电新前沿观察：看好泛人形机器人在物流分拣场景率先应用

(资料图片)

核心观点　　为实现物流分拣作业，泛人形机器人（非完全人形）需要具备多模态感知和端到端大模型能力。我们认为当前硬件端泛人形机器人已经达到物流场景商业化的门槛，但国产具身模型端距离真正落地仍有一定提升空间。从经济性来看，在2 年收回成本的假设下，泛人形机器人的投入产出比与分拣工人已经持平。我们认为今年下半年泛人形机器人在物流场景会逐步从demo 场景转向交付客户试用，等客户验证后明年有望迎来爆发增长。　　摘要　　为实现物流分拣作业，泛人形机器人（非完全人形）需要具备多模态感知和端到端大模型能力。物流分拣动作主要分为包裹检测、抓取与翻转、条码识别、路径规划、投递归位等步骤，需要人形机器人具备多模态感知能力（视觉、触觉、力觉等）和自主决策的端到端大模型能力。　　我们认为当前硬件端泛人形机器人已经达到物流场景商业化的门槛，但国产具身模型端距离真正落地仍有一定提升空间。从分拣效率来看，1）海外：Figure 02效率已接近正常工人。基于Helix 神经网络，Figure 02 处理一件包裹的平均时间为4.05 秒。而正常熟练分拣工人的单个标准小件快递分拣效率为3-5 秒。2）国内：智元精灵G1 分拣速度较熟练工人仍有一定距离。此外，我们也需要注意，在分拣质量和应对异常的处理上，泛人形机器人较熟练工人仍有差距。　　经济性方面，现阶段分拣场景泛人形机器人替代工人处于临界点。假设分拣场景的单个工位工人2 班倒，一人工作8 小时，单人年工资10 万元，而泛人形机器人成本40 万元，单日工作时长20 小时，工作效率约为工人80%。在2 年收回成本的假设下，泛人形机器人的投入产出比与工人已经持平，随着泛人形机器人硬件成本和智能化水平提升（体现在产出效率），终端客户基于降本增效目的有替换工人的动力。　　模型方面，Figure 和智元具搭载自研具身模型。Figure 02 搭载Helix 具身智能模型。智元精灵G1 由端到端数据驱动具身算法，通过海量真实数据训练出的“大脑”，能像人类一样实时感知环境、理解任务、并自主精准执行操作。数据采集和模型迭代方面，智元携手德马科技共建训练与数据采集工厂，Figure 在快递流水线上进行实训。　　展望后续，我们认为今年下半年泛人形机器人在物流场景会逐步从demo 场景转向交付客户试用，等客户验证后明年有望迎来爆发增长，海外由于人工成本更高昂，将会是物流场景落地的首选。建议关注有望凭借二次开发能力获得超额溢价的整体方案解决商、商业化落地进展领先的本体厂对应的核心供应商。相关公司包括德马科技、均普智能、领益智造、中大力德、富临精工、卧龙电驱、震裕科技、浙江荣泰、美湖股份等。【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。