机器人产业链九大重要组成部分详细解析（含重点企业）

本文将对机器人产业链九大重要组成部分即大脑、小脑、传感器、灵巧手、执行器、电机、减速器、丝杠、轻量化、重点公司概况进行梳理，以供参考。

一、大脑和小脑的分工

大脑（感知-规划），负责人机交互工作，并统筹完成任务的接收、理解、决策与规划全流程；大模型具体落地上述核心环节，实现任务接收、需求理解、行动决策，以及对任务的规划与步骤分解。

小脑（决策-控制），负责把任务转化为动作，控制运动包括状态分析、全身运动控制、轨迹优化等环节；动作规划明确任务执行的路径与操作规划，运控算法则具体把控手部伸展、抓取位置、关节控制等运动执行细节。

（一）大脑：算法大模型、算力、数据

特斯拉： FSD V14 MoE大模型+Grok 3协同为算法核心， Dojo 3自研超算+Cortex通用集群+xAI Colossus三引擎并行，AI5/AI6/AI7芯片覆盖车/机器人/太空端侧训推，形成“数据-模型-算力-芯片”全闭环。

英伟达：英伟达发布人形机器人通用基底模型Groot + Blackwell云端超算中心 + 机器人端侧芯片Jetson + Isaac机器人训练平台。

0penAl： 0penAl将大语言模型接入1X、 Figure等人形机器人产品。

谷歌：谷歌机器人大模型迭代至Gemini Robotics 1.5 ，一种多形态视觉-语言-动作（VLA）模型，以及Gemini Robotics-ER 1.5 ，一种最先进的具身推理（ER）模型。该模型具有几大创新点：首先，Gemini  Robotics  1.5具有新颖的架构和运动迁移（MT）机制，使其能够从异构、多形态的机器人数据中学习，从而使VLA更加通用。其次， Gemini  Robotics  1.5将动作与多层次的内部自然语言推理过程交错进行。这使机器人能够“先思考后行动”，显著提升其分解和执行复杂多步骤任务的能力， 同时也让机器人的行为对用户更具可解释性。 第三， Gemini  Robotics-ER 1.5在具身推理方面建立了新的最先进水平，即在机器人关键能力的推理方面，如视觉和空间理解、任务规划及进度估计。

大脑能力依赖数据+小脑运控和硬件耦合：机器人运动和操作的数据模态更复杂，需要从头开始定义数据，还要在真实环境里长期、大规模采集。

数据来源：机器人大脑（具身智能大模型）的训练与优化高度依赖多元且规模化的数据集，数据来源已形成 “真实采集  + 仿真生成  + 开源共建”的三位一体格局，是其实现环境理解与任务决策的核心基础。

数据：根据2024年Coatue的报告，具身智能训练数据较为短缺。各类模型的数据集存在本质差异，彼此完全不同：

•  以图像为标记的模型，最大数据集规模达到 6B， Midjourney为典型示例；

• 以视频为标记的模型，最大数据集规模达 2.6B（十亿级），如全球通用大模型 Runway；

• 大语言模型是现阶段数据集规模最大的模型类别，其中发展最成熟的大语言模型，数据集体量已达 15T tokens（万亿级）；

• 而现阶段机器人模型的数据集规模仅为 2.4M（百万级），距离实现机器人通用模型的目标还相去甚远。

解决数据不够的办法是：第一 ，模型端 ，用更高效的模型，把稀缺的数据高效利用；第二，训练端，用仿真训练、模拟训练，改变假设、背景、参数，创造数据。

根据《中国人形机器人创新发展报告2025》的信息，机器人智能化能力的主要原因是数据不足，提升具身智能算法的核心依然在于数据。

• 最佳的数据取得方式是通过机器人本体进行采集的 ，但获取成本高限制了其数量。通过人类示教、真机作业采集等方式，获取物理世界中的多模态交互数据。国内人形国创中心的具身智能训练场，依托百台机器人和多样场景，积累异构虚实通用数据集，支撑模仿学习与技能训练。

• 仿真合成数据 ——首先，大语言模型根据简短的任务描述和任务需求来生成相应任务的仿真场景代码搭建，还提供一套自动化的流程来验证仿真环境的可行性，并进行迭代修正。其次，大语言模型能根据不同任务生成的仿真环境构建一个高质量大模型生成的任务库，用于在构建新任务时进行检索和反馈优化。最后，根据任务搭建的流程，大语言模型可以采集大量专家数据，在现有模仿学习架构的基础上训练模仿学习策略。GenSim框架可以用于根据目标任务来搭建仿真环境并产生目标任务的数据，也可以利用大模型的能力进行探索来产生新颖的任务和数据。GenSim的不足之处是仅面向Ravens仿真器中的机械臂抓取任务。除了通过提升仿真器本身的性能外，还可以通过少量实采数据结合虚实对齐（Virtual Reality Alignment ，VRA）算法来实现。

