这几年做具身智能相关项目的人越来越多但大多数人盯着算法和模型看真正把机器人本体从图纸变成能跑的样机时才会被硬件和算力的问题卡住。2026年10月我牵头做了一轮针对具身智能硬件与算力的选型调研核心就是想清楚三件事场景需要什么规格的执行器和传感器、边缘算力到底选多大档位、主控和通信架构怎么搭才不会推倒重来。这篇文章把这轮调研的方法、参数对比、实测记录和踩坑经验整理出来给准备做硬件选型或者正在被选型折磨的团队作参考。1. 整体设计与调研框架1.1 这个时间点为什么要做选型调研具身智能已经过了“拿一个机械臂跑跑demo就发论文”的阶段现在更常见的是小批量交付给工厂、仓储、商业展示场景。客户要的不是实验室里能跑通一次而是连续作业几小时不宕机、坏了能换件、成本能算得过账。硬件选型一旦选错后面算法移植、产线装配、售后维护全是连锁反应。我这次调研是在2026年10月供应链已经出现几个明显变化。一体化关节模块从“定制”变成了货架产品很多供应商能直接给“电机减速器编码器驱动器”打包方案边缘算力平台也在升级换代几十TOPS到几百TOPS的模组都有而且开始卷能效比和功耗国产替代选项变多但实际性能参差不齐必须实测而不是只看手册。所以这轮调研不是单纯“看型号、比参数”而是从落地交付的角度把场景需求拆解成可量化的硬件指标再拿指标去筛选方案。调研对象包括执行器、传感器、边缘算力、主控架构、通信总线、供电散热跨度大但逻辑是连贯的。1.2 调研框架场景定义、需求分解、方案评分整个调研我用了三步框架简单说就是“先定场景再拆需求最后打分选型”。第一步是场景定义。把所有候选落地场景写下来比如室内移动操作、双臂精细装配、巡检跟随、展示讲解然后明确每个场景的工作节拍、负载范围、环境特征。这一步决定了你“够用”的标准。以我这次主要面向的“双臂移动操作机器人”场景为例工作节拍是每分钟完成一到两次抓取负载最大3kg工作区域半径1.2米地面有小幅坡度需要自主导航和避障。第二步是需求分解。把场景需求翻译成硬件参数。负载3kg意味着肩部关节峰值扭矩不能低于某一数值结合臂长估算大概是40到60Nm每分钟多次抓取意味着视觉帧率至少15FPS算力要同时跑目标检测、姿态估计和本地避障移动底盘意味着对整机功耗有限制电池容量和算力热设计功耗必须做预算平衡。这一步我把需求拆成执行器、传感器、算力三张清单每张清单都带明确目标值。第三步是方案评分。每个部件找两到三个候选供应商或方案按性能、成熟度、价格、交期、可维护性五个维度打分。性能占40%成熟度占25%价格占15%交期和可维护性各占10%。这套评分标准在后面每类硬件选型里反复用能避免被单个亮眼参数带偏。2. 硬件核心部件选型要点2.1 执行器电机、减速器、编码器、驱动器怎么配执行器是具身智能机器人成本最高、最容易出问题的部分。调研时我把关节模块拆成四个子部件来看电机、减速器、编码器、驱动器。电机的选择。现在主流方案是用无框力矩电机而不是带壳伺服电机。原因很简单无框电机可以直接嵌进关节结构里省掉联轴器和外壳重量能降30%左右轴向尺寸也小。选电机主要看额定扭矩、峰值扭矩、转速和反电动势常数。我用的方法是先根据峰值扭矩需求挑选规格实际让供应商提供扭矩转速曲线确认在持续工作区间内温升可控。减速器的选择。这是关节设计里最核心的一步。机器人关节的主流选择是谐波减速器因为它单级传动比大、体积小、精度高、零背隙特别适合关节空间有限、需要频繁正反转的场景。但谐波减速器不是万能的它的柔性会导致一定的刚度损失负载大或冲击大的关节建议用行星减速器或RV减速器。