一、具身智能机器人对计算平台的需求
传统工业机器人通常按照预先编写的程序执行固定动作，而具身智能机器人需要根据摄像头、雷达、IMU、力传感器等信息判断周围环境，再决定下一步动作。
这意味着机器人内部不再只有一个简单的运动控制器，而是需要同时处理视觉识别、环境感知、任务规划、通信和运动控制。
实际设计中，这些任务通常不会全部集中到一块主板上。视觉、语音、导航和任务规划由上层计算平台处理;关节电机、双足平衡和高频力控则由实时控制器负责。采用分层架构后，各部分职责更清晰，也便于后续增加相机、传感器或新的算法模块。
二、具身智能机器人的工作原理及流程
具身智能机器人的工作过程可以分为“感知—判断—执行—反馈”几个环节。
机器人首先通过摄像头、激光雷达、IMU、力传感器和关节编码器采集环境及自身状态。上层计算平台对这些数据进行处理，识别物体的位置、障碍物、机器人姿态等信息，并根据任务生成下一步动作。
运动规划模块再把“向前走”“抓取物体”“移动到指 定位置”等任务转换成具体的运动轨迹。底层实时控制器根据轨迹控制各个关节电机，同时不断读取编码器、IMU和力传感器反馈，对机器人的动作进行修正。
基本流程为：
摄像头/雷达/传感器采集 → 环境感知与状态判断 → 任务规划 → 运动轨迹生成 → 实时运动控制 → 关节执行 → 编码器、IMU及力传感器反馈 → 动作修正。
其中，工控主板或工业电脑主要负责视觉、感知、任务规划、数据处理和设备通信。对控制周期要求较高的关节伺服、双足平衡和灵巧手电机控制，则应配合实时控制器、MCU或专用运动控制单元使用。
三、具身智能机器人对工控硬件的主要要求
1. 足够的计算能力和内存
人形机器人通常需要同时运行视觉、导航、任务调度和通信程序。多个摄像头连续采集图像后，也需要一定的内存用于缓存。
因此，上层主控除了处理器性能，还要关注内存容量。对于多相机或复杂视觉系统，32GB、64GB甚至更高容量的内存更便于后期扩展。
2. 相机和传感器接口
机器人内部可能同时存在USB相机、GigE相机、雷达、IMU、力传感器、关节控制器等设备。
USB、LAN、CAN、COM和GPIO接口越完整，机器人设计时使用外部转换模块的数量越少，整机布线也更简单。
3. AI计算能力
视觉识别、目标检测、语音和部分机器人策略模型可以使用CPU、GPU或NPU运行。
如果只是常规视觉识别和中等规模端侧推理，Core Ultra平台可以提供CPU、GPU和NPU资源;如果需要运行更大的视觉模型、多模态模型或对推理速度要求较高，则需要进一步评估独 立GPU或专用AI加速平台。
4. 实时控制接口
上层计算性能再高，也不能直接代替实时运动控制系统。
双足平衡、关节伺服和灵巧手等任务通常需要稳定的控制周期，应采用EtherCAT、CAN或其他实时总线配合专用控制器完成。
5. 本地存储
机器人研发过程中往往需要保存相机图像、关节数据、IMU数据、操作轨迹和运行日志。
用于算法训练和数据采集的设备，需要提前按照相机数量、分辨率和采样频率计算SSD容量。
6. 功耗和散热
人形机器人本体内部空间有限，而且采用电池供电。计算平台功耗越高，对散热和续航影响越明显。
因此，机器人本体主控不能只看最大算力，还要综合考虑功耗、安装位置和散热条件。
四、具身智能/人形机器人细分场景及硬件选型
1. 人形机器人上层主控：负责感知、任务和设备管理
上层主控可以理解为人形机器人的“计算核心”，主要负责相机数据处理、视觉识别、任务规划、状态管理以及与各控制节点通信。
这部分计算量较大，但不直接承担所有关节的高频伺服控制。
建议平台：Q-BOX-E10(UT1003AW)(Core Ultra无风扇嵌入式工控机)
主要配置：
