人形机器人市场分析

人形机器人市场分析

技术革新+巨头入局+政策激励，多维度催化人形机器人落地

技术进步+巨头入局+政策激励加速2023年人形机器人产业发展.

2023年ChatGPT等大语言模型超预期发展，增强人形机器人交互

能力，拓宽其应用领域；硬件方面，特斯拉等科技公司纷纷入局，有

望加快产业链技术进步。我们认为人形双足机器人为通用机器人的最

优解，因为人类社会的种种事物都按照人类的生理结构进行设计，贴

近人类形态的双足机器人更能适应种类多样的任务，达到通用的目的,

隐形成本较小。随着科技龙头入局、ChatGPT等AI技术力口速、相关

政策密集落地，作为“具身智能”理想载体的人形机器人在多种因素的

推动下有望快速发展。

大模型帮助机器人思考学习，推动具身智能发展。英伟达创始人兼

CEO黄仁勋在ITFWorld2023半导体大会上表示，AI下一个浪潮将

是“具身智能”，即能够理解、推理物理世界并与物理世界互动的智能

系统。微软、Google.英伟达等大厂均积极开展具身智能相关研究。

微软基于ChatGPT的强大自然语言理解和推理能力生成控制机器人

的相关代码；英伟达VIMA基于T5模型，将文本和多模态输入交错

融合，结合历史信息预测机器人的下一步行动动作；英伟达

OPTIMUS使用任务运动规划器来自动生成足够的机器人轨迹数据，

然后训练Transformer视觉■运动策略，进而预测机器人动作；谷歌

RT-2则通过VLM与机器人数据的结合，赋予机器人语义理解和基本

推理能力。大模型不断进步提升人形机器人交互能力，推动具身智能

发展。

特斯拉机器人快速迭代，24年有望在工厂投入使用。2021年特斯拉

在AIDay上首次提出其人形机器人Optimus的渲染图;2022年AIDay

上，特斯拉推出原型机，在没有外接线缆的情况下实现了缓慢行走与

挥手；2023年5月股东大会上，特斯拉人形机器人已经可以实现流

畅的行走与抓取物品，灵活度较原型机大大提高。2023年7月20

日，马斯克表示，目前特斯拉人形机器人擎天柱的制造数量为10台

左右，将会在2023年11月左右对特斯拉自己设计的执行器进行行

走等测试，明年人形机器人有望率先在内部工厂投入使用。在应用场

景方面，除了工厂以外,公司还考虑将人形机器人与Neuralink结合，

为残障人士提供义歧应用场景有望不断拓展。

多方玩家布局人形机器人，百舸争流加快硬件变革。除特斯拉外，国

内外多家公司积极所发人形机器人并取得快速进步。2019年波士顿

动力机器人Atlas掌握“体操”技巧，能够连续的跳跃、翻滚；2022年

8月，小米发布人形机器人"Cyberone"；2023年4月1/technologies

机器人EVE应用于美国和欧洲部分地区的商业场景；优必选、傅利

叶所生产机器人都具备行走，与人协同完成动作等功能；三星宣布将

于2023年10月阐述其“Semicon人形机器人”计划。各高校实验室也

在积极尝试各种技术路径研发人形机器人，清华大学交叉信息研究院

陈建宇团队机器人“小星”采用准直驱力控方案，可完成多种动作。多

方玩家并驱争先，有望加速人形机器人硬件升级。

■Alt/”•・夫•舄人

OpamuB供.力*0.#庖&■***

小公Cytetont♦侑.—人

Atetn<.

AgtryRoMcsw”■今收♦八包II.”*・

1XtochnologmEVE♦«.，成・■4♦・UKAI

ArtsAmeca与人，蒙・，•・«•・“♦•.▲蜡♦什文渡：AK.“冷・af

WaftwX・•金”•&q・9/・睁■・©・U-SLAM«*<.It

■，力FourwrGRd，战■然.Q«XT«.■纣”，♦■・•FUtXA.

AI.««.

CloudGng*20tRitfAM*t.

一人A.

