本节 1.4-1.6 给出关节模组的坐标系视角（硬件与本体 / BOM 拆解 / 供应链）。如需 技术深度 / 市场机会 / 0 到 1 落地 / 13 决策看板，请进入 2 关键模组 父主题。
什么是具身智能
具身智能（Embodied Intelligence）是 AI 在物理世界落地的核心范式 — AI 算法 + 物理身体 + 环境交互三者结合，区别于纯软件 AI。
💡 一句话定义
具身智能 = AI 大脑 + 物理身体 + 环境交互闭环。“Embodied”的核心含义是：智能不是抽象计算，而是身体与环境的实时交互中涌现的。
🔧 3 个核心要素
| 要素 | 对应 | v0.6 系列承接章节 |
|---|---|---|
| 🧠 大脑（AI 算法） | VLA 大模型 · 世界模型 · 强化学习 | 1.2 大模型驱动决策 |
| 🦴 身体（物理实体） | 关节模组 + 灵巧手 + 整机集成 | 1.4 硬件与本体 + 2.2 关节模组深度 |
| 🌐 环境交互 | 感知 + 力控 + 数据闭环 | 2.3.3 数据资产路线 |
⚡ 3 大特征（区别于纯软件 AI）
1. 实时性
毫秒到秒级决策循环。控制频率分层：力控 1kHz / 全身控制 100-500Hz / 感知 10-50Hz / 决策 1-10Hz
2. 物理性
必须处理接触力 / 碰撞 / 摩擦 / 重力等物理约束。PL d Cat 3 安全等级是工厂准入硬门槛
3. 学习性
数据飞轮驱动持续迭代。场景即数据 = 胜负手不是模型规模，是数据闭环
🔄 具身智能 vs 传统自动化
| 维度 | 传统自动化（工业机器人） | 具身智能（人形机器人） |
|---|---|---|
| 智能来源 | 人工编程 + 示教器 | VLA 大模型 + 数据飞轮 |
| 环境适应 | 刚性（仅结构化场景） | 柔性（可处理非结构化） |
| 示教成本 | 高（每个动作需重录） | 低（任务级语义指令） |
| 出错恢复 | 需要人工干预 | 自主尝试 + 学习 |
| 部署周期 | 3-6 个月（产线改造） | 1-2 周（白标 PoC） |
| 典型价格 | 20-50 万 / 单元 | 9-30 万 / 单元（白标 ODM） |
| 毛利率 | 20-30%（硬件） | 25-50%（硬件 + 软件订阅） |
🌐 具身智能的形态：人形是叙事，轮式先赚钱
现实落地路径：轮式 + 机械臂 / 复合机器人因为工艺成熟 + 成本可控，先在工厂赚到钱（参考 2025-2027 国内融资潮）。
🏆 典型案例
国外人形
Tesla Optimus Gen 2/3 · Figure 02（已交付 BMW） · Boston Dynamics Atlas · 1X NEO · Sanctuary Phoenix
国内人形
宇树 G1（9.9 万）/ H1 · 智元灵犀 X1 / A2 · 银河通用 G1 · 加速进化 · 星动纪元 · ByteDance + 港大 GR-1/2
复合形态（先赚到钱）
Agility Digit（物流） · 灵动科技（仓储） · 优必选 Walker X · 节卡协作机器人
🦴 人形机器人爆炸图
图源：玉洁 v0.6 drawio 导出 · 2960×2360 → 1920×1530 PNG · 755 KB · 外链静态资源
三大系统：Head / Torso / Joints·Limbs · 28 DOF 不含手 + 22 DOF 双手 = 50+ 自由度
大模型驱动决策
🏛️ 技术栈分层 5 层模型（坐标系）
人形机器人从大脑到肌肉 = 5 层技术栈，越往下控制频率越高、决策延迟越紧、确定性越强。本节 1.2 大模型驱动决策聚焦 第 2 层（决策规划层），但要理解它必须先有 5 层全景。
