、软件、智 能车、芯片人才在该领域）三大流派。当前的机器人，实际上是上述三大流派的融合进步、 与不同领域适配。

但产业发展往往超过理论，当前面临以下问题，希望本篇解决： 1）现代 AI 算法对经典机器人算法的帮助。若推导成立，预计 2025-2026 年机器人 智能化程度类似 2024 年 AD/ADAS 一样质变。此前机器人算法的论述未必详尽，希望 详细论述控制、规划、感知算法如何现代化，即强化学习 RL、端到端 End-to-End。世界 模型与仿真也与其有关。 2）当前热门机器人产品，其算法的来龙去脉。宇树 Unitree Robotics（Go2、G1 与 H1 等）、云深处 DeepRobotics（绝影、山猫与 Dr01 等）、波士顿动力（Atlas 与 Spot 等）、特斯拉 Optimus、Figure（01、02 及最新模型 Helix)、智元（远征与灵犀 等）都是代表性的机器人机器人/机器狗/机械臂公司。它们算法来龙去脉是什么，与上述 理论对的上吗？ 3）从机器人、机器狗、机械臂的行为特征，即可推测出什么算法发挥作用或失灵。 4）东方与西方机器人算法的分析，能与最近发布对得上。分析出西方的机器人算法 偏重实验室与数学，东方的机器人算法偏重物理与数学。所以西方近期机器人算法主要是 VLM 模型、世界模型，避开了物理和工业的一些场景问题。东方近期机器人算法主要是 RL 强化学习、柔顺、协作、高爆发、稳定性、高频响应，因为这是各行各业机器人渗透 都会遇到的实际问题。而数学上的理论完备性是后续再解决的。 5）东西方 AI 算法差异，最终硬件方案也会有差异。例如波士顿动力从液压方案切换 到电机方案，再例如谐波减速器、行星减速器、RV 减速器的均衡等。算法底层研究，可 以帮助对机器人硬件方案的研究。 换句话说，西方的媒体和投资者，容易误解东方的机器人产业链，因为常沿用西方思 维：他们会低估现代 AI 算法，还会过于关注西方机器人产业链的习惯（追求数学完备性、 硬件精度等）。

2、三环节：控制+规划+感知，分别现代 AI 化？

2.1 控制的高次项问题：拉格朗日（牛顿欧拉）公式+稳定性判据

控制理论的基础来自拉格朗日动力学公式、或“牛顿-欧拉“动力学公式。两者分别 从能量、经典力学描述了同样的动力学原理。

但以上是经典理论，实际操作起来要考虑工程可行性，尤其数学、物理积累的误差。其优点是：严谨、转化为解矩阵、恰与 GPU 的特性匹配，不足是： 1）计算复杂度。实际高频高速场景下，实时计算受到环境、延迟等限制。复杂度太 高，积累错误增多，要么响应缓慢，要么异常行为增加。 2） 全局建模。古典理论注重整体完备，工程追求局部更新。全局建模容易积累 错误。 3）符号计算。利于用户理解，但不利于处理器高效运行。 4）高次项。这是最关键的，机器人的位移是零阶变量，速度是一阶导数，加速度是 二阶导数。处理器处理二阶以内问题会效率较高，但惯性力、科氏力、齿轮弹性变形、关 节摩擦等都是超越二次项的高次项。

理论与实际工程存在差异，已经体现在机器人动作中，例如以下现象：轨迹跟踪误差 大、动作抖动、延迟卡顿、局部死循环、能耗异常。在古典机器人控制理论中，这是完美 的，但实际上工程误差大：要么对上述高次项处理精度低，要么通过动力学/逆动力学补 偿误差不及时。这会体现在机器人的诸多动作中，例如轨迹跟踪误差大（常为摩擦系数影 响）、动作抖动（常为 PID 控制器计算误差）、延迟卡顿（案例之一为动力学模型误差需 频繁修正）、局部死循环（案例之一是局部规划算法的代价函数权重失衡）、能耗异常 （案例之一为计算误差需重复迭代优化）。