政策密集出台，加速人形机器人产业化进程。2023年6月28日，北

京印发《北京市机器人产业创新发展行动方案（2023-2025年）》,

强调要对标国际领先人形机器人产品，支持企业和高校院所开展人形

机器人研发和工程化，目标在2025年前实现百台（套）级人形机器

人原型机的生产，并在3・4个典型场景中开展示范性应用。十四五以

来，中央和地方陆续推出支持人形机器人产业发展的政策，如《"十

四五”机器人产业发展规划》、《“机器人”应用行动实施方案》、《山

东省制造业创新能力提升三年行动计划（2023-2025年）》、《深圳

市加快推动人工智能高质量发展高水平应用行动方案（2023-2024

年）》等。多地利好政策有望推动人形机器人加快工程化和产业化。

决策层：大模型赋予机器人“大脑”，具身智能迎来曙光

大模型使机器人理解自然语言，增强泛化能力

大模型为机器人装上“大脑”，提升其理解能力与泛化能力。谷歌

DeepMind于2023年7月28日推出全球首个控制机器人的视觉■语

言■动作（VLA）模型RT-2；斯坦福大学李飞飞教授研究团队于2023

年7月12日推出VoxPoser,通过大语言模型加视觉语言模型指导

机器人行动。搭载此类模型的机器人可以像ChatGPT一样被操纵,

种任务，并且涌现出了4种行为能力，可以自主分步完成任务，掌握

评估方法，根据最新要求做出判断进而调整输出动作。

RT-2泛化能力还体现在其思维链（CoT）助其进行多阶段语义推理，

完成更复杂任务°DeepMind研究团队展示了将思维链推理纳入RT-2

中使其能够进行多阶段语义推理，他们用少量的“增强”数据微调一个

RT・2・PaLM・E变种,增强数据中加入了“Plan”步骤，使得VLM首先

用自然语言描述机器人将要采取的动作的目的，然后再给出预测的机

器人动作标记。例如：“指示：我饿了。计划：选择rxbar巧克力,行

动：1128124136121158111255。”通过实验结果可以观察到,具有

思维链推理的RT-2能够回答更复杂的命令。

决策结果到运动控制映射方式改变，机器人实现“手脑协调”