| 层 | 名称 | 职责 | 代表技术 | 频率 | 延迟 |
|---|---|---|---|---|---|
| L1 | 应用 / 任务层 | 业务场景 · 人机交互 · 任务指令下发 | 场景编排 · 语音 UI · 多模态交互 | 按场景 | 秒级 |
| L2 | 决策规划层 ← 1.2 重点 | 任务分解 · 动作序列生成 · 异常恢复 | VLM / VLA / 世界模型 · CoT · ReAct | 0.1 - 1 Hz | 1 - 10 s |
| L3 | 感知融合层 | 多模态感知 · 场景理解 · 状态估计 | 视觉/触觉/IMU 融合 · SLAM · 3D 重建 | 10 - 30 Hz | 30 - 100 ms |
| L4 | 运动控制层 | 全身控制 · 轨迹跟踪 · 力控 | WBC · MPC · 阻抗控制 · 步态规划 | 100 - 1000 Hz | 1 - 10 ms |
| L5 | 硬件执行层 | 关节模组 · 灵巧手 · 传感器 · 执行器 | 电机+减速器+编码器+力矩传感器 | 1 - 10 kHz | 0.1 - 1 ms |
- 层号越小 → 越接近用户/业务 → 控制频率越低 → 决策延迟越宽松 → 容错越强（大模型答错可以重试）
- 层号越大 → 越接近硬件执行 → 控制频率越高 → 决策延迟越紧 → 容错越弱（控制信号出错可能损坏关节模组）
- 本系列 1.2-1.6 覆盖 L1-L4（应用 / 决策 / 控制 / 感知），L5 关节模组由 2.2 + 3 从 0 到 1 详细展开（1.3 控制层是 L4 的详细论述）
- 大模型主要落在 L2，但需要 L3 感知喂数据 → L4 控制去执行 → L5 硬件给反馈（5 层闭环）
人形机器人决策的"大脑"由大模型驱动，决策架构 4 档演进，VLA 是当前主战场。
📊 决策 4 档演进（关键 takeaway）
| 档位 | 方法 | 代表 | 现状 |
|---|---|---|---|
| L0 经典规划 | 人工规则 + 控制论 | MIT Cheetah / 早期 Boston Dynamics | 已成熟 |
| L1 LLM 规划 | 大语言模型做任务分解 | SayCan / PaLM-E | 已基本落幕 |
| L2 VLA（视觉-语言-动作） | 端到端视觉+指令→动作 | RT-2 / π0 / π0.5 / UniVLA | 当前主战场 🔥 |
| L3 世界模型 | 内部仿真 + 想象规划 | Dreamer V3 / GigaWorld-0 | 前沿探索 |
📐 决策 4 档架构图（关键 takeaway · 每档一张）
▌L0 经典规划 · 单回路闭环 · 已成熟
▌L1 LLM 规划 · 大脑拆任务 · 四肢用传统 · 已基本落幕
▌L2 VLA 端到端 · 视觉-语言-动作统一 · 当前主战场 🔥
▌L3 世界模型 · 在脑子里跑未来 · 前沿探索
🆚 物理模型 vs 世界模型（L3 深入）
L3 世界模型跟传统仿真（物理模型）是两个不同的"虚拟世界"路线。下图从 7 个维度对比，2025 趋势是神经+物理混合，两边各取所长。
- 物理模型擅长"已知物理规律 + 高精度仿真"，世界模型擅长"未知场景 + 数据驱动想象"
- 混合路线（神经+物理约束）正在成为主流：物理仿真器生成训练数据 → 世界模型学习动力学 → 决策规划
- 具身智能要落地，L3 不是单独一个模块，而是融合进 L2 决策（VLA + 世界模型）+ L4 控制（模型预测）
- 本系列 2.3 从 0 到 1 会再展开讲世界模型的工程实现（数据 / 算力 / 训练 pipeline）
🔧 控制频率分层（关键 takeaway）
力矩→位姿→语义→任务的四层金字塔
🎯 2025 标志性事件
π0 (2024-10)