• 同时，互联网也存在大量人类操作的视频，且数量庞大，参考大模型训练经验，若能合理利用，也是提升机器人智能的重要途径。需要团队具备扎实的数据清洗能力和底层数据基础设施。

（二）小脑： 小脑模型、 IMU、 MCU编码器、执行器末端的传感器

IMU惯性测量单元： 通常放在机器人腰部等位置，协调机器人的运动，保持平衡。是一系列传感器的组合，包括加速度计、陀螺仪、磁力计等，测量加速度、角速度、磁场强度等。中低端的IMU已经实现了国产替代，但是高端的还是以海外厂商为主。  IMU主要难点是提升精度， 因为IMU容易受到温度和机械振动的影响，解决方法是需要对传感器进行高精度的校准、以及强大的数据融合算法支持。

编码器：可以实时反馈电机转子的位置、转速和运动方向（是位置or速度传感器），从而实现精准控制。原理有很多种，如光电编码器、磁编码器、电容式编码器等，其中光电式是精度更高、不受电磁干扰，是主流选择。编码器的壁垒主要是在于码盘精度、装配工艺、误差补偿技术。主要指标是精度和寿命。

力/力矩传感器：国内一维力/力矩价格在100-1000元左右， 六维力/力矩传感器价格在2000元左右（海外的在3w以上）。

电阻应变片：传感器的核心技术，持续为现代工程与科研提供着关键物理量（压力、变形、应变）  到电信号的可靠转换。其核心原理基于导体或半导体材料在机械形变下电阻值的规律性变化，这一现象由材料的几何尺寸（长度、截面积）与电阻率共同决定。集成于机器人关节和灵巧手的应变片，提供实时的力/力矩信息，是实现自适应抓取、人机安全协作的关键（如协作机器人关节扭矩传感器普遍采用应变电桥技术）。

工艺：六维力矩传感器的核心结构通常由弹性体、应变片（或压电晶体等敏感元件）、电路部分及信号处理单元组成。弹性体作为传感器的主体，其设计直接关系到传感器的测量精度和稳定性。常见的弹性体结构包括多组弹性应变梁，这些应变梁在受到外力作用时会发生微小的形变。在每个应变梁上，会贴有一组或多组应变片，用于检测形变引起的电阻变化。此外，  部分六维力矩传感器还采用压电晶体等压电材料，通过测量外力作用下产生的电荷变化来感知力和力矩。

六维力矩传感器在多个领域发挥着重要作用。在机器人技术中，六维力矩传感器为机器人提供了精确的力反馈，使其能够更智能地执行各种任务，如精密装配、抓取物体等。在航空航天领域，六维力矩传感器被用于测量风洞试验、飞行器运动状态下的六维力信息，为飞行器的姿态控制和任务执行提供关键数据支持。在医疗康复领域，手术机器人通过搭载六维力矩传感器，能够提升手术的安全性和精度。

二、传感器

（一）触觉传感器：机器人的皮肤

根据2018年《科技日报》总编辑刘亚东梳理制约中国工业发展的35项关键技术，触觉传感器是我国重点攻坚的 35 项“卡脖子”技术之一。目前高端触觉传感器产品主要依靠进口，且价格昂贵，不利大面积部署，我国亟需实现国产工业级阵列式触觉传感器替代进口。

触觉传感器： 柔性触觉传感器能够感知外部的机械刺激（例如应变、压力、剪切和扭转），并将这些刺激转化为电信号。根据其工作机制，柔性触觉传感器可分为压阻式、电容式、压电式和摩擦电式四类。

• 压阻式： 当材料在机械应力作用下发生形变时，其电阻变化可被观测和测量。这种特性源于导电材料微观结构的动态重构。

• 压电式： 压电式触觉传感器利用存在于非中心对称晶体中的压电效应。当受到机械刺激时，这类材料会因内部极化而产生电荷与电压，将机械能转化为电能。通过测量所产生的电荷与电压，可确定外力的大小与分布。

• 电容式： 过电容变化来检测机械刺激。最基本的电容式传感器采用金属薄膜作为电极，在两个电极之间夹有弹性体介电层。这类传感器具有高灵敏度、高分辨率、响应速度快以及功耗低等特点。

• 摩擦电式： 摩擦电式触觉传感器的工作原理基于摩擦起电和静电感应。当两种具有不同电子亲和力的材料接触并相互滑动时，会发生静电荷转移，在界面产生相反的电荷。当材料分离时，带电表面分开，同时静电感应在电极中形成补偿电荷，从而在电极间产生电压差。施加外力可触发摩擦电效应，产生用于检测压力、触摸和振动的电信号。

