【天风证券】电子行业报告：人形机器人元年或将开启，AI下游硬件应用迭起.pdf

2024-01-31

65页

6MB

1. 人形机器人元年或将开启，Mobile ALOHA+Isaac AMR 重塑行业生态

人形机器人商业化元年或将到来，“AI+软硬件”供给准备充足。工信部印发的《人形机器人创新发展指导意见》指出人形机器人有望成为继计算机、智能手机、新能源汽车后的颠覆性产品；Markets and Markets 预计到 2027 年，全球人形机器人市场规模达 173 亿美元，复合增长率为 63.5%，市场发展广阔。为争夺这一迅速增长的市场，主要厂商积极推进相关产品的迭代升级和量产落地，人形机器人的商业化条件已然具备。核心技术瓶颈加快突破，AI 助力机器人具形化。长期困扰人形机器人智能控制升级发展的主要有三个问题：（1）模仿学习能力：强调 AI 泛化能力，基于对于人类动作的模仿，人形机器人应具备自主决策、自主学习升级的能力，提升任务完成的完整性和连贯性。（2）末端执行能力：强调灵巧机器手的操作精度，在中央分析器“大脑”的运算决策下，人形机器人的动作输出应精准、降低失误率，提升任务完成的正确性和准确性。（3）基于感知的运动控制能力：强调底盘的全地形移动能力，类似自动驾驶，人形机器人应基于对周围环境的感知实现对自身的运动控制，增强全移动操作能力，提升任务完成的时效性。 Mobile ALOHA 系统和 Isaac AMR 平台分别针对软件算法和硬件开发提出解决方案，攻克人形机器人三大难题，降本增效，加速人形机器人量产实现。

1.1. 斯坦福：Mobile ALOHA 助力人机协同训练，模仿学习取得重大突破

人形通用机器人元年或将开局，Mobile ALOHA 到来宣示 AI 赋能机器人迫在眉睫。 Mobile ALOHA 是基于 Transformer 端到端学习模型，通过 ACT 动作学习算法模仿人类双手动作的远程操作系统，在已有的静态 ALOHA 数据集上，利用共同训练，助力机器人完成需要精确操作的任务；达到人类模拟 50 次演示、机器人相同动作执行成功率超过 80%的优良效果，而成本仅为同类系统的 10%-20%。 Mobile ALOHA 在做家务方面表现出较大的潜能，人形家务机器人雏型初现。近日，走红全网的斯坦福炒菜机器人 Mobile ALOHA 展现出 AI 赋能下低成本实现机器人商业化的可能。Mobile ALOHA 不仅可以自主操作，还可以支持全身远程操控完成洗衣、浇花、煮咖啡等复杂任务，更可以通过神经网络自行学习双手操作的日常行为，充分完成做菜、使用柜子存放物品、与人击掌等个性化的挑战任务，在家政领域方面潜能突出，或成为人形机器人家用化的“拐点”。

我们认为，Mobile ALOHA 系统的优势在于共同训练和模仿学习，其将助力机器人在得到人类演示的数据基础上，自主寻找不同任务的对应最优解，并在不同任务的执行中不断提高操作的精准性与灵敏性，为人形机器人运用在更多场景上创造可能。人形机器人可广泛应用于家政、工业、医疗等诸多行业，行业下的细分场景对机器人的需求往往会存在差异。如要广泛适应不同场景，则会带来较高的研发成本，同时造成部分场景下功能冗余、使用效率低。Mobile ALOHA 通过开源实现“完全复刻”，赋予使用者以低成本在较短的时间内自由训练机器人，来满足个性化的需求，使得其应用空间更具想象力、灵活性，为人形机器人量产使用做好准备。

1.1.1. 技术沿革：ACT 提升模仿学习能力，ALOHA 解决成本高昂问题

机械手臂的运动控制能力，是制约人形机器人普适性和灵活性发展的关键因素。这也是 Mobile ALOHA 开源项目的独特性和技术含量所在，利用直接的“模仿学习”方法，让机器人“模仿”人类，低成本地解决操作训练和灵敏度问题，以 ALOHA 硬件的形式辅助 AI 的协同训练与决策精准度。机器人类人操作训练方法多样，模仿学习的性价比优势突出。模仿学习：即从人类提供的演示中进行模仿学习，这种“行为克隆”可以让机器人学习各种原始的技能，从简单的拾放操作，到更精细的操作等等，无需庞大数据库储备用于训练 AI 大模型，在训练成本和训练周期上具有较大优势。

ACT 方法利用强化学习助力模仿学习简单化、易操作，增强机器人多场景应用性。 Mobile ALOHA 团队先期开发的 ACT（Action Chunking with Transformers）强化协同学习与模仿学习的结合，通过训练直接映射人类动作的端到端模型，无需整体建模，就可以训练人形机器人，使得普通人也可以在较短的时间内远程操纵 Mobile ALOHA 机器人完成未训练过的任务，并达到专家水平。

灵巧手以人手的结构和功能为模仿对象，在提升机器人柔性和易用性中发挥极为重要的作用。灵巧手作为机器人的末端执行器之一，是机器人与环境相互作用的最后环节，其性能的优劣在很大程度上决定了整个机器人的工作性能。目前由系统工程师、研发人员针对具体应用进行的工艺分析、节拍分解、工位设计等复杂自动化系统的设计与集成，机器人操作过程的编程与仿真等工作集中由多指灵巧手实现，将极大地简化系统复杂度和设计难度。

ALOHA 机械臂系统实践软件性能，二指夹持更具稳定可靠。斯坦福 Mobile ALOHA 团队基于 ACT 方法开发出硬件 ALOHA 机械臂，采用已有多轮技术验证的二指夹持器和连杆传动方式，操作稳定性强、运动可靠性高。末端执行器上，外购 ViperX 6-DoF 机械臂，在牺牲一定灵活性的基础上极大节约成本和便利维护，单价仅 5695.95 美元，实现模块化组装、工作载荷 750 克、工作精度 5-8mm 等好处；传动方式上，采用传统的连杆传动，由可调节的尼龙扣感知人手指的运动和动力，借由刚性连杆传递至机械两指，结构设计紧凑，能实现抓取大型物体的功能；灵巧手上，选取可靠的二指夹持器，抓取等运动稳定。