此前大模型产出的策略需要借助低级别策咯或API才能完成对机器

人的运动控制。视觉语言模型生成的结果到机器人动作的映射方式，

主要取决于该预测结果的层级。之前模型中预测结果处于高级别设计

层级：以GooglePaLM-E和微软ChatGPTforRobotics为例，PaLM-E

实现了对具身任务的决策方案预测，但不涉及机器人动作的实际控制,

需要依赖低级别的现成策略或规划器来将决策方案“翻译”为机器人

动作。微软默认提供控制机器人的低层级API,ChatGPT输出是更

高层级的代码，需调用到机器人低层级的库或API,从而实现对机器

人动作的映射和控制。RT-2和VoxPoser预测结果已经到了低级别

动作层级，不需要再经过复杂的翻译即可将高层级设计映射到低层级

动作。

RT-2输出字符串可直接对应到机器人的坐标、旋转角等信息。RT-2

动作控制采用的方法是将机器人动作表示为另一种语言，即文本

token,并与Web规模的视觉■语言数据集一起训练。代表机器人动

作的文本字符串可以是机器人动作token编号的序列，例如

ri128912415101127217J,该字符串以一个标志开始，该标志指

示机器人是继续还是终止当前情节，然后机器人根据指示改变末端执

行器的位置和旋转以及机器人抓手等命令。由于动作被表示为文本字

符串，因此机器人执行动作命令就像执行字符串命令一样简单。这种

表示方式允许谷歌对现有的视觉-语言模型进行微调，并将其转换为

视觉■语言■动作模型。

Voxposer规划结果直接为机器人运行轨迹。Voxposer的动作控制实

现过程是首先给定环境信息（用相机采集RGB-D图像）和自然语言

指令，之后LLM（大语言模型）根据这些内容编写代码，所生成代

码与VLM（视觉语言模型）进行交互，指导系统生成相应的操作指

示地图（3DValueMap）,之后动作规划器将生成的3D地图作为目

标函数，直接合成最终操作轨迹。在用LLM和VLM将语言指令映射

为3D地图的过程中，系统利用“感兴趣的实体（entityofinterest）”来

引导机器人进行操作，也就是通过3DValueMap中标记的值来反应

哪个物体是对它具有“吸引力”的，哪些物体是具有“排斥性”，比如在

打开抽屉的例子中，抽屉就是“吸引”的，花瓶是“排斥”的。

感知层：聚焦力传感器应用，机器人知“轻重”懂交互

人形机器人需借助多种传感器识别自身运动状态和环境状况，收集多

模态数据以供交互。具身智能重点在于具有身体体验的能力，与环境

交互获得视、听、触觉等多模态数据再做出反应，需要模型与传感器

等硬件相互配合。李飞飞教授团队在介绍Voxposer的论文中提到，

具身智能依赖于外部感知模块，在需要整体视觉推理或理解细粒度物

体几何形状的任务中具有局限性，需要更高级的视觉传感器或其他传

感方式。因此人形机器人产业化不仅需要大模型完成决策，还需要传

感器等硬件不断升级进行配合，提供多模态数据。

S4L18：多“传感R♦动A彩机M人祝别2分的送动代合/坏垸状况

传奏作用

**视觉伶感JS视觉改便.

麦包凤停当26遗fti♦♦文互

红外相“枭笈外体感2s感加物体令4

M近传亳③整/攻学道/TOF用来淘期

光电钎美及区力井累AM5婚乂&

内部4度伶亳4R淘注度.♦幼教嬉

X度、区力传离B检洲机名人体极

IMU惯值导新桂11平的“稳定疗々的美KfliftB.柒型IMU伶53有三”如途从计.三“陀螺伐.

力拉传感d及"力校遣这14件感衣木心力传感看占用见底.龈公校依可保谴事公功能

力ti检洲疆力.”曼号.

关节力控检制关节⑵出U坯

六维力/关节扭矩传感器为力控核心，使人形机器人知“轻重”

