中泰证券人形机器人深度报告指出，硬件端产能充足已不是制约因素，软件算法迭代是推动人形机器人功能提升和应用场景拓展的关键。大脑端（环境感知和智能交互）受益于FSD与LLM发展已相对成熟；小脑端（运动控制）发展较为初期，核心制约因素为数据采集不足和上肢精细运动尚未有统一底层算法。2025年，数据采集设备与运动控制算法有望成为产品力突破的核心方向。

人形机器人软件分为大脑和小脑两大模块。大脑主要负责环境感知和智能交互，其底层算法分别是FSD（特斯拉全自动驾驶系统）和LLM（大语言模型）及其延伸的大模型。大脑端伴随智能驾驶与大模型进展持续迭代，发展已相对成熟，特斯拉FSD系统已有海量数据储备，可节省大量人形机器人开发前期费用。小脑负责运动控制，其发展较为初期，核心制约因素有两个：一是数据采集——相较于大模型发展拥有海量数据输入，机器人训练数据集十分有限，真实人类运动数据的采集效率和成本是核心瓶颈；二是上肢运控底层算法——精细动作尚未有统一底层算法。在下肢运动中，可以设置“不摔倒、走得快”等作为奖励函数进行强化学习，且身体运动容错空间相对高；但精细操作中不同任务对应不同奖励函数，无法设置统一奖励函数进行强化学习，因此目前尚未有统一的底层算法。常用的上肢精细运动底层算法有生成式模仿学习、大模型prompt规划、世界模型等。

人形机器人数据采集主要分为真实人类数据采集及数字孪生两类，一般需要两者结合——先在孪生环境中将真实数据进行倍增跑通基础模型，再通过sim to real迁移学习叠加真实人类运动数据采集，完成一套动作学习。真实数据采集工具包含Vision Pro、动捕装置等。动作捕捉按技术原理主要分为光学式和惯性式两类。光学动捕通过摄像头捕捉标记点位置和运动，精度高、适用于上肢精细运动捕捉，但对环境要求高（特定光线、无反光干扰）、设备复杂、成本较高；惯性动捕通过惯性传感器（加速度计、陀螺仪）测量运动，实时性好、延迟极低、环境要求低、设备简单、便携性好，适用于全身运动捕捉，但可能随时间累积误差。国内各大人形机器人本体厂均采用光学动捕与惯性动捕结合的方式进行数据采集。动捕设备相关公司包括：凌云光（全资子公司元睿视界推出FZmotion，已服务宇树科技）、诺亦腾（奥飞娱乐投资，与NVIDIA Isaac合作，产品用于智元机器人、千寻智能）、利亚德（旗下虚拟动点，积累海量动作数据，与松延动力合作成立“具身智能机器人联合实验室”）、天娱数科（投资银牛微电子、芯明智能，子公司智境云创与西安交大共建空间智能研究中心）。

下肢运动控制的统一底层算法是Isaac Gym+强化学习。因为在下肢运动中，可以设置“不摔倒、走得快”等作为奖励函数来强化学习，而且身体运动容错空间相对高，目前下肢运动控制已较为成熟。上肢精细动作尚未有统一的底层算法——因为精细操作中不同任务对应不同的奖励函数，无法设置统一的奖励函数进行强化学习，导致目前不同本体厂在精细操作上表现差异显著。上肢运控底层算法方向包括：生成式模仿学习（通过观察人类演示学习动作策略）、大模型prompt规划（通过自然语言指令分解任务步骤）、世界模型（预测动作结果并优化策略）。国内供应商可以切入的领域为运动控制器。固高科技专注于运动控制及智能制造核心技术研发，形成了运动控制、伺服驱动、多维感知等自主可控技术体系；雷赛智能24年11月计划投资不低于5亿元建设华南区总部及人形机器人核心零部件研发智造基地；禾川科技以伺服系统与PLC为核心，人形机器人本体“游龙1号”90%零部件自制。

2025年人形机器人产业量产角度，数据采集和运动控制算法是核心关注方向。数据采集端，随着各本体厂量产规模扩大，对动捕设备的需求将持续增长，凌云光、诺亦腾、利亚德、天娱数科等动捕设备相关公司有望受益。运动控制端，下肢运动已有统一底层算法（Isaac Gym+强化学习），上肢精细运动控制是下一步突破方向，固高科技、雷赛智能、禾川科技等运动控制器公司有望切入供应链。软件迭代将直接提升人形机器人的产品力——从目前只能完成简单任务到未来能够执行复杂精细操作，应用场景从工业制造向家庭服务、医疗护理等C端场景拓展，打开更大的市场空间。

光学动捕与惯性动捕技术对比

特性	光学动捕	惯性动捕
原理	摄像头捕捉标记点或物体位置运动	惯性传感器（加速度计、陀螺仪）测量运动
精度	高精度，静态环境下精度较高	可能随时间累积误差
实时性	实时性较好，但可能受处理速度影响	实时性非常好，延迟极低
环境要求	需要特定环境（光线、无反光干扰）	对环境要求低，可在各种环境使用
成本	成本较高（尤其是高精度系统）	成本相对较低
便携性	便携性差，安装校准复杂	便携性好，易于携带和安装
适用场景	上肢等精细运动捕捉	全身运动捕捉