（报告出品方/分析师：开源证券孟鹏飞、熊亚威）
1、人形机器人远期空间大于汽车，特斯拉强势入局抢占先机
特斯拉于北美时间年9月30日推出Optimus（擎天柱）原型机，目标价低于2万美元。#工业机器人#
大脑使用全球最强大的超算集群Dojo和特斯拉汽车同款的FSD（完全自主驾驶能力）芯片和算法网络。
眼睛基于特斯拉FSD的计算机模组和方案，配备8个汽车同款Autopilot摄像头，最远监测距离可达米。
身体+灵巧手共40个自由度，2大类6种类型的执行器，负载设计更灵活；脚掌可以上下翻和调整掌面。动力系统中2.3kWh、52V电池包，充电管理、传感器和冷却系统都借鉴于特斯拉汽车。
特斯拉进军人形机器人原因之一是实现人车协同，以更低的生产成本制造出几乎完全实现自动驾驶的电车。
第一，Optimus人形机器人量产后将发挥使用场景和视野高度等优势，为特斯拉神经网络算法提供海量长尾场景数据支持，帮助特斯拉实现L5级别的FSD算法迭代。
第二，由于Optimus的部分传动部件以及电池热管理系统等复用特斯拉汽车，人形机器人量产后将进一步扩大硬件需求规模，从而进一步降低生产成本。
进军人形机器人更重要的原因是在广阔蓝海市场抢占先机。
相比工业机器人，人形机器人有以下四点优势：（1）仿生步态下运动能力较传统履带/四轮/双轮机器人大幅提升；（2）灵巧手可实现双手配合和工具替换，较工业机器人技能更广；（3）依靠算法能力实现复杂环境识别并实施决策。（4）不再有传统“工业机器人”、“服务机器人”这样明确的功能属性，人形机器人具备通用性，一款成熟的产品即可适用于广泛的需求场景。
从人形机器人相比传统工业机器人的优势来看，未来人形机器人将拥有比汽车更大的市场空间，因为人形机器人理论上几乎能完成所有人类进行的非标任务。马斯克曾称特斯拉汽车是放在轮子上的机器人，那么特斯拉将利用这个天然优势抢占人形机器人广阔市场的先机。
2、手握FSD系统，AI是Tesla投入人形机器人的最强竞争力
2.1、Optimus问世前：成本高、不智能是人形机器人无法量产的原因
在特斯拉机器人问世以前，以波士顿动力Atlas为代表的液压驱动人形机器人和以日本本田ASIMO为代表的的电驱动人形机器人均存在成本高、不智能、控制能力差的缺陷，没有合适的应用场景，更无法实现量产。
成本高，一是由于使用了很多特殊和高成本零部件，液压驱动的机器人还需要考虑高昂的维护成本和耗电成本。二是软件端数据采集/数据购买、数据标注和模型训练带来的高成本。“不智能”指的是人形机器人的核心算法尚未突破，包括“感知-认知-决策-执行”的算法以及如何让机器人具备人类的逻辑思维能力，同时可以模拟出人类的情感和情绪，达到与人类共情。
2.2、最强大脑：Optimus复用完全自动驾驶解决方案FSD
马斯克认为，想要解决自动驾驶，就必须解决现实世界中的人工智能，因此特斯拉一直在向人工智能技术公司转型。特斯拉研发人形机器人的初衷便是最大程度上利用特斯拉在造车和自动驾驶方面的优势，特别是自动驾驶研发过程中积累的算法经验、数据驱动能力、AI芯片能力、模型训练能力等，智能是特斯拉投入机器人领域最核心的竞争力。
FSD是特斯拉的自动驾驶解决方案，也是特斯拉机器人的“大脑”。FSD系统由数据、算法、硬件构成整体架构，其迭代路径则是通过不断升级算力的硬件来支撑不断升级的算法从而处理不断增加的海量数据。