力传感发展仍处初期，六维力传感器和关节扭矩传感器是核心。在机

器人多种感知中，力觉感知及对应的力传感器发展较慢，但其在人形

机器人的运动控制中起重要作用，可以增强机器人本体感知及获取环

境物理信息的能力。力传感器是人形机器人感测力和力矩信息的主流

选择，可协助机器人完成精细和智能的操作任务。人形机器人力感知

主要包括两种模式，一种使用末端的六维力传感器，一种使用关节扭

矩传感器。人形机器人旋转、线性执行结构类似于人类关节，对于力

的感知相对简单，可采用关节扭矩传感器；而对于人形机器人末端执

行器（如腕部、踝部）在执行操作的过程中，力的方向和作用点都在

三维空间内随机变化，测量需要精确处理，六维力传感器更符合需求。

六维力传感器精度高、获取力信息最全面。六维力传感器是一类可以

同时检测X、丫、Z三轴方向的力和绕三个坐标轴方向的力矩的传感

器，目前已应用于协作机器人和康复医疗机器人中，可以增强机器人

与人协同的安全性。六维力传感器测量维度最高，可以提供最全面的

力觉信息，其具有高精度、高灵敏度、快速响应、高耐用性和可靠性

的特点，可以轻松检测到微小的力的变化，实时记录和传输数据，满

足各种应用的需求。相较于三维力传感器，六维力传感器适用于力的

作用点离传感器标定参考点距离较远，且随机变化，测量精度要求较

高的情况。同时机器人可以利用获得的力矩信息推算受力部件的姿态,

监测力矩是否在安全范围内，有效避免传感器的过载损坏。

六维力传感器主要用于人形机器人腕部及踝部。六维力传感器可装载

于机器人的腕部、踝部等核心关节处，让机器人知“轻重”、懂交互，

真正实现类人的运动能力。双足机器人由于有脚掌的存在，其在落足

时会产生力矩，测量该力矩的大小和方向是运动控制中的重要一环。

六维力传感器可搭或于双足机器人脚踝处，测量各方向的力和力矩，

并由控制器通过分析传感器输出的各维度数据，得出落脚时的受力状

态，从而对机器人姿态进行调整。六维力传感器还适用于人形机器人

手腕关节处，机械手在执行抓取或装配工作时，会受到各方向的力，

有六维力传感器作为感知元件，机器人才能精准执行这些工作，甚至

做到“穿针引线，

关节扭矩传感器增强机器人本体感知。关节扭矩传感器将扭转力矩引

起的物理变化转换成精确的电信号，从而形成对机器人单关节力矩的

测量和记录。机器人本体感知依赖关节扭矩传感器感测各个关节扭力,

获得各个部位受力情况，提供机器人整体的姿态及位置信息。关节扭

矩传感器可以实时反馈高质量扭矩信号，迅速识别接触并立即降低力

和速度，因为该传感器距离电机较近，避免了机器人机械本体动态特

性的干扰，带宽更高，动态响应更快。关节扭矩传感器本质测量一维

力，但要抵抗五维力的干扰，抗干扰能力要求高。

高价值高壁垒，六维力传感器面临动静态特性及解耦问题

进口六维力传感器价格昂贵，国内外产品在多方面仍存在差距。2022

年，在接受高工机器人采访时，坤维科技创始人熊琳表示：“一台高

性能的进口力传感器的价格顶得上国内一台协作机器人的价格，导致

国内机器人行业用不起，加之标校能力和生产方式等多方面的约束，

国内多数六维力传感器厂商无法满足产能需求，阻碍了第三代工业机

器人的发展。”高性能六维传感器价格从几千到上万不等，价值量较

高。国内参与者主要是鑫精诚、宇立仪器（安川电机、KUKA、ABB

的力传感器合作商）、坤维科技（供货给节卡、遨博、睿尔曼、大族

等国内协作机器人厂商），但国产六维力传感器与外资主流传感器在

灵敏度、串扰、抗过载能力及维间耦合误差等方面仍存在差距。

应变片式为当前六维力传感器主流，硅应变传感器在稳定性、信噪比、

刚度方面表现较好。根据GGIL六维力传感器根据传感元件的不同

主要分为三种基本类型：应变片式、光学式以及压电/电容式。应变

片式可分为金属电阻应变片和硅应变片，当基体受力发生应力变化时,

应变片也一起产生变形，使应变片的阻值发生变化。压电/电容式中，

电容是通过极距的变化导致电压变化，压电则是通过形变改变电荷。

光学式则通常使用光栅或其他光纤技术检测光功率并将其转换为电

能。目前市场应用的大部分是基于应变片式的测量，其具有灵敏度高、

测量范围大、可靠性高、技术成熟等优点。其中硅应变传感器在稳定

性、信噪比、刚度方面有比较优势。

应变片式传感器的弹性体结构是关键，一体化和Stewart并联为主流。

应变片式六维力传感器的弹性体结构设计是核心问题，传感器的结构

受到其应用场合的限制，而力敏感元件的形式和布置直接影响传感器

的灵敏度、刚度、动态性能、维间耦合等，很大程度上决定传感器性

能的优劣。六维力传感器的典型结构设计主要是一体化结构（竖梁、

横梁）和Stewart并联结构。以Waston腕力传感器为典型代表的竖

梁结构横向效应好、结构简单、承载能力强，但竖向效应差、维间干