Physical Intelligence 首个通用机器人基础模型
π0.5 (2025-04)
分层推理 + 多任务学习，估值 110 亿美元
UniVLA
统一视觉-语言-动作跨本体迁移
GigaWorld-0
世界模型 + VLA 融合第一波
银河通用
国内世界模型领跑
控制层 · L4 运动控制（决策 → 硬件的桥梁）
控制层是 L2 决策层（1.2 讲的 VLA / 世界模型）与 L5 硬件层（1.4 关节模组）之间的桥梁层。决策层给"意图"（如"右臂伸向杯子"），控制层把它翻译成"电机指令"（每个关节 1 kHz 的力矩 / 位置命令）。这是人形机器人"大脑"到"肌肉"的关键翻译官。
🎯 三大核心职责
1️⃣ 轨迹生成
把高层意图（动作 / 目标位姿）翻译成时间序列的关节角度 / 速度曲线（梯形 / S 曲线插值）
2️⃣ 反馈控制
实时修正跟踪误差：PID / 阻抗 / WBC / MPC，保证实际运动跟上规划轨迹
3️⃣ 安全保障
关节限位、碰撞检测、急停、力矩上限，防止机器人打自己 / 打人 / 打坏
🔧 4 大控制算法（详细对比）
| 算法 | 频率 | 适用场景 | 优势 | 劣势 |
|---|---|---|---|---|
| PID | 1 kHz+ | 单关节位置跟踪（基础） | 简单 · 稳定 · 易调参 | 不处理耦合（多关节需 26 个独立 PID） |
| 阻抗控制 | 500 - 1 kHz | 接触任务（装配 / 抓取 / 擦桌） | 顺应外力 · 安全 · 像弹簧 | 需要力矩传感器 · 需调刚度 / 阻尼 |
| WBC 全身控制 | 100 - 500 Hz | 多任务全身运动（一边走一边拿东西） | 统一优化 · 处理耦合 · 任务优先级 | 计算量大 · 需实时求解 QP |
| MPC 模型预测 | 50 - 200 Hz | 动态平衡 / 步态规划 / 接触切换 | 预测未来 · 显式约束 · 鲁棒 | 需要精确动力学模型 · 计算密集 |
📌 组合使用：MPC 算未来轨迹 → WBC 翻译成关节指令 → 位置环跟踪 → 力矩环驱动，是人形机器人事实标准栈
⚡ 控制频率分层（金字塔 · 跟决策层频率对比）
📌 每往上一层频率降 5-10 倍，延迟宽 5-10 倍。决策 1 秒 → 控制 1 毫秒，跨 1000 倍频率跨度，靠实时内核 + EtherCAT 通信撑住
📡 通信中间件（控制层主干）
| 协议 | 周期 | 带宽 | 适用 | 优劣 |
|---|---|---|---|---|
| EtherCAT | ≤ 1 ms | 100 Mbps | 人形机器人事实标准 | ✅ 实时 · 同步精度 1 μs · 26 关节轻松带 ❌ 需要专用主站硬件 |
| CAN FD | 500 μs | 5 Mbps | 传统工业 / 简化方案 | ✅ 便宜 · 稳定 · 调试工具成熟 ❌ 带宽有限 · 26 关节够用但余量小 |
| TSN 时间敏感网络 | ≤ 1 ms | 1 Gbps | 未来方向 | ✅ 以太网兼容 · 大带宽 · 多业务共网 ❌ 生态未成熟 · 成本高 |
📌 人形机器人标配：EtherCAT 主站 + 26 个关节伺服从站，1 ms 同步周期实测可靠（宇树 / 智元 / Figure 都用）
🏗️ 开源控制框架（工程师选型参考）
| 框架 | 语言 | 强项 | License | 典型用户 |
|---|---|---|---|---|
| Pinocchio | C++ / Python | 刚体动力学 · WBC · 快速 | BSD | 整个人形机器人圈的事实标准 |
| Drake | C++ / Python | MPC · 优化 · 仿真一体化 | BSD | MIT · TRI · 学界主流 |