比如肩部外展、腰椎这类大扭矩关节我倾向行星或RV方案成本也低一些。编码器和驱动器。编码器我坚持选多圈绝对值编码器单圈分辨率至少17bit这样上电不用找原点调试省非常多时间。但绝对值编码器通常带电池备份电池没电会丢码这在实际项目中是个大坑后面我会单独讲。驱动器方面只要预算允许就选配合一体集成进关节的驱动器CAN或EtherCAT通信减少线束数量。实操心得关节模块尽量买集成度高的货架产品不要自己把电机、减速器、编码器、驱动器分别采购再组装。我们对比过自装和整买自装成本可能低20%但装配公差、线缆走线、调试成本会吃掉这部分收益故障率也明显更高。如果团队没有机器人传动设计经验直接选一体化关节是更稳的路子。2.2 传感方案视觉、力觉、触觉、IMU怎么搭传感器决定了机器人“感知到什么”感知不到或者感知错了算法再强也白搭。视觉方案。视觉我用两套组合头部装一台主动光双目相机负责近距离操作机身顶部装一台激光雷达加RGB-D相机负责导航和避障冗余。纯视觉SLAM在低纹理环境容易翻车加激光雷达做视觉惯性融合VIO能明显提升定位稳定性。需要说明的是RGB-D相机在强光或黑色反光物体上效果会急剧下降所以关键抓取工位我倾向于用双目结构光加主动光补偿尽量避免依赖单目深度估计。力觉方案。六维力传感安装位置很讲究不是每个关节都装。我的方案是手腕六维力传感器加底座六维力传感器一个感知接触力一个感知整机受力中间关节通过动力学模型估算力矩。这样成本可控而且标定的时候不会互相干扰。六维力传感器的核心参数是量程、分辨率、过载能力和温漂选型时不要只看广告里的分辨率要实际测温漂和零点漂移。触觉和IMU。触觉传感器选阵列式薄膜方案主要覆盖手指和手掌负责抓取滑觉检测和接触状态反馈这个对灵巧手或者大负载抓取尤其重要。IMU选MEMS级即可关键指标是零偏稳定性和振动鲁棒性。关节IMU和基座IMU我建议分开配置关节IMU用于局部状态估计基座IMU用于全局姿态采样频率至少500Hz。实操心得传感器的时延同步是最大的隐性坑。视觉、IMU、力觉数据如果没有共同时间戳融合算法效果会大打折扣。我这次的方案是让所有传感器信号都汇聚到主控的同一时钟域通过PTP或简单的时间同步协议统一标定不要依赖各传感器自己的时间戳。3. 算力平台选型与算力分配3.1 边缘算力平台横向对比算力是这次调研里变数最大的部分因为产品迭代太快。我按算力档位分成三类低功耗嵌入式平台几个到十几个TOPS、主流AI边缘模组几十到两百TOPS级别、车规域控制器两三百TOPS以上。低功耗嵌入式平台适合只跑运动控制和简单传感器融合的场景比如底盘控制板、关节驱动板功耗一般不超过10W上面跑裸机或RTOS。主流AI边缘模组是当前具身智能主机的核心负责跑视觉模型、路径规划、强化学习推理等典型形态是带GPU/NPU的模组。车规域控制器性能最强但功耗和成本高主要给需要大模型端侧部署或高可靠冗余的场景。我用表格把核心对比整理如下注意这里算力是INT8算力不同厂商的TOPS口径差异很大档位典型算力典型功耗实时性典型用例大致成本区间低功耗嵌入式1-10 TOPS5-15W硬实时运动控制、IMU融合几百到千元级主流AI模组50-200 TOPS20-60W准实时视觉推理、SLAM、规划几千到两万元级域控制器200-500 TOPS80-150W准实时冗余端侧大模型、多传感器融合两万以上3.2 算力估算方法从需求倒推TOPS算力选多大不能拍脑袋要按实际负载估算。我总结了一套从传感器和算法倒推的方法。第一步列所有需要固定运行的推理任务。