1.1.2. 团队构成：联手 Google DeepMind，软硬件开发能力强

谷歌 DeepMind 成员加盟，赋能团队机器学习更具前瞻性。斯坦福 Mobile ALOHA 团队的两个项目共同负责人都同时在谷歌的核心人工智能研究部门——DeepMind 从事研究工作，项目导师亦在谷歌另一核心人工智能研究部门——Google Brain（谷歌大脑）担任重要研究岗位。DeepMind 致力于将机器学习和系统神经科学的最先进技术结合起来，建立强大的通用学习算法。

SAC-X 调度辅助控制算法早已布局，助力 ALOHA 从零开始学会控制。早在 2018 年， DeepMind 提出了全新强化学习算法 Scheduled Auxiliary Control，通过学习范式克服传统强化学习对任务相关知识的依赖，鼓励机器人主动调度，并在得到“奖励”后更有效地自主探索其感应空间并设计解决方案。这一算法将帮助 ALOHA 基于静态数据集进行协同训练的模仿学习，学会各种复杂的任务。

1.2. Mobile ALOHA：低成本人工智能机器人，新型算法助力高性价比

家庭保姆机器人的“原型机”，潜力广阔的 AI 自主模仿学习系统。Mobile ALOHA 系统在团队论文中被定义为“一种用于收集双臂运动数据的低成本全身远程操作系统”，本意是开发机器人双臂运动控制的廉价研究平台，但其恰好解决了家务机器人研发的两大难题： 1）机器人的运动控制能力：主要是机械手臂的运动控制。Mobile ALOHA 团队利用“静态数据集+模仿学习”联合训练的方法丰富机器人的运动执行样式、提升执行的准确性并增强应对新任务的解决能力，同时开源式设计使得“人人可复刻”，使得普通人也可以在短时间内具备熟练使用的能力。 2）机器人的移动能力：主要是机械底座的平稳移动。Mobile ALOHA 团队直接外购市场上成熟的 AGV（智能搬运机器人）产品，得益于定位导航、路径规划等技术在上一个十年的普及推广，采用的 AgileX Tracer AGV 有效地解决了机器人在家庭的灵活移动问题。

凸显模仿学习的应用潜力，避免“神话”大模型作用。Mobile ALOHA 系统以“模仿学习” 为核心，强调机器直接模仿人类的行为逻辑，降低编程要求，相比需要高算力、强算力支撑的大模型，在训练成本上更具优势，以牺牲一定精准度为代价，简化学习流程、便于普通人上手操作，助力家务机器人早日“走出实验室”。

1.2.1. 软件：协同训练与模仿学习方法兼容

感知能力与身体运动能力是通用机器人泛应用的突破口之一，需要打造人形机器人的 “小脑”。中国科学院院士、清华大学交叉信息研究院院长姚期智认为“人形机器人需要有一个‘小脑’通过主导视觉、触觉等多种感知，来控制身体，完成复杂的任务”， Mobile ALOHA 团队致力通过协同训练与模仿学习方法打造灵活控制机械双臂的“小脑”。 “静态拆解+动态组合”的协同学习方式，增强机器人任务执行的完整性和连贯性。利用协同训练使得机器人从完成静态固定、单一的任务到完成动态移动、连续的任务。已有的静态 ALOHA 数据集含 825 个演示任务，包括拿起毛巾、拿起杯子、擦拭桌子、擦拭杯子等日常家务操作，将静态数据连续组合便形成动态移动数据来完成整项任务，如完成 “清理洒在桌子上红酒”的任务：分解成“导航到水龙头，拿起毛巾，导航到桌子，一只机械臂举起酒杯，另一只机械臂擦拭桌子和杯底”等步骤，循序渐进，帮助机器人在已完成基础上逐步丰富任务的组合并提高任务的难度。

不同模仿学习方法兼容，助力机器人更好理解人类并模仿人类动作。Mobile ALOHA 团队使用多种模仿学习方法与协同训练相结合：1）ACT，强化学习，帮助使用者在完成静态 ALOHA 数据集以外的任务时，可以通过人类先行使用机械臂示范，将人类动作转化为移动数据，再运用于机械臂从零开始自主尝试，帮助机器人不断扩展使用场景；2）带分块的 VINN，从具有最近邻居的演示数据集中检索动作，通过检索动作块而非单个动作，来提升检索性能，防止过度拟合；3）扩散策略（Diffusion Policy），在生成高清晰度图像方面显示出卓越能力，得益于其在大规模图像-文本对上的预训练，帮助机器人只需要 20-50 个演示就能学会各种复杂的任务。三种策略方法兼容，既助力机器人提升理解力和执行力，也帮助一般使用者快速上手，训练水准在短时间内接近专家水平。

1.2.2. 硬件：基于 Tracer 移动底座和 ALOHA 机械臂的全身远程操控系统

低成本实现高性能，在材料价格、操作功能、应用场景上实现完美平衡。Mobile ALOHA 系统以低成本为出发点，尽可能压缩全身操作系统和机械臂等关键部件的成本，并基于底层算法的优势保持良好的性能发挥。硬件系统构成：1）移动底座——1 台 AGV 搬运机器人；2）供电系统——1 块 1.26kW·h、14kg 重的电池；3）控制系统——1 台配备英伟达 3070 显卡和英特尔 i7-12800H 的笔记本电脑；4）运动系统——2 对机械臂；5）视觉系统——3 个分辨率为 480x640、频率为 50Hz 的摄像头。基本都通过采购市场上已有的成熟产品，便于模块化组装和后期维修，部件的可靠性也经过了经验，保证整个系统的运行稳定。

价值量最大的三个部分： 1）机械臂：采用智能佳 ViperX 系列机械手臂，配有 X 系列舵机智能伺服电机，能提供更高的扭矩、更有效的散热和更好的耐用性，系统全开源，用户自由访问温度监控、位置反馈、电压水平、负载和合规设置。 2）移动底座：采用 AgileX Tracer AGV(Tracer)运载机器人移动底盘，移动速度达到 1.6m/s，接近人类的平均步行速度；最大有效载荷为 100 千克，高度为 17 毫米；单价相比同等速度和有效载荷的 Clearpath 的 AGV 便宜 5 倍多。 3）控制电脑：采用 Lambda Tensorbook 笔记本电脑，为深度学习公司 Lambda 和雷蛇合作开发，专用于机器深度学习控制，使用了 64GB 的 DDR4-3200 RAM 和 2TB 的 PCIe 4.0 SSD 存储，采用 15.6 英寸屏幕，具有 165Hz 刷新率。