Intel Core Ultra系列处理器、2×DDR5 SO-DIMM，最大96GB;
2×Intel i226-V网络接口、5×COM、1×CAN、8Bit GPIO、6×USB;
M.2 2280 SSD、E-Key和B-Key扩展、DC 9～36V;
无风扇铝型材机身、整机尺寸174×129×86mm。
双网、USB、CAN和串口可以分别连接视觉设备、控制节点及外层模块。最高96GB DDR5内存，也为多相机图像处理和较复杂的软件环境保留了较大的配置空间。
适用场景： 人形机器人上层主控、视觉感知、语音交互、任务规划、导航控制、机器人状态管理。
2. 机器人视觉感知节点：负责相机和传感器数据处理
机器人头部或机身可能安装多个摄像头、深度相机或其他传感器。如果全部设备都直接连接主控，会增加接口和数据处理压力。
实际产品中可以增加独立感知节点，先完成图像采集、基础处理和传感器数据汇总，再将结果发送给上层主控。
建议平台：RP7003AW(3.5寸工控主板)
主要配置：
Intel第12代/13代Core U/P系列处理器、2×DDR5 SO-DIMM，最大64GB;
2×Intel i226-V 2.5G网络、6×COM、2×CAN、8Bit GPIO、M.2 2280;
DC 9～36V、PCB尺寸102×146mm。
双2.5G网口可分别用于相机网络和主控通信，CAN、COM和GPIO则可以连接IMU、传感器和其他控制模块。
适用场景： 机器人头部视觉、相机数据采集、雷达数据汇聚、传感器处理节点、移动底盘感知节点。
3. 双足机器人控制：上层规划与底层实时控制分开
双足机器人的难点不只是“走起来”，而是运动过程中需要持续读取IMU、关节编码器和足底力传感器数据，根据身体姿态不断调整关节动作。
这类控制对实时性要求较高。
建议架构：Q-BOX-E10(UT1003AW)+ 实时运动控制节点
Q-BOX-E10可以负责视觉导航、步态规划、任务调度和机器人状态管理;底层控制节点则负责关节同步、伺服控制和平衡调整。
两层之间可以通过CAN、EtherCAT或其他实时通信方式交换数据。
这样设计的好处是，上层视觉算法或任务程序负载发生变化时，不会直接影响底层关节控制周期。
适用场景： 双足机器人、步态规划、全身运动规划、视觉导航、机器人状态估计。
4. 灵巧手控制：数据处理与电机控制分层
灵巧手通常具有多个关节，同时还可能配置触觉、压力和力矩传感器。
如果将所有传感器处理和电机闭环都放到一个控制器中，系统复杂度会很高。因此，灵巧手更适合采用“上层计算 + 小型实时控制板”的结构。
建议平台：RP7003AW(上层控制节点)+ 专用灵巧手控制板
RP7003AW的2路CAN、6路COM和双网接口可以用于连接传感模块及分布式控制节点。上层主要处理触觉数据、抓取策略和动作协调，电机闭环则由更靠近执行器的小型控制板完成。
由于RP7003AW尺寸为102×146mm，更适合安装在机器人本体或手臂内部，而不是直接安装在手掌内部。
适用场景： 灵巧手数据处理、多指抓取、触觉反馈、末端力觉处理、抓取策略计算。
5. 多模态感知和AI推理：根据模型规模配置算力
人形机器人可能需要同时处理视觉、语 音和环境信息，例如识别人、判断物体的位置、理解简单指令或进行场景分类。
Core Ultra平台集成CPU、GPU和NPU，可用于兼容的视觉及AI推理任务。派勤Q-BOX-E10(UT1003AW)采用Core Ultra系列处理器，并支持最高96GB DDR5内存。
但AI平台不能只看是否带NPU。
如果项目运行的是大型视觉模型、多模态模型或计算量较大的机器人策略模型，应根据模型大小、精度、推理延迟和软件框架单独评估GPU或其他AI加速硬件。