由图2所示，左边的训练基础设施（TrainingInfra）和右边的AI编译器推理引擎（AICompilerInference），以及下方的训练数据（TrainingData），共同输入信息进入神经网络（NeutralNetworks）中，对占用网络（Occupancy）和一些几何形状（LanesandObjects）进行分析，最后整体输出结果，生成自动驾驶车辆/人形机器人的路径规划。
2.2.1、海量数据储备节省开发人形机器人的前期费用
特斯拉FSD系统已有海量数据储备，开发人形机器人可节省大量前期费用。车队传回的数据与场景仿真生成的数据共同构成特斯拉FSD系统的数据收集。年FSDbeta软件（完全自动驾驶测试版）使用量由辆车提升到16万辆车，累计拥有30PB容量的视频数据。特斯拉计划于年年底向全部地区推出FSDbeta，收集的数据量进一步提升。
现实世界收集到的数据不足以覆盖所有场景，要完善FSD的功能，还需要做仿真模拟。根据年特斯拉AIDay上Autopilot团队成员介绍，目前特斯拉仅用5分钟时间，就可以生成与现实世界非常接近的虚拟场景，帮助特斯拉快速覆盖长尾场景。
Tesla数据引擎自成闭环，驱动迭代开发。cornercase（极端情况）可以帮助由数据驱动的算法模型进行升级。影子模式是指，人在进行驾驶的同时特斯拉自动驾驶系统同样也在计算自己会怎么做，然后和人的选择进行对比。
在特斯拉的数据引擎中，车队传回的数据从影子模式中挖掘模型误判（即，自动驾驶选择的操作方式是错误的）的数据，将之召回并采用自动标注工具进行标签修正，然后加入到训练和测试集中，可以不断优化云端和车端的网络。
这个过程是数据闭环的关键节点，会持续生成cornercase样本数据。
2.2.2、不断升级的感知、规控算法
由于人形机器人和特斯拉自动驾驶汽车都遵循“感知-认知-决策-执行”的运行逻辑，下文将重点分析FSD的感知、规划决策算法的迭代是如何让特斯拉机器人更智能的。
感知：特斯拉FSD系统拥有非常强大的纯视觉感知方案。
特斯拉纯视觉感知的重要工作是目标检测，包括对周围车辆、交通灯、限速标志的识别与检测，车道线预测，判断物体是否移动等各种任务。
在TeslaFSD视觉感知神经网络架构中，有一个共享的Backbone（RegNet+ResNe），Neck:是BiFPN，这三种网络都是目前SOTA（行业当前最佳）的网络，以后有更好的网络可以直接更换。
Head是若干个头部，即Tesla的软件架构HydarNet。这样的架构符合人类视觉的流程。
视觉感知的整体软件流程是：首先8个摄像头的单帧数据经过imageextractors进行特征提取，这里采用类似ResNets的网络。
然后将8个摄像头获得的不同视频数据直接进行融合，利用Transformer神经网络（一种基于注意力机制的深度学习模型）进行训练，实现特征从二维图像空间到三维向量空间的变换。
由于速度、目标的遮挡与重现等状态无法在单帧下识别，因此第三步是时间融合，给上一步的每个图赋予时间信息。
最后，将上一步的结果分发到不同的Heads中，每个Heads负责特定的功能，后面接着自己的单独网络。
OccupancyNetwork是年特斯拉对HydraNets的重要改进，也是纯视觉自动驾驶领域的重要里程碑。此前，纯视觉一直被人诟病的对于未知障碍物的识别能力。
引入OccupancyNetwork后，不再进行目标识别，而是通过得到空间是否被占用的信息判断是否存在障碍物，解决了目标检测系统失效的问题。
OccupancyNetwork在一般障碍物几何感知的基础上还附加了语义和速度、加速度输出，因此和激光雷达相比，其视觉的语义感知的能力更强，可以更好地将感知到的3D几何信息与语义信息融合。