1.3. 灵巧机器手，国内外研究及应用加速增强机器人操作能力

机器人灵巧手作为一种新型的末端执行器，在机器人与环境的交互中起着关键作用。末端执行器是机器人执行部件的统称，一般安装于机器人腕部的末端，是直接执行任务的装置。灵巧手作为一种新型的末端执行器，预期可以实现的拟人化强力抓持、精准抓取和灵活操作能力，具有日趋广泛的应用需求和市场前景。多指灵巧手的机构形式是多指多关节，最普遍的是手指数目为 3～5 个，各手指具有 3 个关节，手指关节的运动副都是采用转动副。目前各种协调控制、抓取规划方法被提出以用于控制多指灵巧手实现模拟人手的抓取和操作。

国内外灵巧手研究不断发展，灵活性和感知能力大幅提高。国外研究始于 20 世纪 70 年，历经了 50 多年的发展，从开始简单的机械手发展成现在的高科技人形仿生灵巧手。20 世纪末，随着嵌入式硬件的发展，多指灵巧手的研究向着高系统集成度和丰富的感知能力提升的方向发展，进入了快速发展阶段。20 世纪 80 年代后期，国内一些机器人研究机构和部分高等院校也相继开展了机器人多指灵巧手的研究工作。高度系统集成的灵巧手具有灵活性和功能性的优势，但是复杂的系统导致了高额的制造成本并且降低了系统的可靠性和易维护性。因此，近 10 年，多指灵巧手设计的一个重要方向是简化系统、提高鲁棒性，使其受到干扰仍能保持原有状态。已实现部分量产，国内产品更具性价比优势。目前已有多家公司制造出商品化的机器人多指灵巧手，其销售价格普遍居高。Shadow dexterous hand 是英国 Shadow Robot 公司推出的先进仿人型机器人手，拥有 24 个自由度和 20 个可单独控制的自由度，并且可配备指端触觉传感器，是目前最成熟的商品化多指灵巧手之一，报价约 30 万美元。哈尔滨工业大学-德国宇航中心合作开发的 HIT/DLR 灵巧手售价在 90 万元人民币以上，德国 SCHUNK 公司的 SVH 五指手报价 70 万元人民币以上。因时机器人是国内首家实现仿人五指灵巧手商业化落地的企业，也是国内首家可以实现灵巧手量产并将价格降到万元级别水平的企业，其仿人五指灵巧手单手有 6 个自由度，12 个运动关节，基本能够完成人手 70%以上的抓取动作，有益于人形机器人低成本量产实现。

灵巧手的发展稳步增长趋势明显，市场需求进一步助推研发。依据仿生学对生物机体环境适应性强、效能高、结构合理等特点进行模拟及研究，灵巧手会越来越接近人手。在航空航天、医疗健康、科学研究等领域，灵巧手的发展将逐步取代人手进行一系列的活动，完成更加精细和危险系数更高的操作。作为机器人与环境相互作用的末端执行机构，灵巧手的研究及发展将继续成为未来机器人领域的研究热点，从而更好助力人形机器人应用于多领域多场景。

1.4. 英伟达：Isaac AMR 平台，虚拟环境仿真高效率提升机器人移动能力

基于感知的运动控制能力是人形机器人的重要基础，Isaac AMR 平台加速机器人的部署效率。英伟达发布的可供第三方进行二次开发的全新自主移动机器人平台 Isaac AMR （Autonomous Mobile Robot），可用于模拟、验证、部署、优化与管理自主移动机器人，包含了边缘到云的软件服务、计算能力以及一套参考传感器和机器人硬件，可加快 AMR 的开发和部署速度，减少成本和缩短产品上市时间。虚拟环境算法加速机器人感知能力提升，集成式设计便于机器人大规模生产。软件层面，与斯坦福 Mobile ALOHA 团队采用低成本的“模仿学习”方法训练机器人操作能力不同的是，英伟达团队基于 Isaac Sim 创造“逼真的数字孪生”便于 AMR 机器人的设计，Isaac AMR 加快全自主移动机器人的部署并降低成本；硬件层面，采用模块化设计集成 Nova Orin，便于研发人员评估系统并改进。

（一）软件层面

Isaac 平台将机器人开发分割为训练、仿真测试、构建、部署四个步骤，并融入多项先进技术提升开发、应用效率：训练：通过 Isaac Replicator 生成的合成数据进行增强，并使用 NVIDIA TAO 工具包进行训练。仿真测试：利用本地和云端提供 NVIDIA Isaac Sim 创建物理精准的逼真环境，对机器人运行相关的各方面进行测试。构建：使用硬件加速 SDK（如提供给 ROS 用户的 Isaac ROS GEM、用于视频流解析的 NVIDIA Deep Stream SDK、用于自然语言处理的 NVIDIA Riva）将 AI 带入到基于嵌入式系统 NVIDIA Jetson 的机器人。部署：通过 EGX Fleet Command 和 Isaac for AMR（包括 Metropolis、cuOpt 和 DeepMap 等）管理机器人编队以优化生产力。

我们认为，Isaac 平台为 AMR 开发带来的主要边际变化在于仿真，一方面通过光线追踪等先进技术提升仿真感知的能力，另一方面通过应用 USD 格式解决仿真环节中面临的兼容问题。在部署环节，Isaac 平台通过多种功能强大的软件包或平台进一步缩短 AMR 部署所需时间，并强化环境感知、定位和导航等关键能力。我们认为，Isaac Sim 和功能强大的各种硬件加速 SDK 相结合，可以帮助用户更有效率地解决机器人开发面临的长尾问题。移动机器人广泛应用于工业、仓储物流、医疗等诸多行业，行业下的细分场景之间对机器人的需求往往会存在差异。以锂电池生产为例，由于应用环境以及具体任务不同，前段工序对机器人运行精度要求非常高，后段工序则需要更好的温度适应性。我们认为大量具备差异化需求的细分场景意味着高昂的机器人研发成本，通过在虚拟环境中进行开发、验证和优化，减少开发成本与开发时间，一款功能完善的仿真器可以帮助 AMR 机器人应用于更多细分场景。

（二）硬件层面

Nova Orin 平台集成多种高性能硬件，为 AMR 提供了传感器+算力一体化的通用范式。我们认为，AMR 的许多应用场景中存在定制化的需求，例如动力电池生产领域对机器人温度适应性要求较高。该通用范式将降低硬件开发门槛，助力开发者将更多资源用于针对性提升服务效率与质量，实现差异化发展。