以我们的双臂移动操作机器人为例有双RGB-D视觉每路60FPS输出后实际处理30FPS、激光雷达点云处理、导航避障、关节力控模型。第二步把每个任务换算成算子量。比如YOLO级目标检测模型输入640x640在主流边缘平台上做一次推理大约需要几十TOPS的瞬时算力实际上需要看该平台运行时的每秒推理帧数。第三叠加计算。我这次粗略估算双路RGB-D每路每秒处理15帧检测单帧检测已优化到约2ms实际持续推理GPU负载已到70%以上。加上点云配准、路径规划、神经网络避障模拟推理整机估算需要120-180 TOPS。考虑到算法后续会加模型比如端侧部署VLM辅助识别我留了50%余量最终选择了一款峰值算力在200TOPS级别的模组实际运行平均负载控制在60%以下这样也能留出供电和散热缓冲。3.3 云端协同与本地算力边界很多团队会问“为什么不能把重计算放到云端”。答案很简单机器人操作不能断。移动操作场景中从感知到执行的控制环路通常要求在几十毫秒内完成哪怕只依赖5G网络也有不确定性在室内环境还可能信号遮挡。云端推理适合异步任务比如场景理解、全局路径规划、知识问答不适合实时关节控制。因此我定的边界是“实时控制本地长时规划云端”。端侧负责视觉、运动控制、避障云侧通过WebSocket等接口接收任务指令下发语义级目标。端侧模型尽量选轻量版本保证运行时延稳定优先。实操心得我强烈建议自己做一次压力测试把任务跑满然后看模组的温度和频率曲线。有些模组标称200TOPS实际连续高负载运行不到十分钟就开始降频算力打折到70%。我在选择模组时直接跑了一个小时的循环推理脚本用热成像看模组表面温度同时记录帧率衰减曲线这个结果比任何参数表都有说服力。4. 主控架构、通信与供电散热4.1 主控与实时性分层具身智能机器人不能靠单一芯片解决所有问题因为实时性和算力是冲突的。我的架构是两层上层主控用AI边缘模组跑Linux系统负责视觉、规划、AI推理下层运动控制用MCU跑RTOS或裸机负责关节伺服、力控、安全逻辑。为什么这么分因为Linux在任务调度上存在不确定性连续几次高负载GC或内存抖动就可能让关节控制周期漂移这是绝对不能接受的。MCU跑一个固定1kHz的控制循环把控制指令以确定性时延下发到每个关节驱动器这是基本设计。MCU选型不用太卷主流Cortex-M4或M7级别就够了关键是外设接口要够用比如路CAN FD、EtherCAT从站接口、多路ADC。我这次用的是某国产M7内核MCU主频480MHz跑1kHz控制循环和CAN FD通信负载不到50%性价比很高。上层主控和MCU之间用串口或共享内存通信心跳检测MCU是安全兜底主控死机了关节必须能进入安全停止状态。4.2 通信总线EtherCAT、CAN FD还是TSN具身智能机器人内部通信方案主流是EtherCAT和CAN总线部分高端方案开始上TSN。我这次主推荐EtherCAT做关节控制和传感器同步因为EtherCAT的分布式时钟能让所有从站在同一时刻采样控制同步性远好于CAN总线。但EtherCAT的成本和调试门槛高。对预算有限、节点较少的项目CAN FD是我建议的替代方案。CAN FD带宽更高帧更大而且MCU内建支持广泛。关节越多越推荐EtherCAT少于六个关节、对成本敏感的场景CAN FD足够。TSN是发展趋势但生态还在完善我这次只在需求文档里做了预留没有实际装机。另外所有总线方案都不要忽略线束和连接器工业级连接器、屏蔽双绞线都是必须的这一项在整机成本里占比不低预算要提前留。4.3 热设计与整机功耗预算算力模组选定了功耗预算才能算清楚。