扰大、灵敏度较低；十字横梁结构灵敏度高、易加工，易于标定，但

存在维间耦合和径向效应；Stewart平台中弹性体采用复合式结构，

该类传感器具有结构紧凑、承载能力强、俣差不累积等优点。

六维力传感器选型难度大，技术难点集中于保持优良的静态性能、动

态性能和低维间耦合。六维力传感器选型难点在于应用多样性、复杂

性。由于传感器量程和精度成反比关系，选择合适量程的传感器才能

使精度达到最大；同时在复杂应用场景下，传感器本体是否能适应应

用场景也需要考虑；此外还要综合考虑精密机构当中的传感器如何安

装在狭小空间内，如何与机构融为一体等问题。六维力传感器选型四

个核心步骤为确定量程需求——确定使用环境——确定机械出线需

求——确定通讯方式。六维力矩传感器技术难点集中于需兼顾优良的

静态性能、动态性能和低维间耦合。未来六维力矩传感器需要六维联

合加载标定设备等先进仪器、动态特性优化和矢量运算中的解耦算法

解决技术难点。

难点一：六维力传感器非线性特性显著，需要更为复杂的六维联合加

载标定。标定是指通过加载理论值的载荷并同时记录传感器输出的对

应原始信号的方式，获得六维力传感器内部算法的各个参数，建立传

感器原始信号和受力之间的映射关系。标定解耦是六维力传感器提高

精度的主要方法，因此标定工作在传感器的研发过程中扮演着重要角

色。现有标定装置存在较多局限性，如加载载荷有限、无法进行复合

加载、无法加载所有维度正负方向、维间耦合较大等。这些局限性因

素限制了六维力传感器标定的有效性，影响其最终使用精度，只有采

用六维力联合加载标定，才能使传感器的准度更好、串扰更低。

难点二：实际应用条件复杂，动态性能优化算法仍需提升。六维力传

感器使机器人实现柔顺化、智能化控制，因此在动载荷下性能指标要

求更高。在实际的力/力矩测量过程中，被测信号大多是动态信号，

如机器人打磨抛光时的接触力、物体高速运动过程中的称重和炮弹发

射过程时的后座力等，这些信号属于快速时变信号，动态性能较差的

传感器跟踪测量这些信号难度较大。且当前动态性能的分析方法很难

获得完全意义的冲击信号和阶跃信号，造成感应系统的精度下降。当

前业界主要使用优化自身结构、形状等方法提高动态性能，国内外学

者还尝试利用动态补偿滤波器、遗传算法、神经网络算法等智能算法

来提高传感器的动态性能。

难点三：维间耦合问题无法彻底避免，解耦算法纷繁复杂。理想的六

维力传感器，每一方向输出通道的电压值仅取决于该方向作用力/力

矩的大小，与其余五个方向作用力/力矩大小无关。但是由于传感器

的结构设计、机械加工的精度、贴片技术、应变片横向效应与检测方

式等方面的原因，几乎每一维作用到传感器上的力/力矩分量都会对

传感器的各路输出信号产生影响，造成维间耦合问题。因此需要解耦

算法来对六维力传感器的输出进行解耦，消除维间干扰，提高传感器

的测量精度。但当前对于多维力传感器的解耦问题并没有统一的处理

方法，需根据实际情况及传感器结构进行选择和优化。

六维力传感器+本体感知带来机器人手部物品姿态估计新解法

位姿估计是机器人领域重要问题，特殊环境下视觉反馈算法估计物品

姿态可靠性较差。早期位姿估计算法包括模板匹配和特征点检测，前

者预构建目标位姿模板库，检索得到最相似模板图像对应位姿；后者

提取目标二维图像特征，构建关键点匹配后使用N点透视法解算。

这两种方法依赖物体表面颜色纹理，受环境因素影响大。之后三维相

机在机器人视觉领域得到应用，引入场景三维几何信息提高目标位姿

估计精度，但其需要人工设计图像特征提取方式，泛化性能差。近期

PoseCNN构建卷积神经网络自动提取图像特征，采用端到端的方式

回归物体三维位姿，但总体来看基于视觉系统的位姿估计算法应用场

景受到较大限制，在视觉被阻碍的环境中（狭窄空间进行精细装配或

操作）估计结果可靠性较差。

六维力传感器搭配本体感知提供机器人手部物品姿态估计新解法。

2023年7月，RSS会议上刊登了机器人感知手部物品姿态解决方案

的论文，密歇根大学机器人系的AndreaSipos和NimaFazeli利用

机器人本体感知（自身关节处扭矩传感器的感知反馈）以及手腕上六

维力传感器的触觉反馈，并使用接触粒子滤波器算法，定位接触位置

并估计物体姿态，简称SCOPE,该方法可精确的完成接触位置的确

定和物体姿态的估计，有望推动人形机器人的位姿估计能力。

SCOPE可精准确定接触位置，快速迭代估计物体姿态。SCOPE方

法是在接收到六维力传感器和关节扭矩传感器的信号数据后，使用接

触粒子滤波器处理，完成物体姿态识别。上述论文中的实验选用来源

于德国宇航局的FrankaEmikaPanda机器人，其是一款高性能七轴

协作机器人，每个关节都配有扭矩传感器，力控性能在同类型机器人

里面处于领先地位，手腕的六维力传感器则是美国企业ATI生产。在