1.4.1. 仿真环节：Isaac Sim 提升仿真感知能力，USD 解决系统兼容问题

Isaac Sim 较大提升了仿真感知的能力，能够更真实地模拟 AMR 自主导航等操作。我们认为，Isaac Sim 为 AMR 产业带来的主要边际变化之一在于提升了对机器人及环境的图形渲染能力，一个重要的应用就是可以更快速、准确地模拟视觉传感器。

视觉传感器是实现视觉 SLAM 的关键硬件，而由于图形渲染能力不足，Gazebo 等主流仿真系统只具备在简单场景下仿真视觉传感器的功能，一旦场景复杂程度提升，仿真运行速度会急剧降低。视觉传感器仿真的难点在于：1）对图形渲染能力要求较高，且需要同时对多台相机进行渲染；2）需要整合 GPU 资源，快速解算真实物理模型并同步渲染相机图像和其他传感器信息。

基于 RTX 平台，Isaac Sim 可以实时渲染来自传感器的符合物理学的数据。在使用 RTX 模拟激光雷达时，光线追踪可以在各种照明条件下或者在对反射材料做出反应时提供更加准确的传感器数据；平台还提供许多新的可模拟 3D 资产包括仓库零件、机器人等，用于建立符合物理学的模拟环境，帮助开发者和用户可以快速开始构建机器人训练虚拟仿真环境。英伟达 RTX 平台主要包含先进的光线追踪技术以及 DLSS（深度学习超级采样）技术，这些技术为 Isaac Sim 的图形渲染能力提供了强有力的支撑。传统的光栅化渲染在呈现设计细节、光影效果逼真、暗部区域表现、反射真实上略显不足；光线追踪技术基于图层进行渲染，一次性处理全局光线，光线可以找到与它相交的一切，因此很容易实现反射、间接光照等全局的照明效果，真实性更强。英伟达在 2018 年首次推出了可以商用的光线追踪技术，其主要竞争对手 AMD 在 2020 年才开始应用该技术。英伟达在 2018 年也推出了 DLSS 技术，该技术可以在不影响画质和响应速度的前提下，利用 AI 创造更多高质量帧。其原理是通过机器学习的方式，以海量游戏中的 16K 超高分辨率图像作为参考标准进行学习，让 AI 可以根据有限的画面数据合成出一帧符合目标显示分辨率的画面。光线追踪技术可以提供更真实的光线和图像，而 DLSS 可以利用 AI 创造高质量帧，两者结合让 RTX 实现强大的图形渲染能力。

USD（通用场景描述）提升仿真系统兼容性，优化机器人开发环境。机器人仿真过程往往需要构建不同的环境、导入不同的机器人进行测试，不同环境的软件使用可能冲突。例如 ROS 开发团队提出的 urdf（Unified Robot Description Format）不能表示除了刚体系统之外的复杂场景，Gazebo 的开发团队提出 SDF（Simulation Description Format）来表示机器人之外 z 的环境，但由于 ROS 和 Gazebo 始终由开源社区开发运营，缺乏良好的项目组织管理机制，逐渐出现多个版本并存、语法互相冲突等问题，限制其进一步发展。所以机器人仿真器需要提供一种通用的机器人和场景描述文件。英伟达将 USD 应用于机器人仿真，与其他格式相比，USD 的强大之处在于其复用以及兼容能力。一方面，该格式是一个开放、可扩展的框架和生态系统，具有可用于在 3D 虚拟世界中合成、编辑、查询、渲染、协作和仿真的 API，支持在场景创建和资产聚合中实现非破坏性工作流和协作，以便团队可以协同迭代；另一方面，USD 与文件系统无关，提供可扩展的资产解析器来支持不同数据源的任何数据存储模型。我们认为 USD 有助于降低机器人仿真描述文件之间的兼容问题，由于研发人员将可以自由使用并切换各类仿真、设计软件，AMR 的开发效率或将进一步提升。

1.4.2. 部署环节：Isaac 平台强化路径规划等关键技术，缩短 AMR 部署时间

AMR 的一个技术瓶颈在于，如何在有人工和其他车辆（如人工叉车）出入的场景，以及一些需要灵活变化的复杂环境中，使整个系统运行保持高效率。未来，移动机器人需要与人共事，具有自主规划路径的能力，需要在能够自动避障绕行的情况下仍然实现系统的优化调度。这要求调度管理系统能够平衡单体、群体两种智能能力，而机器人本身也需要具备灵活的调整能力。英伟达通过 cuOpt 和 DeepMap 等软件（平台）提升 AMR 路径规划效率、缩短机器人部署时间。 (1) cuOpt 是打破世界纪录的加速优化引擎。它使用 AI 帮助开发者设计复杂、实时车队路线规划方案，可用于解决具有多种限制的复杂路线问题，并提供动态路线、作业调度、器人仿真，以及亚秒级求解器响应时间等功能。cuOpt 主要有四大优势： a)性能强劲：在 10 秒内为 1000 个包裹规划行驶路线，在精度相同的环境下比传统方案快 120 倍。 b)扩展性强：最多可以横向扩展到 1000 个节点，以完成任务量繁重场景中的计算。 NVIDIA cuOpt 的性能优于最先进的解决方案，以解决当今无法实现的创新用例。 c)准确度高：在 Gehring&Homberger 基准测试中以 2.98%的误差实现世界纪录的准确性。 d)降本增效：可通过动态改道减少 15%的行驶时间和燃料成本。

(2) DeepMap 在部署 AMR 时可以访问 NVIDIA Deep Map 平台基于云的 SDK，从而将机器人构建大型设施地图的速度从数周缩短到几天，精确度达到厘米级。借助 DeepMap Update Client，还可实时更新机器人地图。 (3) Metropolis 是一个图形处理分析平台，可以通过 DeepStream、TAO 等强大工具将工厂中的大量摄像机等传感器数据转化为有价值的见解。开发者可以直接使用英伟达提供的上百种预训练模型，也可以借助 TAO 工具套件构建定制化的视觉 AI 模型，并通过 DeepStream 在边缘部署，从而加快整体开发速度并实现更出色的实时性能。在 AMR 的应用中，Metropolis 帮助 AMR 在工厂车间获得额外的情境感知层，从而避开拥挤的区域和盲区，并增强对人员和其他 AMR 的可见性。