我按两个维度做预算平均功耗和峰值功耗。整机平均功耗按电池容量及续航倒推峰值功耗决定电源模块和线径选型。以我的双臂机器人预算为例两步推理整机感知的AI模组满载功耗约60W运动控制板约5W六关节平均功耗约100W传感器总功耗10W加一起平均约175W。如果是一个24V电池系统平均电流约7.3A峰值可能到12A以上。所以我建议选额定15A以上的电源管理模块线径也要按峰值电流选不能只看均值。散热上AI模组最好选主动散热方案带风扇或均热板但要注意粉尘环境对风扇的影响。如果场景有无尘要求可选被动散热壳体加外部冷风。关节电机散热本身就靠结构件传导不用额外风扇。散热对IMU和力传感器影响也很大温漂会直接让零漂变大所以传感器尽量远离大功率发热源。5. 常见问题与排查技巧实录5.1 高频问题速查表这一节把我踩过的、同行业讨论中高频出现的坑整理出来做成一键排查表可以收藏备用问题现象可能原因排查方法与处理关节异响或震动减速器磨合不足 / 谐波柔轮磨损 / 负载超过额定空载示教跑不同速度段判断是否特定角度磨合期跑顺滑度测试严重则更换减速器编码器位置丢失电池电压低 / 线缆接触不良 / 编码器本身故障上电前检查电池电压开机初始化时读诊断备份机械原点信息排查线缆算力模组过热降频散热设计不足 / 环境温度高 / 持续满载推理查看温度曲线和降频日志增加风扇转速或改均热板优化模型压缩减少负载视觉时延越来越大推理任务叠加太多 / 内存泄漏 / 数据队列堵塞用性能分析工具定位最耗时的算子优化模型和输入分辨率重启服务测试队列释放总线报错或丢帧屏蔽不好 / 终端电阻缺失 / 波特率不匹配检查连接器屏蔽层和双绞线质量示波器看总线电平和反射重新核对各节点波特率力传感器零点漂移温漂 / 安装应力 / 机械振动影响上电预热后重新标定检查安装法兰是否平整紧固螺丝时使用对称扭矩法5.2 独家避坑清单最后说几条只靠看参数表无法发现的避坑经验。第一不要只看峰值算力要看持续算力。之前我吃过亏选了一款标称高但散热差的模组实际跑持续推理到十分钟就降频导致视觉帧率波动。现在我的准则是一定要拿到真实的持续算力测试报告或者自己拿负载脚本实测。第二一定要拆一台上别人的机器看看。条件允许的话找一台已有原型机拆开来看看走线、散热、接插件选型比看任何方案文档都直观。我第一次做整机集成时因为低估了走线难度导致后期拆了好几次仓多花了两周时间。第三编码器电池坑。绝对值编码器的电池不是装上就不管了要列入日常维护计划。最好选无电池多圈编码器方案或者至少设计低电量报警功能。我这次调研就发现不少供应商提供无电池多圈编码器虽然贵一些但长期看省掉了大量售后排查时间。第四减速器磨合期。谐波减速器新装时要跑磨合程序从低速小角度开始逐步增加负载和行程大概需要两到四个小时。直接满负载跑容易损伤柔轮这个细节在供应商手册里往往只写几行字实际操作必须重视。第五模组测试矩阵。不要等整机搭好了才测试建议在选型阶段就按“满载、低载、低温、高温、连续、间歇”做一张测试矩阵对关键部件分别跑一遍记录性能和稳定性。整机阶段的疑难杂症很多都能在部件测试阶段提前排除。以我这轮调研的实际感受硬件选型这件事最花时间的不是看参数而是验证参数。具身智能硬件更新的速度非常快今年主流的东西明年可能就换代但选型的方法论是通用的场景驱动需求需求驱动指标指标驱动验证。如果你正准备做硬件选型从拆解场景开始不要一上来就在各家产品手册里来回对比。等到整机跑起来那一天你会感谢当初多花的那几天验证时间。