除了上述能量和动力学考虑，还要考虑稳定性。以上的论述，对于机械臂等上肢控制 尤为适用。若考虑下肢轮足，还需要增加稳定性判据。李雅普诺夫稳定性判据1、捕获点 算法 CP（Capture Point）、零力矩点算法 ZMP（Zero Moment Point）,均为代表。

2.2 控制：经典 AI × 现代 AI

本节论述：前述经典控制算法的不足，尤其高次项问题，可通过现代 AI 算法增强。 由于现代 AI 对控制的增强很明显，所以这里用“乘号”表示其增益效果。 经典控制算法会在现代机器人场景中，伴随较大误差，需要现代 AI 算法升级。考虑 前述动力学动力学、稳定性，AI 算法伴随大量数学运算，在 GPU 为代表的 AI 算力中实现。 AI 算法升级即现代 AI 算法，例如强化学习 RL 与端到端。几乎每个分支都涉及实时 高精度计算。而以高次项为代表的误差，会明确限制机器人功能进步。因此现代 AI 算法 （以 RL 强化学习、端到端为代表）的全面渗透，是机器人控制算法取得质变的关键。 投资者可以通俗的认为，近 1 年机器狗、人形机器人取得较大进步，都是强化学习、 端到端等现代 AI 算法渗透到了机器人控制的方方面面，加强这些数学和物理公式。

2.3 规划：经典 AI+现代 AI

规划算法较为直观，因为 VLM2模型、VLA3模型，均是近期产品发布重点，也较为直 观。下面展示了规划按照目标、环境信息、原理、场景划分的大类，以及在经典规划算法 下的弱点。这里使用“加号”来表示现代 AI 对规划的增强，但不像控制算法那样迫切 （因为前述控制算法的复杂度、全局建模、高次项问题，要更加严重）。

现代规划算法，也明显渗透到规划算法较多领域。例如： 1） 波士顿动力规划算法。我们预计为 HRL（分层强化学习）+MPC（模型预测控 制）。优势是多任务协调，而且利于动态场景。 2） 特斯拉规划算法：Occupancy Network(占用网络)。这在 Tesla AI Day 发布。 优点是利于实时避障。 3） 宇树科技规划算法：PPO（Proximal Policy Optimization）+ Sim2Real(模 拟与现实结合)。 代表性信息来源是其 GitHub 上开源代码（含 PPO 算法和 Sim2Real 迁移代码）。而 这几种算法的描述，可以在 ICRA 2023《High-Fidelity Motor Control for Quadruped Robots via Reinforcement Learning 》 、 IROS 2022 《 Sim-to-Real Transfer of Locomotion Policies for legged Robots Using Domain Randomization》中借鉴。 4） Figure 规划算法：刚刚发布 VLA（视觉-语言-行动）模型 Helix。 通过“系统+系统 2”架构实现语义理解和高频动作控制，这和理想 AD 的公开发布 （慢系统+快系统）、华为 AD 的公开发布（GOD+PDP）有异曲同工之妙。 5） 云深处机器人规划算法：我们预计为 Online RL（在线强化学习）+联合规划提 升动态避障。 其中前者的推测依据是“强化智能算法”和“动态调整权重”的公开描述4。后者的 依据是“具备多传感器融合下的….自主导航规划与动态避障…”的描述5。

2.4 感知：经典 AI，局部现代 AI

机器人感知算法，已经在 AD/ADAS 领域得到充分研发与工程化。因此感知算法技术 外溢到机器人领域，较为自然。 高次项问题（控制算法）、全局优化问题（规划算法），在感知环节中并不明显。因 此仅有全局、环境理解、复杂场景时，感知识别才需要现代 AI 算法。因此感知环节中， 应当仅有局部具备现代 AI 算法的必要性。