1.4.3. Nova Orin 硬件平台提供通用范式，强劲算力保障 AMR 应用可靠性

英伟达 Nova Orin 平台为 AMR 提供传感器与算力一体化服务，集成多种高性能硬件，如同 Isaac AMR 的“大脑”和“眼睛”。Nova Orin 可以为机器人制造商提供工业化配置，减少工程设计资源占用，提高 AMR 构建、部署可靠性，降低开发成本。 Nova Orin 提供通用范式，助力 AMR 行业差异化发展。AMR 目前主要应用于工业领域，我们认为，该领域的特点在于各个细分行业之间差异化程度大，壁垒较高。以锂电行业为例，在动力电池生产的后段工序中会涉及高低温测试的环节，厂商需针对移动机器人的温度适应性进行优化；而在锂电前段生产工序中，AMR 主要用于为生产线自动运输和对接物料，对移动机器人的需求以高精度举升型为主。Nova Orin 平台提供了传感器+算力的通用范式，使 AMR 企业能集中精力利用自身对行业的深刻认知，针对不同行业特性对产品进一步优化。

AMR 定位导航使用同时定位与建图技术（SLAM），可以依靠传感器可实现机器的自主定位、建图、路径规划等功能。根据传感器不同，SLAM 主要分为激光 SLAM 和视觉 SLAM 两种技术路线。激光和视觉路线都存在自身局限，多传感器结合是未来发展的趋势。激光 SLAM 依赖激光雷达作为感知设备，构建的地图精度更高，但单机价格高昂且可靠性不足。激光 SLAM 的定位方式基于轮廓匹配，无法有效解决高度动态的场景变化带来的影响，在特定环境下容易丢失定位。视觉 SLAM 依赖计算机视觉作为感知手段，能够获得环境的视觉语义理解，在此基础上能够在复杂动态的环境中实现灵活避障、准确定位和高效路径规划，但自身技术成熟度不足、依赖光线且对算力要求高。多种传感器结合可以弥补单一传感器自身存在的缺陷，是未来发展的趋势。

多传感器融合的技术难点主要在于信息冗余和算力不足。如何让 AMR 在短时间内根据来自多种传感器的大量信息做出正确决策，并满足引入视觉 SLAM 所带来的更高算力需求，是融合多种传感器的 AMR 厂商面临的主要问题。英伟达通过提高硬件算力解决了多传感器融合面临的传统问题，并通过软件进一步保障 AMR 定位建图的可靠性。英伟达 Nova Orin 平台同时搭载了 3 个激光雷达和 6 个摄像头，同时还包含 8 个超声波传感器用于检测障碍物，2 个 IMU 传感器用于测距，拥有完整的 360 度传感覆盖范围，传感器的多样性和冗余性可以实现 Isaac 平台中的最新功能并延长运行时间。英伟达在 Nova Orin 平台中搭载 Jetson AGX Orin 模组，可以提供高达请务必阅读正文之后的信息披露和免责申明 22 275TOPS 的 AI 性能，我们认为该模组在保障视觉传感器等部件需求的同时，可以为 AI 处理信息、做出决策进行充分的算力支持。

1.4.4. 对动态、复杂环境适应能力远超 AGV，AMR 具备更广阔的应用前景

AMR（自主移动机器人）与传统 AGV 方案相比智能程度更高，更能适应环境高度动态、复杂的场景，在 Isaac 平台软硬件双重赋能的背景下，AMR 具备更广阔的应用前景。 AMR 基于 SLAM 技术，可以即时定位并在现场构建地图，能够实现柔性部署。同时，由于 AMR 具备自主避障的能力，部署时不需要预设标识规划路线导航，进一步降低部署成本并且可以适应环境动态、复杂的场景。 1）动态场景下即改即用：现代制造场景往往是高度动态的，经常需要对产品或产品线进行修改。当需要移动生产单元或添加了新的单元或流程时，更改 AGV 部署时间久、成本高。AMR 可以在现场映射新的地图，从而立即实施新的任务，帮助客户优化生产。 2）复杂环境下自主越障：人员流动会使移动场景更加复杂。AGV 在遇到障碍物时无法绕行，导致在人员密集的场景中容易引起堵塞。AMR 基于多种传感器以及算法，可以分辨障碍物并根据其类别设计绕行路线，从而提升复杂场景下的运行效率。以 TCL 和灵动科技合作的仓储物流平台为例，该平台主要有以下痛点：1）移动机器人部署改变频繁。由于仓库地点较为分散，且电子产品市场需求变化快、更新换代频繁，对移动机器人的灵活度要求更高。2）环境复杂。工人搬运和自动化设备搬运两种形式同时存在，若移动机器人没有避障功能，物流搬运过程中会出现断流甚至堵塞的情况。且仓库并非简单的点对点传输，涉及多节点交接转送，特别容易出错。灵动科技使用 AMR 产品切入，利用 AMR 柔性部署以及自主避障的特性解决平台痛点，提高了经营效率。

2. 人工智能成为产业胜负手，核心互联网及工业企业重点布局

AI 之战打响，核心大企业抓紧布局。ChatGPT 等大模型广泛受到关注，AI 热潮席卷全球，展示出 AI 技术与传统产业相结合所爆发出的生命力和活力，使得利用人工智能转型升级发展模式成为公司的未来生存之道。为追赶时代潮流，世界 500 强等核心大企业加大布局力度，争先开发新技术，用 AI 改进企业运营模式。传统业务数字化转型，与 AI 应对新业务挑战同步进行。世界 500 强企业不断将核心业务与 AI 相结合，新旧互补创造出新的生产力，据 Morning Consult 调查显示，2022 年全球企业 AI 采用率达到 35%；同时应对新业务的扩展，持续横向开发新 AI 产品使用场景，凭借自身资金优势和技术积累，主动建立 AI 研发及应用公司生态，打造可持续发展及新的盈利增长点。

2.1. 微软：建立 AI Lab, 将新 AI 技术融入原有软件、硬件及应用生态

微软期待用 AI 重新定义软件开发与工作的未来。微软与 OpenAI 合作，将其大语言模型 ChatGPT 和 GPT-4 等集成到 Azure 平台上，为开发者提供便捷的 AI 应用开发和部署服务。微软还推出了一系列 AI“集合”——涵盖从 Azure OpenAI、Copilot Stack、开发工具到协作应用等领域，微软将 AI 融入现有的软件和服务生态，从提供 AI 工具到构筑 AI 平台和生态，全方位帮助开发者应对技术革命，予力人们运用 AI，让每个人都可以在工作和生活中，探索全新机遇与无限可能。