这几年做具身智能相关项目的人越来越多但大多数人盯着算法和模型看真正把机器人本体从图纸变成能跑的样机时才会被硬件和算力的问题卡住。2026年10月我牵头做了一轮针对具身智能硬件与算力的选型调研核心就是想清楚三件事场景需要什么规格的执行器和传感器、边缘算力到底选多大档位、主控和通信架构怎么搭才不会推倒重来。这篇文章把这轮调研的方法、参数对比、实测记录和踩坑经验整理出来给准备做硬件选型或者正在被选型折磨的团队作参考。1. 整体设计与调研框架1.1 这个时间点为什么要做选型调研具身智能已经过了“拿一个机械臂跑跑demo就发论文”的阶段现在更常见的是小批量交付给工厂、仓储、商业展示场景。客户要的不是实验室里能跑通一次而是连续作业几小时不宕机、坏了能换件、成本能算得过账。硬件选型一旦选错后面算法移植、产线装配、售后维护全是连锁反应。我这次调研是在2026年10月供应链已经出现几个明显变化。一体化关节模块从“定制”变成了货架产品很多供应商能直接给“电机减速器编码器驱动器”打包方案边缘算力平台也在升级换代几十TOPS到几百TOPS的模组都有而且开始卷能效比和功耗国产替代选项变多但实际性能参差不齐必须实测而不是只看手册。所以这轮调研不是单纯“看型号、比参数”而是从落地交付的角度把场景需求拆解成可量化的硬件指标再拿指标去筛选方案。调研对象包括执行器、传感器、边缘算力、主控架构、通信总线、供电散热跨度大但逻辑是连贯的。1.2 调研框架场景定义、需求分解、方案评分整个调研我用了三步框架简单说就是“先定场景再拆需求最后打分选型”。第一步是场景定义。把所有候选落地场景写下来比如室内移动操作、双臂精细装配、巡检跟随、展示讲解然后明确每个场景的工作节拍、负载范围、环境特征。这一步决定了你“够用”的标准。以我这次主要面向的“双臂移动操作机器人”场景为例工作节拍是每分钟完成一到两次抓取负载最大3kg工作区域半径1.2米地面有小幅坡度需要自主导航和避障。第二步是需求分解。把场景需求翻译成硬件参数。负载3kg意味着肩部关节峰值扭矩不能低于某一数值结合臂长估算大概是40到60Nm每分钟多次抓取意味着视觉帧率至少15FPS算力要同时跑目标检测、姿态估计和本地避障移动底盘意味着对整机功耗有限制电池容量和算力热设计功耗必须做预算平衡。这一步我把需求拆成执行器、传感器、算力三张清单每张清单都带明确目标值。第三步是方案评分。每个部件找两到三个候选供应商或方案按性能、成熟度、价格、交期、可维护性五个维度打分。性能占40%成熟度占25%价格占15%交期和可维护性各占10%。这套评分标准在后面每类硬件选型里反复用能避免被单个亮眼参数带偏。2. 硬件核心部件选型要点2.1 执行器电机、减速器、编码器、驱动器怎么配执行器是具身智能机器人成本最高、最容易出问题的部分。调研时我把关节模块拆成四个子部件来看电机、减速器、编码器、驱动器。电机的选择。现在主流方案是用无框力矩电机而不是带壳伺服电机。原因很简单无框电机可以直接嵌进关节结构里省掉联轴器和外壳重量能降30%左右轴向尺寸也小。选电机主要看额定扭矩、峰值扭矩、转速和反电动势常数。我用的方法是先根据峰值扭矩需求挑选规格实际让供应商提供扭矩转速曲线确认在持续工作区间内温升可控。减速器的选择。这是关节设计里最核心的一步。机器人关节的主流选择是谐波减速器因为它单级传动比大、体积小、精度高、零背隙特别适合关节空间有限、需要频繁正反转的场景。但谐波减速器不是万能的它的柔性会导致一定的刚度损失负载大或冲击大的关节建议用行星减速器或RV减速器。比如肩部外展、腰椎这类大扭矩关节我倾向行星或RV方案成本也低一些。