OccupancyNetwork的运算效率很高，可以在10毫秒中计算完毕，输出可以达到跟相机同样的36Hz，超过目前绝大多数雷达仅10Hz的采集频率。因此在高速环境或者对快速移动的物体感知方面，纯视觉的OccupancyNetwork甚至可能做到比雷达更强。
对于成本控制更加严格的人形机器人来讲，类似OccupancyNetwork的方式优于激光雷达解决方案。
在机器人上视觉传感器的成本很低，相对于单线激光雷达来讲，所包含的信息则极大丰富，单目视觉可以使用很低的成本覆盖机器人周身，获取机身周围的OccupancyNetwork，作为避障与路径规划的依据。而且OccupancyNetwork是个软件方案，后期可以使用订阅软件的方式收费，升级非常的便捷，相对于硬件的替换优势更大。
规划和控制：Tesla拥有极强的决策规划控制算法
人体在感知到周围世界的信息后，会基于对这些信息的认知做出相应的判断，来规划自己的躯体应该作何反应并下发控制指令，人形机器人和自动驾驶汽车也是一样。
特斯拉的“交互搜索”规划模型进一步增强了FSD系统的规控能力。由于车辆、行人的未来行为都有一定的不确定性，特斯拉采用“交互搜索”（InteractionSearch）的规划模型，在线预测自己和其他车辆，行人等的交互，并对每一种交互带来的风险进行评估，最终决定采取何种策略。FSD系统还能够通过OccupancyNetwork对可视区域进行建模来处理未知不可见场景。
在AIDAY上，可以看到Optimus已经可以较好地利用起FSD中的OccupancyNetwork的语义感知能力，从而与周围环境互动。
另外机器人技术设计中运用了很多强化学习方面的算法，比如让机器人通过人类示教就能学会一类通用工作的执行方法，需要强大的模仿学习能力。
2.2.3、模型训练的最强算力基础设施：DOJO超级计算机
算力是支撑算法的基础。以OccupancyNetwork为例，这种监督网络需要大量标注好的数据进行训练。Tesla使用了14亿帧图像对其进行训练，用了10万GPU时（等效于10万个GPU运行1小时)，温度达到90度。
Dojo的研发定位是AI训练方面最强的超算系统，目标是提高Tesla模型训练的效率。Dojo能够处理海量的数据，用于无人监管式的标注和训练，相当于无需人工对训练数据集进行标注，系统能够自行通过样本间的统计规模对样本集进行分析，进而提高效率。
实际上，通过人机合作标注，Dojo已经在年一年内持续以每7天训练个神经网络模型的节奏推进研发，相当于每8分钟就训练了一个模型。如果采用人工标注，训练一个神经网络模型需要一两周甚至几个月。
年AIDAY上，马斯克宣布将于年第一季度正式量产DOJOEXAPOD。
EXAPOD具有超高算力并且降低GPU集群服务成本。EXAPOD可视为DOJO超算集群中的一组成员。一个EXAPOD将由两层计算托盘和存储系统组成，每一层托盘包括6颗D1芯片，提供1.1EFLOP的算力。
72个GPU机架（个GPU）才能运行完的自动标注算法，现在只要4台DojoCabinet机柜就能做到，大大降低GPU集群服务成本。运行神经网络模型OccupancyNetworks时，相比英伟达A，Dojo能实现性能的倍增。
2.3、大模型发展超预期，加速提升人形机器人交互、决策、感知能力
OpenAI团队领投人形机器人公司1X万美金进军机器人行业，代表着人工智能的发展在人形机器人领域大有可为。
我们认为，大模型的发展将大大提升人形机器人的交互、决策、感知能力。