（二）视觉传感器：机器人的眼睛

1、3D方案：

• 飞行时间法（TOF）： 是一种通过测量激光脉冲从发射到接收的时间间隔来确定目标距离的测量方法。该方法的基本原理是利用光在传播介质中的速度恒定这一特性，通过精确测量光脉冲的往返传播时间来计算目标距离。

• 激光三角测量： 激光三角测量中，激光照射到被测物体表面发生反射，经接收透镜后被光敏探测器接收。当被测物体发生位移时，光敏探测器上的像点发生相应移动，基于像点移动的距离和几何三角关系即可计算出被测物体移动的距离。

• 结构光： 基本原理为采用一个光源装置代替双目视觉中的一个摄像机, 用光源装置向场景中投射已知图案, 用摄像机捕获图案, 根据系统几何关系和三角测量原理获得待测物体的深度信息。

2、2D方案：

• 2D多目视觉： 从一组已知相机位姿的多视角二维图像中恢复出场景的三维几何结构，尤其是精确估计每个空间点的深度信息，从而生成稠密的三维点云或过程的关键在于如何高效准确地判断“图像一致性”，即候选像素是否对应真实世界中的同一点。

• RGB相机：仅能捕捉到物体表面的纹理信息，没有物体到相机的距离信息。而现实物理世界是三维的，2D成像技术虽然发展多年，但因缺乏深度数据而难以完整重现各类三维场景。

3、视觉传感器：索尼、英飞凌等。

三、灵巧手：最灵活的、最难的、最有变化的零部件

常见传动方式：腱绳传动、连杆传动、齿轮传动等，其中腱绳传动、连杆传动是目前应用最广泛的方案。

特斯拉第三代灵巧手：腱绳传动方案，电机置于前臂，从灵巧手进化到仿生臂。特 斯拉第三代灵巧手将电机放在前臂（此前电机在手掌内），其传动方案为微型丝杠  +腱绳。自由度比上一代增加了一倍，手部有22个自由度，手腕和前臂有3个自由度，类似于人类手指的腱和绳索结构，通过电机驱动的齿轮和滚珠丝杠将旋转运动转换  为直线运动，螺母通过与腱绳相连，将直线运动传递给腱绳，腱绳形成一个环状结  构，绕在螺母上，带动手指关节运动。

四、执行器：机器人的四肢

执行器=无框力矩电机+减速器or丝杠+传感器+编码器

旋转执行器：T=Kt.I，输出力矩 T 与电枢电流 I 成线性正比关系， Kt是扭矩常数（由电机设计决定）。特斯拉Optimus机器人通过14个线性执行器与14个旋转执行器协同工作，实现了全身运动的精准控制。

背隙（Backlash）：背隙是衡量减速机传动精度的核心性能参数，其定义为当减速机输入端固定时，输出端在施加额定扭矩±2%正反向旋转时产生的微小角位移值，直接影响精密传动系统的定位精度与响应速度。

齿槽效应： 由于永磁电机定子开槽，使得定子和转子之间气隙磁导不均匀，从而引起电机定子和磁极之间产生齿槽效应，引起齿槽转矩。

减速比：减速比，即减速装置的传动比，是传动比的一种.减速器效率通常随减速比增大而降低，摩擦损耗导致实际输出力矩 T2=η⋅T1⋅i （η为效率，减速比i，输出力矩 T ，电枢电流 I ）。

五、电机：机器人一般用无框直流无刷电机

伺服电机：一套完整的伺服电机系统通常由四部分构成：伺服电机本体、高精度编码器、伺服驱动器以及控制器。 目前，交流永磁同步伺服电机（PMSM）凭借其高功率密度、高效率和优异的调速性能， 已成为当前市场的主流选择。伺服电机作为工业机器人的核心驱动部件，其技术性能直接决定了机器人的运动精度、动态响应及作业能力。

• 无框力矩电机：无框力矩电机由定子和转子两大核心组件构成，不含外壳、输出轴及轴承等冗余结构。其核心特点为高扭矩密度、高精度与快速响应，无外壳设计可直接嵌入关节与负载耦合，省去传动部件，大幅缩小安装体积与重量。

• 空心杯电机： 以无铁芯转子（杯型转子）为核心， 由空心杯绕组、永磁体转子、传感器组件及磁轭等构成。其显著特点是重量轻、转动惯量小，功率密度与节能性突出，响应迅速且噪声低，彻底消除了铁芯涡流损耗。分为有刷与无刷两类，无刷款更契合长寿命需求。