编码器和驱动器。编码器我坚持选多圈绝对值编码器单圈分辨率至少17bit这样上电不用找原点调试省非常多时间。但绝对值编码器通常带电池备份电池没电会丢码这在实际项目中是个大坑后面我会单独讲。驱动器方面只要预算允许就选配合一体集成进关节的驱动器CAN或EtherCAT通信减少线束数量。实操心得关节模块尽量买集成度高的货架产品不要自己把电机、减速器、编码器、驱动器分别采购再组装。我们对比过自装和整买自装成本可能低20%但装配公差、线缆走线、调试成本会吃掉这部分收益故障率也明显更高。如果团队没有机器人传动设计经验直接选一体化关节是更稳的路子。2.2 传感方案视觉、力觉、触觉、IMU怎么搭传感器决定了机器人“感知到什么”感知不到或者感知错了算法再强也白搭。视觉方案。视觉我用两套组合头部装一台主动光双目相机负责近距离操作机身顶部装一台激光雷达加RGB-D相机负责导航和避障冗余。纯视觉SLAM在低纹理环境容易翻车加激光雷达做视觉惯性融合VIO能明显提升定位稳定性。需要说明的是RGB-D相机在强光或黑色反光物体上效果会急剧下降所以关键抓取工位我倾向于用双目结构光加主动光补偿尽量避免依赖单目深度估计。力觉方案。六维力传感安装位置很讲究不是每个关节都装。我的方案是手腕六维力传感器加底座六维力传感器一个感知接触力一个感知整机受力中间关节通过动力学模型估算力矩。这样成本可控而且标定的时候不会互相干扰。六维力传感器的核心参数是量程、分辨率、过载能力和温漂选型时不要只看广告里的分辨率要实际测温漂和零点漂移。触觉和IMU。触觉传感器选阵列式薄膜方案主要覆盖手指和手掌负责抓取滑觉检测和接触状态反馈这个对灵巧手或者大负载抓取尤其重要。IMU选MEMS级即可关键指标是零偏稳定性和振动鲁棒性。关节IMU和基座IMU我建议分开配置关节IMU用于局部状态估计基座IMU用于全局姿态采样频率至少500Hz。实操心得传感器的时延同步是最大的隐性坑。视觉、IMU、力觉数据如果没有共同时间戳融合算法效果会大打折扣。我这次的方案是让所有传感器信号都汇聚到主控的同一时钟域通过PTP或简单的时间同步协议统一标定不要依赖各传感器自己的时间戳。3. 算力平台选型与算力分配3.1 边缘算力平台横向对比算力是这次调研里变数最大的部分因为产品迭代太快。我按算力档位分成三类低功耗嵌入式平台几个到十几个TOPS、主流AI边缘模组几十到两百TOPS级别、车规域控制器两三百TOPS以上。低功耗嵌入式平台适合只跑运动控制和简单传感器融合的场景比如底盘控制板、关节驱动板功耗一般不超过10W上面跑裸机或RTOS。主流AI边缘模组是当前具身智能主机的核心负责跑视觉模型、路径规划、强化学习推理等典型形态是带GPU/NPU的模组。车规域控制器性能最强但功耗和成本高主要给需要大模型端侧部署或高可靠冗余的场景。我用表格把核心对比整理如下注意这里算力是INT8算力不同厂商的TOPS口径差异很大档位典型算力典型功耗实时性典型用例大致成本区间低功耗嵌入式1-10 TOPS5-15W硬实时运动控制、IMU融合几百到千元级主流AI模组50-200 TOPS20-60W准实时视觉推理、SLAM、规划几千到两万元级域控制器200-500 TOPS80-150W准实时冗余端侧大模型、多传感器融合两万以上3.2 算力估算方法从需求倒推TOPS算力选多大不能拍脑袋要按实际负载估算。我总结了一套从传感器和算法倒推的方法。第一步列所有需要固定运行的推理任务。