第一，机器人和人类的自然语言交互迎来里程碑式进展。
尽管在机器人技术中使用LLM具有潜在的优势，但现有的大多数方法都受限于僵硬的范围和有限的功能集，不允许进行流畅的互动和用户反馈的行为修正。
相比之下，ChatGPT作为是一个基于上千亿超大语料参数的生成式自然语言大模型，使用人类反馈进行微调，显示出了非常强的交互功能。能够让用户以更自然的方式与机器人模型互动，并能灵活地进行行为纠正。将chatgpt应用于机器人，将有效提升机器人与人类的交互能力。
意识到ChatGPT将为机器人与人类交互带来颠覆性的突破，微软团队专门开发的一系列机器人API和高级函数库，通过chatgpt实现用人类语言控制机器人。
其实现路径是：
首先，由于机器人是个多元化领域，在微软的操作框架下，不同机器人，都有自己对应的特定函数库。这些函数库，可以理解为中控，能够连接机器人控制系统进行底层硬件的管理，以及执行基本运动的代码和功能模块。
然后，为了让ChatGPT能遵循函数库的规则，需要清晰的预定义函数命名。清晰的函数名，能让各API之间建立良好的功能连接，最终生成高质量的回答。
最终，在设计好库和API后，用户给ChatGPT编写了一个文本提示（prompt），描述目标任务，并明确说明函数库中哪些函数可用，就可以控制机器人去执行任务。
开源的prompt平台以及不断迭代的GPT模型，均将进一步提升人形机器人的交互能力，加速人形机器人的落地。
由于AI生成内容效果和人为提示的质量呈正相关，微软开发了一个协作开源平台PromptCraft，任何人都能在此分享不同类机器人的Prompt策略。
年3月问世的GPT-4模型相比chatGPT更是支持图像、文本输入以及文本输出，同时还最多能够实现2.5万字理解，表现出了在多模态、通用性、理解能力、角色认知、长文本支持等方面的明显进展。
从决策层分析：ChatGPT使用了人类反馈强化学习（RLHF）这种训练方法，在训练中可以根据人类反馈，保证对无益、失真或偏见信息的最小化输出。
这和特斯拉FSD系统中使用的将同一情境下自动驾驶系统的决策与人的选择进行对比，并对自动驾驶模型误判的数据进行标注、修正，再加入到训练和测试集中，进行云端和车端网络优化的模式有相近的逻辑。
将ChatGPT引入特斯拉FSD自动驾驶系统的训练中，有可能可以加速FSD系统的迭代。
感知层分析：Meta的开源分割万物大模型“segment-anything”问世有望进一步提升人形机器人的感知能力。
图像分割是机器视觉算法领域的核心问题，此前解决图像分割有交互式分割和自动分割两种方式，但这两种方法都没有提供通用的、全自动的分割方法。而SAM开源大模型已经学会了关于物体的一般概念，并且它可以为任何图像或视频中的任何物体生成mask，甚至包括在训练过程中没有遇到过的物体和图像类型。
SAM足够通用，可以涵盖广泛的用例，并且可以在新的图像『领域』上即开即用，无需额外的训练。英伟达人工智能科学家JimFan表示，Meta的这项研究可以视为计算机视觉领域的GPT-3时刻之一。
3、特斯拉机器人降本核心途径：中国企业供应关节模组
特斯拉机器人全身共使用40个关节执行器（又称为关节模组）。关节执行器是模仿人体的关节而诞生，最早由美国科尔摩根公司发明，供应给协作机器人厂商。
特斯拉机器人关节模组使用的数量和目前全球领先的人形机器人基本一致，可以在机器人运动过程中实现稳态控制。
随着特斯拉机器人在形态越来越接近人类，使用的关节模组数量或将进一步增长，带动核心部件的市场空间持续增长。