| OCS2 | C++ | WBC + MPC · 腿足式 | BSD | ETH ASL · ANYbotics · 足式机器人主流 |
| MuJoCo MPC | C / Python | 基于物理仿真的 MPC · 高速 | Apache 2.0 | DeepMind · Google DeepMind |
| ROS 2 control | C++ | 通用框架 · 生态全 | Apache 2.0 | 不是实时控制首选 · 用于集成层 |
📌 选型建议：底层 WBC 用 Pinocchio，决策端用 ROS 2 通信，仿真端用 MuJoCo / Drake，三件套最常见
🔄 决策 → 控制 → 硬件 完整数据流
[决策层 1 Hz · 1.2] "右臂伸向桌子上的杯子 (x=0.5, y=0.3, z=0.2)" ↓ [轨迹生成 50 Hz] 26 关节角度序列 q(t) · 0-2 秒 S 曲线插值 ↓ [WBC 100 Hz] τ_task = J^T · F_task + (I - J^T·J̄^T)·τ_posture 任务空间力 → 关节力矩分配 · 处理冗余自由度 ↓ [位置环 500 Hz] τ = Kp·(q_target - q_actual) + Kd·(qdot_target - qdot_actual) + τ_ff ↓ [力矩环 1 kHz] i_q = (τ - τ_friction) / Kt · FOC 算法 ↓ [电机 10 kHz] PWM → 三相电流 → 电机转子 → 减速器 → 关节运动 ↺ [编码器 10 kHz] q_actual / qdot_actual → 回环到每一级
📌 5 级频率嵌套：每一级都是下一级的超集，编码器实时反馈把所有环闭起来。任何一个环出问题，整个机器人失控
- 桥梁角色：L2 决策给"意图"，L4 控制给"指令"，L5 硬件给"动作"。没有 L4，L2 的智能就是空中楼阁
- 5 级频率金字塔：1 Hz → 50 Hz → 500 Hz → 1 kHz → 10 kHz，每级 5-10 倍跨，靠实时内核 + EtherCAT 撑住
- 算法组合：PID 基础 + 阻抗安全 + WBC 多任务 + MPC 预测，四件套按场景组合，不是互斥
- 通信主干：EtherCAT 是事实标准，1 ms 同步周期，宇树 / 智元 / Figure 全用它
- 开源栈：Pinocchio（WBC）+ Drake/MPC（优化）+ MuJoCo（仿真）+ ROS 2（集成），四件套覆盖 90% 场景
- 本节是 L4 概览，L5 关节模组硬件级展开（电机/编码器/FOC 算法/BOM）由 1.4 + 2.2 详细论述
硬件与本体
硬件是机器人的"身体"，关节模组是核心，灵巧手是瓶颈。
🦴 整机复杂度天花板
| 部位 | DOF 数 | 说明 |
|---|---|---|
| 头颈 | 2 | 2 自由度颈部 |
| 躯干 | + 摆动腰 | 腰部 1-3 DOF（可选） |
| 双臂 | 7 × 2 = 14 | 含肩 3 + 肘 1 + 腕 3 |
| 双腿 | 6 × 2 = 12 | 髋 3 + 膝 1 + 踝 2 |
| 双手 | ~22 (×2) | 灵巧手 6-11 DOF/只 |
| 整机 DOF（不含手） | 28+ | 关节模组 BOM 占 35-45% |
| 整机 DOF（含手） | 50+ | 灵巧手 BOM 占 15-25% |
🔴 三大卡脖子部件（关键 takeaway）
1. 算力芯片
机器人 AI 算力芯片供应 + 国产替代。NVIDIA Thor / Jetson Orin vs 国产 NPU（地平线/瑞芯微/昇腾）
2. 视触觉传感器
高密度触觉感知 + 视觉融合。力矩/触觉是国产短板，依赖进口高端部件
