智能驾驶 - 小马智行在卢森堡启动Robotaxi道路测试，全球自动驾驶测试总里程已突破4500万公里，并在中国四大一线城市构建超2000平方公里的运营网络，完成超50万小时全无人驾驶测试 [1] - 京东物流推出自研VAN无人轻卡，具备24立方米载货空间和400公里满载续航能力，为L4级别自动驾驶，相比传统运输可节省约60%成本 [1] - 高阶智驾渗透率预计在2025年步入爆发式增长，驱动大算力芯片、激光雷达、光学器件等赛道高速增长 [3] - 文远知行W5无人物流车获批在广州黄埔全域开展道路测试 [4] - 采埃孚与江淮汽车开启智能线控底盘联合研究项目 [5] 机器人 - 越疆人形机器人Atom实现批量交付，并实现1800公里远程操控 [2] - 字节跳动开发的轮式物流机器人已累计量产超千台，用于仓库及产线运输 [2] - 地平线机器人等单位提出RoboTransfer视频生成框架，使下游策略模型在新场景下性能取得251%的提升 [2] - 铂力特与华力创科合作推进六维力传感器研发，北特科技正积极研发行星滚柱丝杠等产品以布局机器人市场 [5] - 机器人产业链关注灵巧手相关的微型丝杠和触觉传感器，以及华为链、低估值细分赛道头部公司 [3] 行业趋势与投资重点 - ROBO+（智驾和人形机器人）被视为汽车板块最强产业趋势，将重塑整个汽车产业链 [3] - 智能驾驶供应链中，芯片领域重点关注地平线机器人，激光雷达关注整机龙头，光学器件关注舜宇光学、宇瞳光学 [3] - 整车领域建议关注在五大竞争要素具备积累的厂商，如华为系、理想汽车 [3] - 推荐估值低于主业合理市值且机器人业务放量确定性高的标的，长期看好特斯拉、Figure、华为、小米等核心产业链 [3] - 银轮股份作为汽车热管理头部Tier1，其机器人业务进展有望持续超预期 [3]

行业背景与挑战 - 人工智能正从感知智能向决策智能演进，世界模型成为机器人领域重要研究方向，旨在让智能体对环境建模并预测未来状态[1] - 具身算法高度依赖大规模真实机器人演示数据，但数据采集成本高昂、耗时费力，严重限制了可扩展性和泛化能力[1] - 仿真平台虽能低成本生成数据，但存在仿真与现实世界的视觉和动力学差异，导致训练策略难以直接迁移到真实机器人[1] - 高效获取、生成和利用高质量的具身数据已成为当前机器人学习领域的核心挑战[1] RoboTransfer技术方案 - RoboTransfer是一种基于扩散模型的视频生成框架，用于扩充机器人策略模型的训练数据[2] - 该框架融合多视角几何信息，并对场景中的关键组成成分实现显式控制，如背景和物体属性[4] - 通过引入跨视角特征交互机制及全局深度图与法向图作为条件输入，确保生成视频在多个视角下的几何一致性[4] - 框架支持细粒度编辑控制，例如更换背景、替换目标物体，从而灵活生成多样化、结构合理的视觉数据[4] - 采用深度图和表面法向图等强结构约束表示方式来引导生成视频中物体的三维空间结构，确保几何一致性[6] - 在外观控制方面，利用参考背景图像和目标物体的参考图像作为输入条件，以维持物体外观的细节还原能力[6] 技术应用与效果 - RoboTransfer可通过real-to-real和sim-to-real两种方式实现数据增广，并训练下游策略模型提升性能[8] - 在real-to-real数据增广中，基于真机采集的真实视频数据提取结构化信息作为控制条件，可灵活实现背景桌布的替换[9] - 在sim-to-real数据增广中，利用仿真数据中的结构化信息及真实场景的物体和背景作为控制条件，将仿真数据转化为逼真实数据，降低sim-to-real差距[11] - 使用RoboTransfer合成数据训练的机器人视觉策略模型在标准测试任务中表现显著提升：在更换前景物体的场景下成功率相对提升33.3%，在同时更换前景背景的挑战性场景下提升251%[4][15] - 得益于合成数据的多样性，下游策略模型在新场景下取得251%的显著提升，大幅提升策略模型的泛化性[2]