以我们的双臂移动操作机器人为例有双RGB-D视觉每路60FPS输出后实际处理30FPS、激光雷达点云处理、导航避障、关节力控模型。第二步把每个任务换算成算子量。比如YOLO级目标检测模型输入640x640在主流边缘平台上做一次推理大约需要几十TOPS的瞬时算力实际上需要看该平台运行时的每秒推理帧数。第三叠加计算。我这次粗略估算双路RGB-D每路每秒处理15帧检测单帧检测已优化到约2ms实际持续推理GPU负载已到70%以上。加上点云配准、路径规划、神经网络避障模拟推理整机估算需要120-180 TOPS。考虑到算法后续会加模型比如端侧部署VLM辅助识别我留了50%余量最终选择了一款峰值算力在200TOPS级别的模组实际运行平均负载控制在60%以下这样也能留出供电和散热缓冲。3.3 云端协同与本地算力边界很多团队会问“为什么不能把重计算放到云端”。答案很简单机器人操作不能断。移动操作场景中从感知到执行的控制环路通常要求在几十毫秒内完成哪怕只依赖5G网络也有不确定性在室内环境还可能信号遮挡。云端推理适合异步任务比如场景理解、全局路径规划、知识问答不适合实时关节控制。因此我定的边界是“实时控制本地长时规划云端”。端侧负责视觉、运动控制、避障云侧通过WebSocket等接口接收任务指令下发语义级目标。端侧模型尽量选轻量版本保证运行时延稳定优先。实操心得我强烈建议自己做一次压力测试把任务跑满然后看模组的温度和频率曲线。有些模组标称200TOPS实际连续高负载运行不到十分钟就开始降频算力打折到70%。我在选择模组时直接跑了一个小时的循环推理脚本用热成像看模组表面温度同时记录帧率衰减曲线这个结果比任何参数表都有说服力。4. 主控架构、通信与供电散热4.1 主控与实时性分层具身智能机器人不能靠单一芯片解决所有问题因为实时性和算力是冲突的。我的架构是两层上层主控用AI边缘模组跑Linux系统负责视觉、规划、AI推理下层运动控制用MCU跑RTOS或裸机负责关节伺服、力控、安全逻辑。为什么这么分因为Linux在任务调度上存在不确定性连续几次高负载GC或内存抖动就可能让关节控制周期漂移这是绝对不能接受的。MCU跑一个固定1kHz的控制循环把控制指令以确定性时延下发到每个关节驱动器这是基本设计。MCU选型不用太卷主流Cortex-M4或M7级别就够了关键是外设接口要够用比如路CAN FD、EtherCAT从站接口、多路ADC。我这次用的是某国产M7内核MCU主频480MHz跑1kHz控制循环和CAN FD通信负载不到50%性价比很高。上层主控和MCU之间用串口或共享内存通信心跳检测MCU是安全兜底主控死机了关节必须能进入安全停止状态。4.2 通信总线EtherCAT、CAN FD还是TSN具身智能机器人内部通信方案主流是EtherCAT和CAN总线部分高端方案开始上TSN。我这次主推荐EtherCAT做关节控制和传感器同步因为EtherCAT的分布式时钟能让所有从站在同一时刻采样控制同步性远好于CAN总线。但EtherCAT的成本和调试门槛高。对预算有限、节点较少的项目CAN FD是我建议的替代方案。CAN FD带宽更高帧更大而且MCU内建支持广泛。关节越多越推荐EtherCAT少于六个关节、对成本敏感的场景CAN FD足够。TSN是发展趋势但生态还在完善我这次只在需求文档里做了预留没有实际装机。另外所有总线方案都不要忽略线束和连接器工业级连接器、屏蔽双绞线都是必须的这一项在整机成本里占比不低预算要提前留。4.3 热设计与整机功耗预算算力模组选定了功耗预算才能算清楚。我按两个维度做预算平均功耗和峰值功耗。