• 高转矩密度电机：转矩密度是由电机的物理条件所决定的，例如：电磁绕线结构，电机材料和电机尺寸。电机扭矩（T）、功率（P）和转速（n）之间的关系是：功率P = 扭矩T × 转速N ，T=P/N，高速电机+齿轮箱也可以是实现高转矩密度的有效途径，高速电机可以提高电机的功率，而齿轮箱可以降低转速N。

六、减速器

（一）谐波更适合轻量化，摆线针轮适合高负载

根据《科技日报》、《机械设计手册》（第七版） 及绿的谐波招股说明书对各类减速器的技术特点描述， 不同类型减速器的主要特性可归纳如下。

· 谐波减速器： 体积小、轻， 高负载场景受限， 抗冲击性。

· 行星减速器： 传动效率高， 传动比范围大， 工作平稳。

· 摆线针轮减速器： 传动比大 ; 传动效率较高 ; 结构紧凑 ,体积较小 , 重量轻; 通用于中、小功率 , 适用性广 , 运转平稳 , 噪声低。

· RV 减速器： 体积小， 重量轻， 传动比范围大， 寿命长， 精度高， 效率高， 传动平稳。

总结： RV 减速器相较于谐波减速器自重偏大， 仅适配机器人的重负载关节， 轻负载关节因无需高负载、对轻量化要求更高而不采用RV。

谐波减速器结构紧凑、体积小巧、重量轻盈， 相较于行星/摆线针轮减速器， 可在满足小体积安装要求的前提下输出充足扭矩， 因此更适用于机器人上肢关节的传动需求。而机器人下肢关节， 以及对安装体积要求较低、对负载承载能力要求较高的应用场景， 则更适配 RV 减速器。

· 精度上， 谐波、摆线针轮、 RV 减速器的精度在1- 3 弧分以内， 精度高； 行星在 5 弧分以内。

· 负载能力上， 减速比是RV 最大， 其次是谐波， 但是因为谐波的柔轮容易疲劳变形， 因此谐波的负载能力受到柔轮材料限制。

· 体积/重量上， 同等输出力矩下， 与一般减速器比较， 谐波减速器的体积可减少 2/ 3， 重量可减轻1/ 2； 空间受限且负载适中时， 优先选用谐波减速器。

1、谐波减速器：体积小、重量轻； 国内厂商仍有提升空间

原理： 根据绿的谐波招股说明书对减速器原理的说明， 谐波减速器 通过齿轮齿数和尺寸不一致即错齿， 带来的谐波效应进行减速 ，相较于通过传动比进行减速的传统方式， 减少重量。钢轮比柔轮多两个齿， 将波发生器插入柔轮中后， 柔轮将径向变形， 同时椭圆的长轴两端将与钢轮啮合， 波发生器旋转一周将带动柔轮的每个齿与钢轮相对位置的齿啮合， 但是由于柔轮的齿数比钢轮少两个，所以柔轮和钢轮之间会发生相对的位移， 位移的距离就是两个齿轮的长度。同时参考维基百科与哈默纳克产品手册， 谐波减速器的减速比通常为： 柔轮齿数 ÷ (柔轮齿数 - 刚轮齿数)， 一般为30-160， 单级最高可达320。

结构： 波发生器为椭圆形； 柔轮（输出轴） 为具有高抗扭刚性的带有外齿的薄壁齿轮； 钢轮为带有内齿的刚性环。

特点： 传动速比大、传动精度高、体积小且重量轻， 与 RV减速器及行星齿轮减速器相比， 谐波减速器的突出优势在于可兼顾转速与重量。

举例： 绿的谐波与海外龙头性能无显著差异， 启动转矩更优于哈默纳克； 其 2019年推出的Y系列产品传动精度≤10弧秒， 创纪录并位居全球谐波传动领域最高水平。

国产谐波减速器成本已满足大批量应用要求。根据新刊财经， 日本哈默纳克同型号产品售价维持在 3000-4000元区间， 而绿的谐波同等性能产品的市场报价已稳定在 1320元左右， 价格差距高达55%-60%。二者价差源于绿的谐波通过本土化配件生产， 极大降低了国产机器人企业的采购成本、缩减了采购周期， 拉开了价格优势。哈默纳克主打高精度路线， 绿的谐波走高性价比路线，后者产品设计寿命上则实现反超。

2、行星减速器：各方面居中

原理： 参考上海合纵重工、 ATO、上海持承自动化公司官网资料， 行星减速器的工作原理为电机驱动太阳轮旋转， 太阳轮带动行星轮实现自转， 同时行星轮沿固定外齿圈的轨迹公转； 行星轮的公转带动相连的行星盘输出动