服務機器人產業鏈機會點在哪裡？
在回答產業鏈機會點在哪這個問題之前，我們先來看看服務機器人市場現狀如何？
服務機器人市場概況
市場規模：根據IFR預測，全球工業機器人2016-2019年市場容量為140萬台，而服務機器人則高達4230萬台。其中4200萬台為居家類服務機器人。預計到2019年市場規模達151.9億元。
市場現狀：
1）服務機器人市場尚處於探索期，市場成熟度低於工業機器人
主要原因在於關鍵性的人機交互技術不成熟，具備人工智慧的機器人實際上是人工智障，難以滿足用戶的真需求，解決用戶的痛點。消費者對於服務機器人的態度是可有有無而非必須擁有。
2）工具類機器人市場先於交互型機器人
服務機器人最先落地的品類有掃地機器人，AGV機器人，工具屬性越強的品類越易落地。而主打人機交互功能的家庭教育機器人、家庭陪護機器人、智能助理等尚處於探索期，在細分場景里為某個需求定製化的產品有機會落地，比如早教機器人。
3）受限於語義理解技術的不成熟，交互型機器人短期難以大規模落地
4）相較於工業機器人被上游核心零部件技術所限制，服務機器人最需要解決的是找到合適的下游落地場景
市場驅動力：
1）適齡勞動力持續下降，勞動力成本逐漸升高，工具類機器人可替代人力，節省勞動力成本
2）政策的積極導向
2016年4月6日三部委近聯合印發了《機器人產業發展規劃（ 2016 -2020 年）》，《規劃》指出，到2020年，自主品牌工業機器人產量達到10萬台，同時服務機器人年銷售收入超過300億。
3）下游需求的豐富，老齡化社會和殘疾人服務對機器的市場需求、教育的需求、日常生活娛樂的需求
4）產業鏈的快速發展，在政策和需求的刺激下，整個產業鏈在產業規模、創新力度和人員素質上等多方面都有所提升
多項軟硬體技術協同發展，晶元技術和計算機技術的發展促進了感測器和人工智慧的發展。基於一系列感測器、存儲器、通訊模塊、晶元等硬體系統，並搭載融合了演算法模型、資料庫且具備一定計算力的軟體系統，最終形成了具備導航避障、圖像識別、自然語言處理，甚至包括精準營銷、決策支持等在內的可與人類交互並提供服務的一系列功能。
從市場現狀不難看出，服務機器人產業大有機會
服務機器人產業鏈分析
1）服務機器人分類：服務機器人可分為專業服務機器人和家用服務機器人，其中家用服務機器人包括家庭陪護機器人、家庭娛樂機器人、家政服務機器人。專業服務機器人包括特種機器人、農業機器人、醫療機器人等。
2）產業鏈拆分：產業鏈上游是元器件廠商，包括晶元、激光雷達、舵機等，這些廠商是典型的技術驅動型，並且如果中下游出現快速爆發，則產能可能成為制約因素；中游包括語音提供商和圖像提供商，這個版塊相對比較獨立，數據和演算法是其核心競爭力，中游產品板塊包括從設計、加工一直到營銷，品牌、渠道和產能是其核心壁壘，如果做產品的公司能夠通過操作系統建立起生態圈，將成為其重要壁壘，中游的語音圖像板塊和做產品的板塊通過虛擬和實體向下游各個場景的消費和流通環節進行滲透，各個場景按照產業化的難易程度進行產品的迭代放量，成為中上游的強力引擎。
上游的零部件廠商如晶元、激光雷達、舵機等，擁有核心的技術，佔據價值鏈的主要部分，中游語音和圖像公司的AI模塊，是目前學術研究和初創公司搶佔的熱點，也佔據重要價值，而產品板塊的公司目前的壁壘在於品牌、渠道、產能，未來的壁壘在於生態圈的建立。
3）服務機器人產業成長邏輯：核心技術突破，產品迭代放量，成本大幅降低，之後大規模擴張。而平台級公司和應用級公司是行業的兩條平行主體。
