全驅動機械手驅動源的數(shù)量與被控制機械手的自由度數(shù)量相等。每個手指關節(jié)都有驅動器，使其能夠實現(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，全驅動也意味著需要更多的驅動器，會使手掌體積變大、安裝困難、 操 作 復 雜 。
優(yōu)勢：具有完全可重復的運動軌跡，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， 也使得全驅動方案對比欠驅動 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分析控制時，整體的靈活性其實并不如欠驅動的方案。
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,構建全球最大的靈巧操作數(shù)據(jù)集,包含了大量的人手操作數(shù)據(jù),覆蓋了各 種復雜的抓取和操作任務
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果,意圖歸因在人機交互中起著至關重要的作用,可能包括通過言語指令等非交互性手段來調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雜任務訓練速度,提升任務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 大模型算法處理復雜；多模態(tài)大模型融合不同模態(tài)的信息并提高模型的標識能力
NLP 大模型是人工智能領域的重要研究方向,CV大模型是指基于深度學習的計算機視覺模型,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)合起來進行訓練的模型
機器人大腦提高人形機器人的人-機-環(huán)境共融交互能力,支撐全場景落地應用;機器人小腦提升人形機器人非 結構化環(huán)境下全身協(xié)調魯棒移動、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,技術成熟度高,產(chǎn)業(yè)鏈成熟度高,符合人眼邏輯;易受天氣影響,易受光照影響,算力需求較高,需要大量圖像訓練集;激光雷達方案:識別率高,環(huán)境適應力強,產(chǎn)業(yè)鏈成熟度高
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高，橫 精度低;激光雷達是高精度,3D 建模，易識別;
本田 ASIMO由四個運行著 VxWorks 實時操作系統(tǒng)的處理器構成;歐洲 ICUB使用名為 ARCHER 的學習型算法體系;特斯拉 Optimus用Optimus 的神經(jīng)網(wǎng)絡
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年全球人形機器人市場規(guī)模 分別有望達到1.4億元和249.5億元，2025-2030年全球人形機器人CAGR有望達到182%