特斯拉机器人在设计上也选择了硬成本最低、软成本最大的方式后发制人。特斯拉机器人硬件成本包括40个关节执行器以及其他结构件，目前硬件成本占BOM表比例超过50%，要达到2万美金售价还有84%的降价空间。
特斯拉机器人关节执行器采用的零部件种类和现有的工业机器人基本一致，由于没有像工业机器人一样对实现高速运动的要求，一定程度上降低了生产难度，因此只需根据人形机器人的特点对零部件进行调整修改就可以进行标准化的大批量生产，而且轴承、齿轮箱、滚珠丝杠、电机等部件可复用特斯拉汽车的供应链。国产硬件供应商具备很强的低成本大规模量产能力，迎来了导入特斯拉机器人硬件供应链的重要机遇。
3.1、旋转关节
旋转执行器包括无框电机、谐波减速器、双编码器、力矩传感器、角接触轴承交叉滚子轴承。根据我们测算，无框力矩电机、谐波减速器和力矩传感器是旋转关节中价值量占比最高的零部件。
从早期阶段推演到终局状态（特斯拉机器人单机售价2万美金时），降价空间最大的为无框电机（降价75%）、谐波减速器（降价75%）、角接触轴承（降价64%）。
3.1.1、传感器与编码器：全球百亿市场，海外厂商垄断高精度领域
特斯拉机器人的旋转关节采用高低速双编码器和力矩传感器。输出侧和电机侧各有一个编码器。
输出侧编码器用于测量输出位置的变化，电机侧编码器用于计算得到输出轴的理论位置，与输出侧编码器的数据进行对比，得到外部受力大小，从而交付驱动器进行后续控制。非接触式力矩传感器是基于编码器或霍尔原理测量材料形变的力矩传感器。
编码器是提供反馈的传感器，机器人编码器是伺服控制的核心部件，伺服控制性能提高，必然要求编码器精度的提高。
从物理介质的不同来分，分为光编码器和磁编码器。
磁编码器成本相较光编码器可以下降多元，但磁编码器的精度低于光编码器。
整体来看，国产编码器的精度和综合性能和国外差距较大，国内高精度市场被日本厂商多摩川和尼康垄断。国产厂商汇川技术、埃斯顿、昊志机电、奥普光电（主要用于军工领域）已经实现编码器的自研，但主要面向中低端市场。
力传感器是感知并度量力的关键部件。根据globalinformation测算，全球力传感器市场预计将从年的74.3亿美元增长到年的.6亿美元。
按照测量维度，力传感器可以分为一至六维力传感器。六维力传感器是目前维度最高、力觉信息反馈最为全面、难度最大的力觉传感器，最早应用于航空航天市场，后逐步应用于打磨、铣削、焊接及装配场景的工业机器人以及对传感性能要求更高的协作机器人。
一台进口的六维传感器价格接近国内一台协作机器人的价格，考虑成本管控，我们认为特斯拉机器人在量产初期基本不会使用六维传感器，使用一维传感器可能较大。
全球传感器市场的主要厂商有霍尼韦尔、意法半导体、飞思卡尔、博世、飞利浦等，中国市场上的高端传感器进口占比高达85%，国产化率低。
国内布局机器人用高性能六维传感器的厂商主要是昊志机电、宇立仪器（安川电机、KUKA、Abb的力传感器合作商，未上市）、坤微科技（供货给节卡、遨博、睿尔曼、越疆、思灵、大族等国内协作机器人厂商，未上市）。
3.1.2、谐波减速器：特斯拉机器人带来翻倍空间，70亿供给缺口待国产厂商填补
精密减速器是机器人的核心传动部件，占据工业机器人30%的零部件成本。其作用是降低伺服电机的高转速、通过齿轮减速比放大伺服电机的原始扭矩，并提供高刚性保持、高精度定位。谐波减速器是精密减速器的一种，根据《中国工业机器人发展白皮书》，年全球工业机器人用谐波减速器市场规模为.3亿元。
需求侧：特斯拉机器人的旋转关节需要更轻量、小型、集成化的传动装置，全身16个旋转关节中各使用1个谐波减速器。根据我们测算，当特斯拉机器人实现万产量时，谐波减速器新增市场规模达到73亿元。