2.1.1. AI 人工鼻子：具有气味识别和感知能力的人工智能机器人

基于神经网络将气体浓度与气味类别相关联，利用 AI 智能识别不同的味道。AI 人工鼻子，是使用气体传感器和微控制器来检测空气中气味的智能设备。当这些鼻子连接到物联网平台时，可用于多种场景，如它可以帮助制作一个实时警报系统，用于食物何时变质，或用于检测空气中的特定气体。

工作原理：气体传感器测量物质发出的各种气体的浓度，由人工智能模型提取这些气体的关键特征，并用它们来推断相应的气味。推断的结果会显示给用户，也可发送到 Azure IoT 进行进一步分析（例如发送警报），或有助于更新和改进模型。气体传感器可以检测周围空气中的一些气体（如一氧化碳，二氧化氮，乙醇，挥发性有机化合物）的浓度，微控制器用于读取和收集气体传感器数据，并将其输入到 AI 模型中。通过训练神经网络模型，来提取每种气味的“嗅觉指纹”，即其构成气体的最小，最大和平均浓度等特征，进而建立气体浓度和气味类别之间的关系。最后将训练好的神经网络部署回微控制器，完成人工鼻子的构建。

应用领域：能够嗅觉的智能设备可以应用于多种行业，如建筑维护行业可以用人工鼻子来判断办公室或浴室何时需要清洁；化妆品行业可以用人工鼻子来替换香水中的成分，使其更环保，同时保持相同的香气；或者可以在家里用人工鼻子来烘焙，判断食品是否变质、气味是否一致等。

2.1.2. AI AirSim 无人机: 具有“自定义视觉模型”和“独立识别环境能力”的无人机

基于微软原有的 Azure IoT Edge 的优势，提升无人机视觉和图像识别分析能力。AI AirSim 提供了一个高效、灵活、可扩展的平台，在火灾或地震搜救期间，通过收集地面图像并在电脑上 3D 建模，根据不同的搜救需求定制视觉模型，并将其部署到无人机等边缘设备上，可以实现实时的图像分析和反馈。使用 AirSim 创建 3D 生成的环境，训练无人机视觉感知功能。AirSim 可以提供一个逼真，高质量，高性能的 3D 生成的环境，可以用于训练和测试视觉模型，而无需在真实环境中进行大量的数据采集和标注。使用 Azure IoT Edge 部署和管理视觉模型，增强无人机图像实时处理能力。Azure IoT Edge 可以让用户将云端的智能功能和分析能力部署到边缘设备上，例如无人机，摄像头，传感器等。并可以让用户在云端创建和管理边缘设备的模块，包括视觉模型，然后将其推送到边缘设备上，实现实时的数据处理和反馈。应用场景众多，具有开拓新场景的潜力： (1) 搜索和救援：用于创建真实环境的 3D 版本来处理自定义视觉模型，无人机拍摄照片并通过自定义视觉模型查找图像中的物体或人类。 (2) 识别动物：用于训练模型识别动物，当成功识别时，发送警报给 Azure IoT Hub。

2.2. IBM：利用 AI 研发高效的机器人流程自动化平台

IBM 相继发布红帽 OpenShift 开放式混合云技术平台、新一代 AI 与数据平台 IBM watsonx，积极在 AI 领域布局，助力政府和企业实现快速、高效、安全地实现数字化转型；并注意制定正确的护栏以确保 AI 系统中的数据质量、合规性和透明度，引导企业有效运行 AI，以合乎道德标准的方式快速获益。

2.2.1. IBM RPA 融合 AI，实现高效数字化

打造全球领先的企业级 RPA 机器人，增强机器人主动模仿学习的能力。RPA（Robotic Process Automation，机器人流程自动化）通过复制、模仿人们日常工作中存在高度重复的操作行为，从而使计算机能够自动化完成这一部分工作。IBM RPA 集成了先进的人工智能，具备顶级的智能度和敏捷度。通过自动化从简单的后台任务到更复杂的业务流程来提高公司的投资回报率，RPA 能在提升效率和生产力的同时，助力公司数字化转型。

工作原理：RPA 利用软件机器人，自动执行高度重复任务，将企业员工从中解放出来。软件机器人利用图形用户界面（GUI）而非传统的系统 API，与系统交互，模仿员工操作，大幅缩短价值实现的时间，减少成本和人工错误，并增加吞吐量。该“软件机器人”在执行低技能活动时尤为有用，比如：在多个系统之间传输数据；从电子邮件和文档中提取数据等。 AI 支持：AI 驱动的 RPA 能够基于人工智能的见解完成任务，无滞后时间；结合 RPA 和 API，通过 IBM Watsonx 创建编排自定义技能，为 AI 自动化提供灵活性，同时根据特定需求培训 Watsonx，使自动化更加定制化；通过 AI 的数据分析能力，IBM RPA 能够提供更深入的业务洞察和流程优化建议，使得自动化过程更加高效，改善客户体验。

2.2.2. AI 赋能 Spot，打造新一代安防巡检机器人

AI 读取分析热图像，助力 Spot 机器人增强热成像和视觉能力。结合人工智能、遥感和边缘计算的力量，IBM 正在与美国国家电网和波士顿动力公司合作，改变自动监控设施安全问题的方式，并融合 AI 与机器人技术到波士顿动力公司的 Spot 机器人中，使得机器人能够读取模拟仪表并解释热图像以发现问题。

边缘计算加快决策，实现远程监控。在大流行和 IBM 的方案利用边缘计算进行现场数据处理，减少数据移动和存储成本，加快决策过程。此外，运用 OOD（Out-of-Distribution Detection）系统，提高 AI 模型的训练质量和准确性，以及应对环境和条件的变化。新版本的 Spot 增加热成像仪，支持多区域监测。在检查审查中，用户能够查看和比较整个照片的温度，为两个地区之间的差异和温度设置警报。IBM 与 Spot 的集成解决方案能够即时检测并通知工作人员，以纠正潜在的问题，这种端到端的解决方案体现 AI 在实时监测和响应中的作用；此外，Spot 机器人具有漫游探测功能，能用来获取对业务运营至关重要的数据。

2.3. Amazon：已部署超 75 万个仓库机器人，实现系统化人机协作

亚马逊采用 AI 技术驱动机器人，用于自动化的仓库操作和物流处理。如 Sparrow、 Cardinal、Proteus 等仓库机器人，亚马逊通过引入红杉（Sequoia）和 Digit 两种新的机器人系统，结合 AI 技术和高级机械设计，提升机器人的移动速度和工作效率。亚马逊的 AI 应用优势显著： (1) 快速送货服务：AI 技术使亚马逊能够更快地处理和执行客户订单，处理所需时间减少了 25%。 (2) 交付估计的准确性：通过 AI 驱动的系统，亚马逊提高了交付估计的准确性，增强了客户信任和满意度。 (3) 员工与机器人的协同：目前有超过 75 万个机器人在亚马逊与人类员工协同工作，通常被用来承担“高度重复的任务”，减轻人类员工的压力，提升整体工作效率。