现代感知算法，也明显渗透到其较多领域。例如： 1） 波士顿动力的感知算法。 我们预计为多传感器（激光雷达+IMU），可能引入了 VLA 联合模型帮助感知。 2） 特斯拉感知算法：采用 Occupancy Network(占用网络)、多模态、端到端。 优势是非刚性、动态、多模态，高精度。占用网络在 Tesla AI Day 发布。通过神经隐 式场建模三维空间占据，替代传统栅格地图，提升动态障碍物检测能力。3） 宇树科技感知算法：预计为多模态，端到端。 多模态部分，结合深度相机和激光雷达，可实现 360°环境建模，支持动态避障和精 细操作（如三指灵巧手 Dex3-1 的物体抓取）。 端到端部分，宇树科技基于自研 UnifoLM 大模型，深度强化学习 RL、仿真训练来构 建端到端的感知体系。宇树科技通过该模式实现了 “任意动作任意学” 的能力，意味着 机器人能够在复杂多变的环境中，基于所感知到的信息，直接生成相应的动作决策，无需 人为预先设定详细的中间步骤指令集。 4） Figure 感知识别算法：预计为端到端+VLA/VLM。 端到端部分，明确使用端到端 VLA 模型，直接从视觉+语言生成动作。多模态部分， 深度融合视觉、语言（与 OpenAI 合作）、力控数据，实现复杂操作。 5） 云深处机器人感知识别算法：我们预计为 SLAM+多模态+VLA/VLM 多模态部分，融合激光雷达、摄像头、触觉传感器，提升环境理解能力。 VLA/VLM 部分，云深处科技联合浙江大学团队，公开展示了其机器狗 X30 与“AI 大 脑”合作的最新成果。“机器人云脑”，其实是一个结合了大语言模型（LLM）、视觉语 言模型（VLM）以及视觉语言行动模型（VLA）的大型智能决策系统。 6） 智元机器人感知识别算法：自研仿真框架+多模态 多模态部分，自研仿真框架 AgiBot Digital World 生成多模态数据（视觉、力控、 关节运动），用于模型训练。机器人平台配备了 8 个摄像头、灵巧手、六维力传感器和高 精度触觉传感器，可收集多维度数据，为多模态感知提供基础。

2.5 结论：现代 AI 化，控制>规划>感知

至此，对于机器人算法，感知、规划、控制环节，使用现代 AI 算法的必要性依次提 高。换一个角度： 1）AD/ADAS 渗透率高增时，往往市场关注的是智能车感知算法。例如前融合、 Nerf（神经辐射场，常用于 3D 变换）、Diffusion 方法。

2）既然规划、控制使用现代 AI 算法的必要性增加，因此机器人算法的潜力更大。换 个角度，机器人领域 AI 算法突破后，对机器人整体体验的提高幅度会很大。这再次支撑 “预计 2025-2026 年机器人智能化程度类似 2024 年 AD/ADAS 一样质变“的判断。

3、有趣实践：由机器人动作，推测算法

基于前述分析，根据机器人（或机器狗等）动作特征，即可以反推出内部采用了哪种 AI 算法，或哪种算法可能奏效/失灵的表格，如下。从中也可以得出现代 AI 算法普遍体现 在动作上： 1） 运动丝滑、柔顺。例如使用了强化学习（RL）算法弥补动力学公式的高次项。 2） 协作性强。例如用分层强化学习（HRL）、语义驱动算法（Semantic-Driven,例 如 VLM 模型）。 3） 创造力强，可“人机互动”。例如用 VLA 模型，这一点中美一致。 4） 高速场景多。例如使用了强化学习（RL），且配合低延迟的模型预测控制（MPC） 与海量数据，充分训练。

4、两个重要问题：东西方差异，算法影响硬件？

下载完整报告，请扫描下方图片二维码入知识星球社群查阅下载

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）