适用场景： 目标识别、视觉感知、语 音处理、场景理解、机器人交互、端侧AI推理。
6. 机器人研发与算法测试：扩展能力更重要
研发阶段经常需要更换相机、采集卡、GPU、网络设备以及不同类型的传感器。
这类设备不必过度追求机器人本体的小型化，扩展能力往往更重要。
建议平台：PIMB-Q670C_R100(工业母板)
主要配置：
Intel第12代/13代Core系列处理器、4×DDR5 U-DIMM，最大128GB;
3×Intel i226网络、2×PCIe x16、多组PCIe扩展、M.2 2280 NVMe、4×SATA 3.0。
PCIe扩展可以用于安装GPU、图像采集卡或其他实验设备，适合作为固定式机器人研发平台、算法工作站和实验室测试主机。
适用场景： 机器人算法开发、视觉模型测试、多相机实验平台、GPU扩展、机器人控制系统研发。
7. 机器人训练数据采集：着重看接口和存储
具身智能算法研发需要大量真实机器人数据，例如相机画面、关节角度、IMU、力传感器和操作轨迹。
数据采集平台的着重不是实时运动控制，而是保证多路数据能够完整记录。
建议平台：Q-BOX-E10(UT1003AW)
该平台提供双网、6个USB、CAN、COM以及M.2 SSD，可以连接多种传感器和相机。最大96GB内存可用于数据缓存，本地SSD则负责暂存采集结果。
如果需要长时间保存多路高分辨率视频，还应增加外部存储或通过网络上传到数据服务器。
适用场景： 模仿学习数据采集、遥操作数据记录、多传感器同步采集、机器人训练数据采集。
8. 遥操作和远程调试：网络链路需要分开管理
人形机器人研发阶段经常采用遥操作完成动作示教或采集训练数据。
遥操作系统需要同时传输视频、机器人状态和控制指令，因此可以将机器人内部设备网络与外部通信网络分开。
建议平台：Q-BOX-E10(UT1003AW)
双网可以分别承担内部设备通信和外部网络连接;B-Key可扩展4G/5G模块，E-Key可用于Wi-Fi/蓝牙扩展。
实际遥操作时延还会受到无线网络、视频编码和控制协议影响，因此网络方案需要与机器人控制系统一起设计。
适用场景： 人形机器人遥操作、远程示教、机器人状态监控、现场调试、数据回传。
五、具身智能/人形机器人的主要应用场景
人形机器人上层主控、机器人视觉感知、多模态传感器数据处理、双足运动规划、灵巧手控制、视觉导航、语音交互、机器人任务规划、训练数据采集、模仿学习数据采集、遥操作、机器人算法研发、移动机器人感知控制。
六、具身智能机器人计算平台选型建议
具身智能机器人的硬件选型，首先要区分三个层级：
上层计算主要负责视觉、导航、语音、任务规划和AI算法，可以采用Q-BOX-E10(UT1003AW)这类Core Ultra工业电脑。
感知和设备节点主要负责相机、雷达、传感器及外层设备数据采集，可以采用RP7003AW等接口较丰富的嵌入式工控主板。
实时运动控制主要负责关节伺服、双足平衡、灵巧手电机和高频力控，应使用实时运动控制器、MCU或专用控制板，不建议直接由普通上位机程序承担。
如果项目还需要运行大型视觉模型、多模态模型或其他高算力AI程序，应根据实际模型单独配置GPU或专用AI计算平台，而不是单纯依靠Core Ultra处理器中的NPU。
实际硬件定型时，可以按照以下顺序进行：
机器人功能 → 相机和传感器数量 → 视觉及AI算法 → 内存需求 → 实时运动控制架构 → CAN/EtherCAT通信 → 存储容量 → 无线通信 → 功耗 → 散热 → 安装空间。
对人形机器人而言，合理的做法并不是用一台高性能计算机承担所有任务，而是把感知、决策和实时控制分别放在适合的硬件节点上。这样既能保证运动控制的实时性，也方便后期增加相机、传感器和新的算法模块。