平台級的公司以技術和成本為核心。包括語音、圖像識別公司，核心在於提高其AI水平，核心零部件公司如晶元、激光雷達公司等，核心在於提高其性能和降低其成本，而操作系統公司將入口介面統一併且易開發是其主要任務。為應對多元化的應用場景，這類平台級的公司面臨的問題就是核心技術的快速提高，各種不同平台和場景的兼容或者說迅速應用。應用級的公司以場景實現為核心。是基於特定細分市場實現的，如掃地機器人、陪護機器人、教育機器人、人形機器人、導購機器人等。這些領域的公司，將結合相關的產業集成，做基於一個點的創新。這類公司的最核心競爭要素包括兩方面：（1）產品經理思維主導，研發具有剛需場景的機器人品種；（2）對上下游軟硬體集成，採用平台級廠商的產品，將上游的硬體廠商提供的硬體設備進行集成。工具型的機器人因為更貼合用戶實際需求，比交互型機器人更容易落地。
具體的機會點在哪呢？
服務機器人產業鏈機會點分析：
晶元：通用型晶元CPU、GPU、FPGA分別被Intel、NVIDIA、Altera壟斷，國內在該領域短期內難以突破，專用型AI晶元是專門為機器人某種功能而定製的晶元，能夠實現更高的效率和更低的功耗，國內在專用型AI晶元領域已經有所突破，有機會實現彎道超車。
激光雷達：激光雷達由發射系統、接收系統、信息處理系統三部分組成，他的運作機理跟雷達類似，就是激光器將電脈衝變成光脈衝發射出去，光接收機再把從目標反射回來的光脈衝還原成電脈衝，根據信息處理系統運用一系列演算法得出目標的位置、運動狀態和形狀，輔助機器人、智能汽車、無人機等感知環境。激光雷達是移動類機器人必不可少的零部件，相當於機器人的眼睛。激光雷達可分為機械式激光雷達和固態激光雷達。其中固態激光雷達大致可分為：MEMS、OPA與Flash。其中MEMS和OPA均為掃描式，而Flash為非掃描式。目前國際上領先的生產激光雷達的廠商主有Velodyne、
Quanergy、Ibeo、西克（SICK）、北陽機電（Hokuyo）等，其中西克和北陽機電的激光雷達是二維激光雷達，主要用於工業領域和安全防護領域，其他三個廠商生產的激光雷達一般用於三維測距。目前用於機器人上的大多是單線的機械式激光雷達，成本可以控制在幾百元。
舵機：舵機主要是由外殼、電路板、驅動馬達、減速器與位置檢測元件所構成。其工作原理是由接收機發出訊號給舵機，經由電路板上的 IC驅動無核心馬達開始轉動，透過減速齒輪將動力傳至擺臂，同時由位置檢測器送回訊號，判斷是否已經到達定位。位置檢測器其實就是可變電阻，當舵機轉動時電阻值也會隨之改變，藉由檢測電阻值便可知轉動的角度。舵機的主要組成部分為伺服電機。其中包含伺服電機控制電路+減速齒輪組。目前在服務機器人舵機領域，最流行的品牌是韓國Robotis的Dynamixel系列。舵機功率（角速度X扭矩）相同時，角速度與扭矩成反比。舵機的功率和舵機的尺寸比值可以理解為該舵機的功率密度，一般同樣品牌的舵機，功率密度大的價格高。對於服務機器人舵機的核心參數扭矩更是如此，隨扭矩增加，價格增長飛快。國外舵機價格昂貴，國內優必選公司突破技術壁壘降低成本。優必選開發的舵機內置MCU系統，自主改進PID演算法，扭矩大，體積小，控制精度高，獲得多項發明專利。6.5V時扭矩為8kg·cm，速度為0.238sec/60°，價格約20元，參數相似的舵機，特別是扭矩相似的國外產品，價格往往在優必選舵機的3倍以上。
伺服電機：指在伺服系統中控制機械元件運轉的發動機，其功能是將電信號轉換成轉軸的角位移或角速度。作為一種補助馬達間接變速裝臵，伺服電機可使控制速度，位臵精度準確，可以將電壓信號轉化為轉矩和轉速以驅動控制對象。伺服電機需要受到控制器的控制，在控制信號發出之前，轉子靜止不動；當控制信號發出時，轉子立即轉動；當控制信號消失時，轉子能及時停轉。目前我國企業在中低端伺服系統領域已經可以實現大規模量產，但高端伺服系統尚未形成商品化和批量生產能力，精密伺服電機控制系統的需求主要依賴進口，如日本三菱、松下、富士和德國西門子等。目前國內伺服電機領域的領先企業包括匯川技術、廣州數控、華中數控、埃斯頓等。