整机平均功耗按电池容量及续航倒推峰值功耗决定电源模块和线径选型。以我的双臂机器人预算为例两步推理整机感知的AI模组满载功耗约60W运动控制板约5W六关节平均功耗约100W传感器总功耗10W加一起平均约175W。如果是一个24V电池系统平均电流约7.3A峰值可能到12A以上。所以我建议选额定15A以上的电源管理模块线径也要按峰值电流选不能只看均值。散热上AI模组最好选主动散热方案带风扇或均热板但要注意粉尘环境对风扇的影响。如果场景有无尘要求可选被动散热壳体加外部冷风。关节电机散热本身就靠结构件传导不用额外风扇。散热对IMU和力传感器影响也很大温漂会直接让零漂变大所以传感器尽量远离大功率发热源。5. 常见问题与排查技巧实录5.1 高频问题速查表这一节把我踩过的、同行业讨论中高频出现的坑整理出来做成一键排查表可以收藏备用问题现象可能原因排查方法与处理关节异响或震动减速器磨合不足 / 谐波柔轮磨损 / 负载超过额定空载示教跑不同速度段判断是否特定角度磨合期跑顺滑度测试严重则更换减速器编码器位置丢失电池电压低 / 线缆接触不良 / 编码器本身故障上电前检查电池电压开机初始化时读诊断备份机械原点信息排查线缆算力模组过热降频散热设计不足 / 环境温度高 / 持续满载推理查看温度曲线和降频日志增加风扇转速或改均热板优化模型压缩减少负载视觉时延越来越大推理任务叠加太多 / 内存泄漏 / 数据队列堵塞用性能分析工具定位最耗时的算子优化模型和输入分辨率重启服务测试队列释放总线报错或丢帧屏蔽不好 / 终端电阻缺失 / 波特率不匹配检查连接器屏蔽层和双绞线质量示波器看总线电平和反射重新核对各节点波特率力传感器零点漂移温漂 / 安装应力 / 机械振动影响上电预热后重新标定检查安装法兰是否平整紧固螺丝时使用对称扭矩法5.2 独家避坑清单最后说几条只靠看参数表无法发现的避坑经验。第一不要只看峰值算力要看持续算力。之前我吃过亏选了一款标称高但散热差的模组实际跑持续推理到十分钟就降频导致视觉帧率波动。现在我的准则是一定要拿到真实的持续算力测试报告或者自己拿负载脚本实测。第二一定要拆一台上别人的机器看看。条件允许的话找一台已有原型机拆开来看看走线、散热、接插件选型比看任何方案文档都直观。我第一次做整机集成时因为低估了走线难度导致后期拆了好几次仓多花了两周时间。第三编码器电池坑。绝对值编码器的电池不是装上就不管了要列入日常维护计划。最好选无电池多圈编码器方案或者至少设计低电量报警功能。我这次调研就发现不少供应商提供无电池多圈编码器虽然贵一些但长期看省掉了大量售后排查时间。第四减速器磨合期。谐波减速器新装时要跑磨合程序从低速小角度开始逐步增加负载和行程大概需要两到四个小时。直接满负载跑容易损伤柔轮这个细节在供应商手册里往往只写几行字实际操作必须重视。第五模组测试矩阵。不要等整机搭好了才测试建议在选型阶段就按“满载、低载、低温、高温、连续、间歇”做一张测试矩阵对关键部件分别跑一遍记录性能和稳定性。整机阶段的疑难杂症很多都能在部件测试阶段提前排除。以我这轮调研的实际感受硬件选型这件事最花时间的不是看参数而是验证参数。具身智能硬件更新的速度非常快今年主流的东西明年可能就换代但选型的方法论是通用的场景驱动需求需求驱动指标指标驱动验证。如果你正准备做硬件选型从拆解场景开始不要一上来就在各家产品手册里来回对比。等到整机跑起来那一天你会感谢当初多花的那几天验证时间。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