3. 高速丝杠
直线关节模组核心部件，国产化突破中。丝杠占 BOM 5-15%（高端机型占比更高）
🤖 主流整机厂
国外
Tesla Optimus Gen 2/3 · Figure 02（已交付 BMW）· Boston Dynamics Atlas · 1X NEO · Sanctuary Phoenix
国内
宇树 G1（9.9 万）/ H1 · 智元灵犀 X1 / A2 · 银河通用 G1 · 加速进化 · 星动纪元 · ByteDance + 港大 GR-1/2
BOM 拆解
整机 BOM 50-70% 集中在关节模组 + 灵巧手两部分。
💰 整机 BOM 占比
| 部件族 | 占比 | 金额（万） | 关键 takeaway |
|---|---|---|---|
| 关节模组（28 个） | 35-45% | 10-25 | 占 BOM 最大头 |
| 灵巧手（2 只） | 15-25% | 5-12 | 降本是量产最大障碍 |
| 算力芯片（Thor/Orin） | 5-10% | 2-5 | 国产化加速 |
| 电池 + 电源 | 3-5% | 1-2 | 通用件 |
| 结构件（金属/塑料） | 10-15% | 3-6 | 国内代工强 |
| 感知（视觉/激光/IMU） | 5-8% | 2-4 | RealSense / Orbbec |
| 线缆/连接器/密封 | 3-5% | 1-2 | — |
| 整机 BOM 合计 | 100% | 25-40 万 | 零售 30-100 万，毛利 30-50% |
🎯 单关节 BOM 拆解（关键 takeaway）
| 大件 | 占单关节 BOM | 路线差异 |
|---|---|---|
| 减速器 | 5-40% | R1 高减速比（谐波 40%）vs R2 准直驱（5%） |
| 电机 | 20-55% | R2 准直驱电机占 55% 主导 |
| 驱动板 | 11-17% | R3 行星占 17% 偏高 |
| 力矩传感器 | 8-13% | 协作机器人必备 |
| 编码器 | 8-12% | R3 行星占 12% |
| 轴承/外壳/密封 | 7-12% | 通用件 |
供应链全景
中国制造在材料/电机/减速器/代工强；力觉/触觉/算力芯片国产化率仍偏低。
📊 上中下游格局
🔧 上游（材料/零部件）
稀土永磁 / 无框力矩电机 / 谐波减速器 / 力矩传感器 / 编码器。国产替代加速，但高端依赖进口
⚙️ 中游（核心部件）
关节模组集成 / 灵巧手 / 算力芯片 / 感知模块。整机厂 + 第三方供应商并行
🤖 下游（整机厂）
人形/双足整机 · 工业臂 · 复合机器人。宇树/智元/Figure/Tesla 等 30+ 厂商
📊 国产化率参考（关键 takeaway）
| 部件 | 国产化率 | 国产代表 | 进口主要 |
|---|---|---|---|
| 谐波减速器 | ~38% | 绿的（首位）/ 来福 / 大族 | 哈默纳科 / 新宝 |
| 无框力矩电机 | 替代加速 | 科尔摩根国产线 / 步科 / 雷赛智能 | 科尔摩根（美）/ Maxon（德）/ Faulhaber（德） |
| 力矩传感器 | 低端国产 · 高端依赖进口 | 坤维 / 海伯森 / 蓝点触控 | ATI（美）/ OnRobot（丹） |
| 编码器 | 低端国产 · 17+bit 依赖进口 | 禹衡光学 / 长春光机所 | 多摩川（日）/ 海德汉（德）/ Renishaw（英） |
| 算力芯片 | 国产 NPU 替代加速 | 地平线 / 瑞芯微 / 昇腾 / 寒武纪 | NVIDIA Jetson / Thor（H20 已禁运） |
| 稀土永磁 | 全球 ~70% 中国 | 中科三环 / 宁波韵升 / 金力永磁 | — |