操作系統：安卓由Google公司開發，在商用領域有廣泛應用，佔據智能手機和平板電腦的絕大部分市場份額，在機器人上也有廣泛應用。ROS誕生於斯坦福AI實驗室，在學術和研究領域廣受歡迎，目前的應用更偏向於在工業機器人領域和工業控制。除此之外，法國Aldebaran公司自主開發的NAOqi操作系統也較為知名，國產操作系統TuringOS、iBot OS等也在突破。機器人操作系統也是國內比較欠缺的能力。
SLAM演算法：即時定位與地圖構建(Simultaneous Localization And Mapping,簡稱SLAM)，指的是機器人在自身位置不確定的條件下,在完全未知環境中創建地圖,同時利用地圖進行自主定位和導航。SLAM技術對於機器人或其他智能體的行動和交互能力至為關鍵，因為它代表了這種能力的基礎：知道自己在哪裡，知道周圍環境如何，進而知道下一步該如何自主行動。SLAM分為基於激光雷達的SLAM和基於視覺的vSLAM，視覺SLAM可以從環境中獲取海量的、富於冗餘的紋理信息，擁有超強的場景辨識能力。激光雷達+SLAM演算法的方案是目前移動類服務機器人最常用的定位方案。
語音交互：語音交互指的是機器人可以和人類用語言進行交互，機器人聽到人的語言，能夠識別並且理解，然後合成語言，發出聲音的過程。一個完整的語音交互路徑要經過降噪處理、多源分離、信號提取等聲音信號處理步驟，然後到數據預處理，到語義分析NLP模塊，到語音合成模塊，最後經過數字信號處理模塊（DAC）和放大器，到達麥克風。其中的核心技術在於語音識別和語義理解，語音識別技術已經相對成熟，Nuance、科大訊飛的語音識別在特定場景的準確率都能達到95%以上。語義理解技術仍然不成熟，需要等待深度學習演算法的突破。
圖像識別：圖像識別系統的過程分為五部分：圖像輸入、預處理、特徵提取、分類和匹配。人類感覺信息中的80%都是視覺信息。圖像識別是計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。識別過程包括圖像預處理、圖像分割、特徵提取和判斷匹配。圖像識別一直都是AI領域研究的熱點，這類AI問題將從三個方面去著手解決：首先是計算能力，通過CPU、GPU、分散式架構等提高計算能力，然後是大數據，數據量越多，一般來說越有利於機器學習，還有演算法，目前主流的演算法是深度學習的CNN演算法和RNN演算法。
應用層：服務機器人按照虛擬和實體區分，虛擬領域主要的落地場景是客服機器人/聊天機器人，實體場景有商業服務機器人、醫療服務機器人、家庭服務機器人。國內在家庭領域的掃地機器人和教育機器人領域率先落地，並跑出科沃斯和優必選兩個獨角獸。醫療服務機器人在康復機器人領域率先落地。商業服務機器人還在不斷的探索過程中。工具類/功能類機器人相對平台類企業以及其他交互型機器人爆發早的原因是量+周期+風險。掃地機器人行業就是非常好的例子，從2011-2017年，每年翻倍增長，將市場培育起來了，量也開始放出來了，每年國內大概300萬台掃地機器人銷量。
服務機器人產業鏈投資機會分析：
1）關注能夠在晶元端提供演算法能力的玩家，隨著物聯網終端的逐漸豐富，AI從雲端往終端走是一個大趨勢
2）關注語音交互技術提供商，語音交互技術是服務機器人的核心技術
3）客服聊天機器人帶有功能性的屬性，是服務機器人領域落地最快的，關注有核心技術壁壘且商業化進展順利的項目
4）功能類商業服務機器人，關注能真正解決客戶需求，產品真正能大批量落地的項目
5）醫療機器人領域需要長期保持關注，手術機器人技術壁壘較高，國內首先落地的是康復機器人和醫療服務機器人
TAG:MakeThingBetter |