2.3.1. 红杉（Sequoia）系统：自动化集成机器人系统，大幅提升包裹递送效率

红杉（Sequoia）系统是亚马逊推出的一种新型机器人系统 (一款嵌入式 AGV)，它将超过 75 万个仓库机器人组合在一起，形成了一条用于包裹递送的机器人流水线。其工作流程是：运输移动机器人将集装箱化的库存货物直接运输到龙门，龙门是一个带有平台支持设备的高大框架，龙门同时提供手提袋给人类员工，人类员工用手提袋在龙门拣选客户订购的货物。核心优势： (1) 智能处理与识别：完成订单所需的时间缩短，物品识别和存储速度提高。 (2) 自动化集成系统：红杉将 AI 与移动机器人、龙门架系统、机械臂和人体工程学工作站结合，实现高效的库存管理。 (3) 高度协作性设计：机器人设计强调与员工的协作性，提高了工作站的人体工程学标准，并通过 AI 技术优化人机交互，员工将不再需要经常把手举过头顶或蹲下来取客户订单，有助于降低人类的受伤风险。

2.3.2. Digit 人形机器人：拟人化设计，有望真正替代人类工作

亚马逊正在测试 Digit 人形机器人，其具备类似人类的移动、抓取和处理物品的能力。亚马逊正致力于将更高级的 AI 技术应用于自动化中，以提升工作效率。创新设计： (1) 腿部移动机制：Digit 使用两条腿行走，而非传统的轮子，这使它能够在需要上下移动的台阶和楼梯等复杂环境中有效移动。 (2) 手臂设计：配备可以拿起和移动包裹、容器、客户订单和物品的手臂。

2.4. 日立集团：加速迭代，利用 AI 推动传统铁路建设与智慧医疗创新

日立基于搭载 AI 及 IoT 技术的智能 OT 研发控制系统，在数字解决方案、自动控制架构、电机驱动与电子电力方面开创新格局。将 AI 与核心业务相结合，研发解决复杂社会课题的数字解决方案和高度可靠性、安全性的自动控制技术，低碳排放的电气化产品，如运用 AI 与 IoT 分析收集的传感数据，开发高效的运行维护方案，维护铁路设备、加快制药进程等。同时，日立加快自研自有生成式人工智能（AI）产品，开拓 AI 产品运用的更多场景。

2.4.1. AI 铁轨检测：利用 AI 捕捉和重现不同时间段的轨道图像，高效检查异常情况

利用元宇宙和 AI 技术，革新铁路维护和设计的方式。Hitachi Rail 通过使用前置摄像头捕捉轨道图像，由 AI 算法比较不同时间的图像，高效检测异常情况。并通过拍摄，将这些异常情况重现于元宇宙中，轨道会用不同的颜色标记，绿色表示正常，红色表示需要维护的区域。由此，工程师可以快速识别哪些轨道需要注意或维护，加速诊断和修复的过程。此外，元宇宙和 AI 技术还可以作为有价值的教育和培训工具，让工人获得处理各种难以在真实世界模拟的异常情况和问题的实践经验。高效帮助设计列车和寻找新的解决方案。借助 AI 技术，Hitachi Rail 的工程师可以在元宇宙里自由设计列车，如改变座椅的颜色来调整车厢的氛围，在决定内部设计时可以提供有益参考；或移除座椅，暴露出车辆的框架，检查列车结构并进行修整设计。工作过程： (1) 数据收集阶段：列车在正常行驶时，利用前置摄像头拍摄轨道的图像。 (2) 异常检测阶段：AI 算法将这些图像与后续行驶中拍摄的图像进行比较，以检测异常，例如轨道部件的腐蚀或损坏。 (3) 元宇宙再现阶段：拍摄到的异常情况将在元宇宙中重现，轨道被分为不同的颜色：绿色表示系统处于正常状态，红色表示需要维修的异常区域，引导工程师做出正确高效的维修决策。

2.4.2. AI 制药：AI 深度学习提升制药效率，可预测药物效果

加快生物标志物的筛选，助力精准制药。日立集团在制药过程中创新使用 AI 深度学习技术，可以直接在从临床试验等中获取的医疗数据中，准确地检测出可预测药物效果的定式化指标作为生物标志物候选，并提供给客户。研发药企就可以不需要花费时间进行统计处理和探索生物标志物候选，而可以集中精力进行医学/药理学的验证和考察。同时，该服务还可以实现患者分层，即根据生物标志物将患者分为不同的组别，为每组选择合适的治疗方法，提升药物研发的靶向性和准确性。高效率突出，识别功能强大。AI 制药技术可以从人体基因和电子病历等信息中提取与药物作用有关的因素，并使用这些因素构建简便的数学公式来生成指示药物作用的指标。这种方法不仅可以使人类从医学和药理学角度判断生物标志物候选的有效性，而且可以在数据样本少而因素多的情况下，快速、准确地检测生物标志物候选。另外，该方法还可以自动发现多种因素计算得到的医学指标，如 BMI、肌酐清除率等，在制药研究领域发挥革命性的提升作用。

2.5. 松下：领先布局智能家居与智能制造，AI 相机加速占领 B 端市场

松下成立人工智能研究中心，重点发力于 AI 机器人、智能家居设备和工业自动化。并将 AI 技术与其电子产品相结合，开发 AI 产品在家用电器、住房、汽车等领域的使用场景。i-PRO 嵌入式人工智能安防摄像头：AI 引擎深度学习能力强大，可精准检测、识别与判断图像。通过使用深度学习的分析技术和安全技术，在摄像机内部集成强大的 AI 引擎， i-PRO 网络摄像机可以直接运行深度学习应用程序，无需额外的服务器进行分析计算，从而保持高水平的准确性和效率，研究领域涉及图像识别、数据分析、智能机器人等分类场景。

使用场景广泛，支持个性化定制。AI 摄像头，可以提供高精度的人类搜索、车辆搜索、占用检测等功能。此外，i-PRO 可以满足不同客户的需求，提供从中端到高端的各种型号，以及可定制的特殊型号。