供给侧：日本哈默纳科是全球谐波减速器龙头，占据70%的份额。总产能基本稳定在万台/年，并且几乎全部供应给以四大家族为主的工业机器人厂商。
哈默纳科产线的自动化程度较低，对检测人员需求较大。在美德日三地劳动力成本较高的情况下，其净利率水平仅保持在15%左右，远低于国内谐波减速器厂商。为了保障一定的盈利能力，管理层不会进行激进的扩产政策。
根据我们测算，到年人形机器人达万台量级时，全球谐波减速器产能缺口达万台，其中约万台来自工业机器人，0万来自人形机器人。
由于人形机器人的运动速度低于工业机器人，对谐波减速器性能的要求也低于工业机器人，因此国内谐波减速器厂商可以胜任人形机器人对零部件的要求，在海外龙头谨慎扩产的背景下，谐波减速器的产能缺口有望由中国厂商填补。
谐波减速器产品的技术迭代基本停滞，当前，我们认为应从扩产能力以及机电一体化实力两个角度来衡量国内谐波减速器厂商的竞争优势。
第一，国内厂商和海外巨头之间的差异主要在保持产品一致性下的大规模扩产能力。
生产一台谐波减速器，从数理模型设计、材料热处理理解到设备选择、加工工艺等环环相扣。
具体过程是：
首先设计柔轮齿型，柔轮的齿形决定加工设备的选择，而设备的选择又决定钢轮使用哪种制造材料。
目前国内外柔轮材料均使用40CrMoNiA、40CrA等碳合金钢。国内企业的材料热处理水平相差不大，但总体低于国外水平。
因此，钢轮加工技术路径的差异直接决定国内谐波减速器厂商产能释放的快慢以及生产成本的高低。
第二，机电一体化能力。
“机电一体化”，是指将精密减速器、电机及驱动器、传感器进行组装形成一个基本传动单元，再通过控制器控制这个高度集成化的传动关节以实现对本体的运动控制。机电一体化可以进一步缩小零部件体积，实现整体运动控制，提高工业机器人等自动化设备的灵活性。
机电一体化是未来减速器厂商竞争制高点。全球谐波减速器龙头哈默纳科自年起生产销售机电一体化产品，陆续研发了伺服电机、驱动、传感器和控制器，认为提高整体运动控制实力是实现技术进步的核心。哈默纳科作为引领谐波减速器行业多年的龙头企业，其产业布局方案是判断行业趋势的风向标。同时，人形机器人对关节小型、轻量的要求也在对机电一体化产品有更高的需求。
因此，我们认为机电一体化实力是谐波减速器厂商未来的竞争焦点。
3.1.3、关节轴承：用量超预期，可复用汽车供应链加速降本
特斯拉机器人关节处使用的轴承是支持旋转轴或其他运动体的机械基础件，可以复用新能源汽车的轴承供应链，加速降本。
特斯拉机器人旋转关节使用2个角接触轴承，用来承受较高的转速的和一定的轴向力。
使用1个刚性强的交叉滚子轴承，同时承受较大的径向力和轴向力。线性关节使用1个四点接触轴承，在高转速条件下承受双向较大的轴向力和径向力，以及1个深沟球轴承。根据我们测算，当特斯拉机器人量产达到百万台量级，各类轴承的单价均可降到百元以内，以万台产量计算，带来的轴承市场空间增量约37亿元。
从供应链角度，深沟球轴承国内成熟供货，价格低，附加值低；角接触轴承国内可供货，价格低，精度低；四点接触轴承国内可供货，价格低，精度低；交叉滚子轴承国内少数厂家可供货，难度大
我国轴承产业大而不强，高端轴承市场被以SKF、NSK为代表的国际厂商占据，国内厂商以生产小型、中低端轴承为主。因此，国产轴承厂供应深沟球轴承、角接触轴承以及四点接触轴承更具备优势。深沟球轴承设计简单，能高速运行并且工作期间无需保养，价格低，是使用最普遍的轴承，国内已经实现成熟供货。
