全驅(qū)動機械手驅(qū)動源的數(shù)量與被控制機械手的自由度數(shù)量相等。每個手指關(guān)節(jié)都有驅(qū)動器，使其能夠?qū)崿F(xiàn)主動控制，在某種程度上能夠 像人手一樣完成全部的動作指令甚至要求更G的靈巧動作。但是，全驅(qū)動也意味著需要更多的驅(qū)動器，會使手掌體積變大、安裝困難、 操 作 復(fù) 雜 。
優(yōu)勢：具有完全可重復(fù)的運動軌跡，適合某些功能性和精細操作較G的場合。在工業(yè)場合， 例如組裝、測量等情況下有更好的表現(xiàn)，而且多一個執(zhí)行器， 也使得全驅(qū)動方案對比欠驅(qū)動 方案在握持物體時具有更大的 扭矩 。
缺點：對控制策略的要求較G， 當沒有合理的運動學(xué)分析控制時，整體的靈活性其實并不如欠驅(qū)動的方案。
機器人的觸感靈巧手Linker Hand具備20個主動自由度,包括柔性電子皮膚,實現(xiàn)精細觸覺感知,構(gòu)建大的靈巧操作數(shù)據(jù)集,包含了大量的人手操作數(shù)據(jù),覆蓋了各 種復(fù)雜的抓取和操作任務(wù)
當人們認為機器人是有意圖的代理時，他們的大腦以類似的方式處理自己和機器人的行動結(jié)果,意圖歸因在人機交互中起著至關(guān)重要的作用,可能包括通過言語指令等非交互性手段來調(diào)整人們對機器人意圖的感知
移動機器人系統(tǒng)用于解決探索性化學(xué)中的三個主要問題以及根據(jù)數(shù)據(jù)決定下一步做什么,移動機器人做出與人類研究人員相同或相似的決定比人類快得多
大模型可加快人形機器人復(fù)雜任務(wù)訓(xùn)練速度,提升任務(wù)生成速度及縮短理解周期;1 提升人形機器人語言處理能力 2 提升人形機器人場景理解能力 3 提升人形機器人運動控制能力 4 提升人形機器人數(shù)據(jù)訓(xùn)練能力
NLP 大模型在語言的歧義、文化差異及多樣化、情感分析困難;CV 大模型算法處理復(fù)雜；多模態(tài)大模型融合不同模態(tài)的信息并提G模型的標識能力
NLP 大模型是人工智能L域的重要研究方向,CV大模型是指基于深度學(xué)習(xí)的計算機視覺模型,多模態(tài)大模型是指將文本、圖像、視頻、音頻等多模態(tài)信息聯(lián)合起來進行訓(xùn)練的模型
機器人大腦提G人形機器人的人-機-環(huán)境共融交互能力,支撐全場景落地應(yīng)用;機器人小腦提升人形機器人非 結(jié)構(gòu)化環(huán)境下全身協(xié)調(diào)魯棒移動、靈巧操作及人機交互能力
英偉達 GR00T讓人形機器人理解自然語言文本,語音,視頻,以模仿人類運動;阿里云機器人大模型可賦予機器人知識庫問答,工藝流程代碼生成,機械臂軌跡規(guī)劃,3D目標檢測和動態(tài)環(huán)境理解等全方位能力
純視覺方案：成本低,技術(shù)成熟度G,產(chǎn)業(yè)鏈成熟度G,符合人眼邏輯;易受天氣影響,易受光照影響,算力需求較G,需要大量圖像訓(xùn)練集;激光雷達方案:識別率G,環(huán)境適應(yīng)力強,產(chǎn)業(yè)鏈成熟度G
攝像頭可實現(xiàn)測距，但精度較低,通過 AI 算法識別，但難 以識別非標準障礙物;毫米波雷達縱向精度G，橫 精度低;激光雷達是G精度,3D 建模，易識別;
本田 ASIMO由四個運行著 VxWorks 實時操作系統(tǒng)的處理器構(gòu)成;歐洲 ICUB使用名為 ARCHER 的學(xué)習(xí)型算法體系;特斯拉 Optimus用Optimus 的神經(jīng)網(wǎng)絡(luò)
人形機器人將實現(xiàn)從0到1量產(chǎn)，根據(jù)我們測算，2025年和2030年人形機器人市場規(guī)模 分別有望達到1.4億元和249.5億元，2025-2030年人形機器人CAGR有望達到182%