2.6. 瑞士 ABB：协作能力领先，提供智能应用机器人

ABB 的机器人，在协作机器人、机器学习和人工智能等领域能力先进突出。ABB 专门为电力、自动化、机器人和电气化等行业提供 AI 技术和工程解决方案，累计交付超过 50 万套机器人解决方案，机器人研发、量产及应用经验丰富，在工业生产中使用场景众多。

2.6.1. AI 拾取机器人：高精度自动抓取

基于人工智能提升机器人拾取精度。ABB 拾取机器人，可以在仓库和物流中心的非结构化环境中准确地检测和拾取物品，利用先进的 AI 视觉系统，实现超过 99.5%运行时间下的高精度拣选工作，能够识别和处理各种形状和尺寸的物品。AI 机器人可自动确定每个物品的最佳抓取点，并通过吸力抓取器完成拾取和放置，无需人工监督。

衍生型号众多，广泛适用于不同场景运用。拾取机器人可安装在 ABB 三款机器人 IRB1200、IRB 1300 和 IRB 2600 上。该拾取器的有效载荷高达 3 公斤，伸出距离可达 1.65 米，具有灵活性，以满足订单履行和分拣的许多不同需求；ABB 还提供一整套服务，包括服务协议、在线培训、预防性维护和技术在线支持，帮助客户在不同场景下高效使用机器人。

2.6.2. AI 优化电池储能系统：AI 预测提高运行能力

AI 决策电池储能的最佳运行途径，提高电池寿命和投资回报。电池储能系统（BESS）是将能量储存在电池中以备日后使用的设备（或该设备的集合）的通用行业名称，包括电池、电池管理系统、逆变器、开关设备、变压器以及控制和保护系统。ABB BESS 与可再生能源整合在高峰生产期间储存能量，以及在需要时提供所存储的能量。该系统的数字启用版本配备了能源管理系统（EMS）以及监测和诊断系统，通过本地部署、云端解决方案提供，利用 AI 实时判断能量的储存或者释放。

ABB 将人工智能融入电池储能系统带来了以下提升： (1) 运行效率提升：AI 在电池储能系统中扮演着至关重要的角色，通过收集和分析大量数据，预测未来 24 小时能耗，优化电池运行。 (2) 准确能源预测：AI 能生成包含季节性变化和天气因素的精确能源消耗预测，有助于平衡电池储能系统的能源供需，提升整个系统的效率和可靠性。 (3) 电池寿命管理：AI 的应用还包括分析电池运行数据来预测其寿命，并优化存储容量。通过识别不同的老化机制，AI 能延长电池寿命，减少维护成本，提高系统的整体可持续性。 (4) 模块化 AI 设计：AI 的模块化设计适应不同电池储能应用，灵活调整操作参数，便于根据需求进行定制和升级，以确保最佳性能。 (5) 投资回报的增长：通过提高电池系统的效率和性能，AI 显著提升了储能投资的回报率。这有助于投资者更有效地支持未来能源需求，实现更高的投资回报。

2.7. 西门子：专注工业人工智能开发，基于物联网的应用领域广泛

工业人工智能的先驱和领导者，AI 应用场景众多。西门子基于自研云基础物联网操作系统 MindSphere，通过将 AI 技术固化为应用程序形式，为发电、能源管理、智慧城市和医疗领域等方面的客户提供降本增效的智能解决方案。同时注重 AI 技术的前沿专利布局，西门子在 AI 技术的专利申请方面 2018 年排名全球第十一、欧洲第一。

2.7.1. ACUSON Sequoia 超声系统：利用 AI 优化软件组织架构，提升成像质量

BioAcoustic 生物声学成像技术平台革命性提升超声成像质量。ACUSON Sequoia 超声系统能够不断利用 CPU（中央处理器）、FPU（浮点计算单元）、GPU（图形处理单元）的优势来进行独立分区计算处理，从根本上解决生物学差异问题，获取超高水准图像质量，带来“经典时代”的图像及技术的革命性突破。 AI 组织架构系统软件，提高图像信噪比。系统从提高超声信号，低噪声和数字无线电频率模拟，强大的计算机处理和图形设计模式，人工智能化软件的组织架构，和先进的传输模式多方位多维度入手研究，使得超声图像拥有极高的信噪比，减少传统的波束形成的局限性。

2.7.2. SIEPA-工厂预测维护系统：集成 AI 与大数据，准确预测设备故障及维护需求

利用机器学习算法分析数据，模型自我学习持续提升预测精度。西门子的智能预测维护系统 SiePA 减少了设备的非计划性停机时间，提高了生产效率。AI 的应用确保了故障预测的准确性和故障处理的及时性。两条运行思路，针对不同场景灵活切换：(1) AI 驱动的故障预测：集成先进的 AI 算法和大数据分析设备的实时运行数据和海量传感器输入，从复杂的数据中识别出潜在的故障模式和异常行为，实现对未来故障风险的准确预测；通过持续学习和模型优化，系统能够不断提高其预测的准确性，从而实现更高效的预防性维护。(2) AI 辅助的故障诊断：在预测到潜在故障后，AI 系统利用自然语言处理（NLP）和知识图谱技术，从历史故障数据中提取有用信息，帮助快速准确地诊断当前问题并推荐有效的解决方案，显著提高故障处理的效率和准确性。

兼备速度、精度及深度的金属雕刻仪器，结合智能图像规划技术，提供强大的图像设计、精确的矢量和位图编辑，以及灵活的文本和自由图形工具，随时随地轻松雕刻自己的独特设计。

核心优势： (1) 人工智能图形设计：由 ChatGPT 和 MidJourney 结合提供自主设计功能，只需想象想要的图像，将其输入，然后让应用程序内的 Midjourney 助手生成用户想要的设计。另外，通过访问 LumiCloud 图库，可以轻松上传和共享文件，将照片变成可雕刻的艺术品。此外，通过应用程序到设备的无线连接，可以随时随地雕刻自己的独特设计。(2) F20 采用光纤激光源，性能超越普通二极管、CO2 和红外激光器，具有无与伦比的精度、速度和耐用性。能在金属和硬塑料等高难度材料上雕刻出复杂精美的设计。F20 的雕刻速度为 7000 毫米/秒，可显着提高制作效率，为单个或批量项目提供节省时间的解决方案，并为 iOS 和 Android 用户提供更快、更精细的矢量和位图图形雕刻体验。 (3) 配备强大的激光控制系统，可确保激光束精确移动，蚀刻精度高达 0.001 毫米，呈现出最精细的细节。

（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。）