交叉滚子轴承是和谐波减速器配套使用，制造难度大，全球范围内可大规模量产的企业少，主要包括日本THK、日本IKO、日本NSK、日企哈默纳科和德国舍弗勒旗下的INA。国内谐波减速器龙头绿的谐波自研交叉滚子轴承，截至年年报已进入中试阶段。
3.2、线性关节
特斯拉机器人全身使用12个线性执行器（亦成为伺服电缸），采用无框电机+滚柱丝杠的方案。丝杠的传动精度高，输出力能力强，但反驱透明度差（所以需要力传感器），响应速度偏慢。这套驱动方案可以实现高刚性，但可能会限制下肢高动态的运动能力。
线性关节是特斯拉机器人在硬件端优化升级的核心。特斯拉机器人线性关节采用的通用伺服推重比从N/Kg~4N/Kg，其中自重较小的一款0.36公斤级别的驱动器可能受限于尺寸及集成化的难度，导致推重比较低为N/Kg，对比国内先进的自重0.1Kg级别的微型伺服电缸推重比已达到N/Kg，仍有较大提升空间。
根据我们测算，行星滚柱丝杠、倒置滚柱丝杆是线性关节中价值量占比最高的零部件，行星滚柱丝杠在特斯拉机器人硬件总成本中占比也最高。
终局状态下，行星滚柱丝杠、倒置滚柱丝杠相比早期阶段的降价空间分别达到93%、95%。
3.2.1、滚柱丝杠：传动新星撬动千亿市场，国内厂商将从0→1打破海外垄断
线性执行器和旋转执行器最大的不同在于使用了滚柱丝杠。
滚柱丝杠是滚珠丝杠的一种细分品类，制造难度比滚珠丝杠难度更大。滚珠丝杆是最常使用的机械传动元件之一。传统滚珠丝杆通过在丝杠和螺母之间引入滚珠，能耗下降至低于20%，因而摩擦降低，精度得以保持。而滚柱丝杠滚动体直径和接触点的数量大大高于滚珠丝杠，因此承载力和寿命大大提升。
行星滚柱丝杠具有高承载、高寿命、高精度、高负载、高稳定性、导程小、响应速度快、更清洁环保、更容易实现电控化等优势，将成为液压驱动、滚珠丝杠电动缸的未来技术主力替代方案。在机器人、自动化行业，行星滚柱丝杠替代滚珠丝杠电动缸和气缸；在机床、医疗器械、光学仪器行业，行星滚柱丝杠替代滚珠丝杠；在汽车、新能源汽车、智能电车以及工程机械领域替代液压缸。
根据ValueMarketResearch数据，年全球滚珠丝杆市场规模为.48亿美元，预计年将达到.61亿美元，期间年均复合增长率约为6.14%。其中，亚太地区是全球滚珠丝杆的主要市场，年亚太地区市场份额占比为43.56%，预计年将增长至46.64%，亚太地区市场份额的快速增长主要源于中国等发展中国家在航空、制造和机器人等行业的需求升级。
高精度滚珠丝杠技术壁垒高，海外厂商占据垄断地位。全球主要的滚珠丝杆厂商有NSK日本精工、日本THK、日本斯凯孚等。CR5市占率达到约46%。根据相关数据，日本和欧洲滚珠丝杆企业占据了全球约70%的市场份额。国内行星滚柱丝杠生产商稀缺，仅有少量具备小批量研发制造能力的企业，包括秦川机床、新剑传动、鼎智科技。
3.2.2、机器人关节高功率密度的选择：无框电机
特斯拉机器人线性、旋转关节处使用的无框电机是去掉轴、轴承、外壳、反馈或端盖的伺服电机，只包含定子和转子。
无框力矩电机的核心优势是输出力矩大、结构紧凑，散热性好。年由美国Inland电机公司（年和科尔摩根光学公司合并为科尔摩根公司）发明，用于早期导弹和空间飞行器的惯性制导系统上的传动万向节。现在，无框电机的典型应用包括机器人和机器人关节、武器站、传感器的万向节、瞄准系统、无人机推进与导航、工厂自动化设备等。
海外厂商科尔摩根、Maxon、日本电产、Moog电机位列全球无框电机市场第一梯队，国内供应商包括步科股份、昊志机电。
3.3、灵巧手：