估计过程中虽然初始分布有较大的误差和高方差，但SCOPE可以在

短短几次迭代中以低方差估计物体姿态。并且实验发现，即使对十较

小的，非凸形状的工具，SCOPE方法依然可以给出较为精确的姿态

估计结果。

图表41:SCOPE选取合理的抓取接触位*（下三图）

使用接触粒子滤波器算法进行采样定位，提供准确力信息。现有的物

体姿态估计信号处理算法可以分为三大类：几何匹配、概率方法和机

器学习方法。目前主流方法是使用概率方法（粒子过滤器、SLAM和

蒙特卡洛方法等）来估计物体的姿势，其中粒子滤波器所需计算量小，

且在非线性情况下表现较好，常被用于定位、跟踪物体等问题。Sipos

和Fazeli使用了两个互补的接触粒子滤波器（ContactParticleFilter）：

一个用于估计接触位置，另一个用于估计物体姿态，都是在接收到关

节处扭矩传感器和手腕处六维力传感器的信号后进行概率分布的计

算更新，帮助去除来自环境的噪声和不确定性，得到更准确和可靠的

接触力信息。

MultiSCOPE实现多个接触跨物体姿态估计，助力机器人使用人类工

具。Sipos和Fazeli进一步于2023年6月提出MultiSCOPE,该方

法使用本体感知和手腕处六维力传感同时估计两个物体在未知配置

情况下被两个协同手臂抓取的姿态。该方法由单个物体的感知扩展到

多接触的交互，实现了跨动作的物体姿态估计。在该实验中机器人手

持扳手可以拧动一个螺钉，即机器人既可以感受到直接接触的扳手形

态，又可以通过扳手和另一只手臂上的力传感器感受到螺钉的状态变

化，估计两个抓取物体的姿态，从而完成多任务。该实验的成功使机

器人具备多物体的感知能力，有助于机器人操作人类工具完成多项任

务，提高人形机器人多场景下的通用性。

六维力传感器+本体感知技术使姿态估计向多模态+高效连续性发展。

基于六维力传感器和本体感知的物体姿态估计技术为机器人感知并

抓取物体提供了新解法。该方法可与其他方法完成多模态互补，在无

遮挡场景中，视觉感知方法可以与SCOPE共同使用以提高性能：比

如机器人可以使用视觉反馈来初始化作用域和初步识别，提高感知效

率。SCOPE技术未来的发展方向也会集中于减少收敛到准确的物体

姿态估计所需的动作数量和连续的下一步动作选择算法，以提高机器

人抓取物体的连续性和高效性。SCOPE与六维力传感器的结合有望

加快人形机器人实际应用。

执行层：刚性驱动器方案成熟，准直驱方案渗透率有望提高

特斯拉采用成熟的刚性驱动器方案，未来准直驱方案渗透率有望提高。

机器人关节驱动器按动力来源可以分为液压、气动、电驱等。液压虽

然功率高，但可靠性和精度低，噪音大，成本高；气动柔顺性好，安

全性高，但精度差，时滞高。电驱因其精度、安静、高效方面的优势

逐渐成为主流，其经过30多年的发展，经历了从刚性驱动器、弹性

驱动器到准直驱驱动器的过程。特斯拉采用的是戢早推出，也是相对

成熟的刚性驱动器方案。如果电机和减速器性能没有大幅提升的情况

下，在双足机器人领域刚性驱动器将会逐步被取代。近几年新兴的准

直驱驱动器技术发展迅速，未来有望替代传统的刚性驱动器。

刚性驱动器技术相对成熟，整体设计较难创新。1983年，早稻田大

学研究出刚性驱动器(TSA),自此TSA在双足仿人机器人上广泛

应用。结构上，TSA是常规无刷电机驱动高传动比减速器，有些在

电机端增加刹车，在减速器和输出端增加高刚性力矩传感器。力矩测

量上，TSA是基于电流或应变片式力矩传感器。控制上，TSA控制

简单，精度高。功率和效率方面，TSA无功率可调，效率较低，安

全性较差。TSA整体设计方面已经较难有创新，在合适工作区间内

的最大输出功率密度只能到200-300W/kg,远没有达到动物肌肉的

500W/kg,同时也解决不了机器人受外部冲击时零部件强度问题，目

前的研究集中在优化设计上。

弹性驱动器技术路线多样，多数结构和控制复杂。动物利用刚柔并济

的肌肉骨骼系统在运动过程中储存和释放能量，调节能量在时间和功

率密度上的不匹配，提高关节爆发力，同时能够实现落地缓冲。1995

年，MIT推出弹性驱动器来模拟肌肉系统功能，使关节表现出柔顺、

安全和高能量效率特性，目前已演化出SEA、PEA、CEA和MEA

多种结构。弹性驱动器多在刚性执行器的基础上串联或并联弹性体。

力矩测量上与刚性传感器较为类似。控制上，多数弹性驱动器方案结

构与控制复杂，精度一般。综合来看，由于弹性体引入，系统为欠驱

动，给控制带来了难度，尤其在机器人腿部使用，机器人整机的运动

控制比较难实现。

准直驱驱动器是新兴技术，编码器和电机功率密度为其主攻方向。受

限于工艺和技术，电机直驱的扭矩密度不能满足机器人应用的需求,

因此，2016年Wensing等推出准直驱驱动器（PA）,