工业革命时代，人类给机器装上了手和腿；上个世纪末，我们给它装上了逻辑；2026年，我们正在给它装上真正意义上的眼睛——不是普通的摄像头，而是能够实时解析三维空间几何关系的"视觉皮层"。
深度相机并非新技术。ToF（飞行时间）和结构光传感器在游戏机、扫地机器人与自动驾驶领域已经耕耘超过十五年。但随着VLA（视觉-语言-动作）大模型的爆发式演进，深度相机的定位正在发生根本性的升维：从单纯测距的传感器，跃升为集成专用ASIC、边缘算力与多模态融合算法的空间感知中枢。这一跃迁，正在重塑整条AI产业链的价值分布。
核心论点：深度相机是具身智能的视觉皮层，2026年是产业拐点
在VLA大模型驱动下，深度相机已从几何测量工具升维为机器人感知系统的核心输入层。其端侧ASIC对深度图的实时处理能力，将直接决定机器人能否跨越"最后15厘米"的精细操作盲区与复杂光照场景下的可靠性门槛。对于关注行业研究的投资者而言，这一环节的价值重构才刚刚开始。
为什么2026年是关键节点：三个同步驱动的变量
第一：VLA大模型对高精度空间几何特征的吞吐需求爆发。传统机器人的运动规划依赖工程师手写的路径算法，而VLA模型需要实时摄入带有公制精度的三维点云作为"骨架语言"。DepthVLA与Evo-Depth框架通过轻量级隐式深度编码模块（IDEM），将RGB图像与深度几何在潜在空间耦合，使单一深度帧能够直接输入大模型完成动作生成。Robbyant的LingBot-Depth模型是其中的代表——它不再需要把深度信息手动转换成特征向量，而是让模型自己学习空间语义。这意味着深度相机的帧率、精度与噪声水平，已经直接决定了下游大模型的推理质量上限。
第二："最后15厘米"操作盲区成为灵巧作业的胜负手。工业抓取中，机械臂末端在距目标物体15厘米以内时，大多数深度相机的感知精度会急剧下降——这是物理光学折射与感光元件尺寸的共同制约。Intel在Automate 2026展会发布的RealSense D585 Pro实现了亚15厘米全分辨率深度感知，较上代提升2.5倍[1]；奥比中光（Orbbec）的Gemini 335最短深度范围已压缩至0.10米[2]。这两款产品的出现，标志着"最后15厘米"盲区问题正在从工程挑战走向商业现实——它决定了具身机器人能否真正胜任精密装配、手术辅助等高价值场景。
第三：边缘算力（Edge AI）正在重塑机器人的系统级算力分配。传统架构中，深度相机只负责采集原始数据，点云处理与去噪全部依赖主机CPU/GPU。但随着Orbbec MX6800深度引擎与Intel RealSense Gen 5 SoC的落地，越来越多的实时去噪、深度补全与几何特征提取已在传感器内部完成。这一趋势将深度相机从"哑终端"演变为具备局部推理能力的智能节点，并直接减少主机算力的占用压力。若我们把视角切到整机系统设计层面，这其实是算力在感知-计算架构中的一次分权运动。
产业链全景：从上游元器件到下游具身终端
上游核心元器件由两家头部企业主导。Sony凭借SPAD IMX560传感器在ToF领域建立了近乎垄断的地位，其单光子雪崩二极管技术在弱光环境下的噪声表现目前无可替代。Omnivision（豪威科技）则在iToF与全局快门CIS领域保持竞争力，是多家国内深度相机厂商的核心图像传感器供应商。值得注意的是，机器人视觉供应链正在横向借力消费电子生态——复用EV供应链的GMSL2/FAKRA接口标准，吸收手机产业链积累的CIS产能，这在一定程度上降低了供应链建设的门槛。
中游深度相机厂商形成了明显的梯队分化。奥比中光（Orbbec）以超过70%的中国和韩国服务机器人3D视觉市占率[2]牢牢占据规模优势，自研MX6800 ASIC是其核心技术壁垒。Intel RealSense深耕工业与机器人市场多年，Gen 5 SoC是其在端侧算力方向的明确押注。Luxonis（OAK-D Pro，4 TOPS端侧推理）定位轻量级机器人市场；Zivid专注高精度Bin-picking工业场景，Omni Engine是其应对透明/高反材质的专有技术；Vzense（微锐互动）则基于Sony IMX570深耕CW-iToF路线，以双频相位调制提升测距精度。
下游具身终端的配置策略正在分化。Unitree G1 EDU选择了RealSense D435i搭配Jetson Orin NX 100 TOPS的组合，代表了"主流感知+高密度边缘算力"路线。UBTECH Walker S2（52自由度）与Boston Dynamics Atlas代表着高端路线的差异化探索。Tutor Intelligence的DF1视觉-动作数据工厂（100台Sonny机器人规模化数据采集系统）则指向了另一个关键趋势：具身AI训练数据的采集质量，与深度相机的精度高度耦合。这一逻辑与Sim-to-Real工具链的演进密切交织，形成数据飞轮。
主流产品关键参数对比
| 产品 | 技术路线 | 最小距离 | 视场角（FOV） | 帧率 | 核心特性 |
|---|---|---|---|---|---|
| RealSense D585 Pro | 主动立体视觉 + Gen5 SoC | <0.15m | 120°×100° | 60fps | 深度压缩降低75%带宽[1] |
| Orbbec Gemini 335 | 主被动融合 + MX6800 | 0.10m | 90°×65° | 30fps | ≤40ms延迟，全通滤波[2] |
| Orbbec Gemini 335Le | 主被动融合 + MX6800 | 0.25m | 90°×65° | 30/60fps | PoE供电，IP67工业级[2] |
| Luxonis OAK-D Pro | 主动立体 + 4 TOPS | ~0.20m | 82°×50° | 30fps | 端侧神经网络推理 |
| Zivid 2+ (M60) | 结构光 | <0.30m | — | <10fps | Omni Engine抗透明/高反材质 |
| Vzense DS86 | CW-iToF + Sony IMX570 | 0.15m | 67°×50° | 15fps | 双频相位调制 |
宏观与技术约束：三重天花板
BOM成本的结构性倒挂是最显性的约束。在人形机器人的物料清单中，感知系统（含深度相机、IMU、麦克风阵列）的预算占比仅为10-20%，而执行器（电机、减速器、传动系统）占比高达40-60%[3]。这意味着即便深度相机厂商提供再精密的方案，整机厂商的采购谈判天然倾向于压缩感知成本。再叠加2025年全球人形机器人出货量约1.6万台[3]的现实规模——这一体量根本无法摊薄任何ASIC的NRE（一次性研发投入）费用——供应商需要在商业利润与技术投入之间走极为精细的平衡木。关于人形机器人零部件成本结构的完整量化分析另有专题。
物理光学的硬性制约同样不容回避。红外结构光和ToF系统在强日照下会遭受背景光噪声干扰，在镜面、透明材质（玻璃、水）上会产生深度空洞，在近距离下焦深缩短导致精度骤降。这些是软件迭代无法单独解决的物理层问题，需要硬件级光学设计配合端侧AI去噪算法协同应对。Zivid的Omni Engine和Orbbec的全通滤波，都是针对这一维度的专项投入。
热管理与功耗约束在移动机器人场景尤为突出。内嵌ASIC意味着传感器本身成为发热源，在密集布局的机器人头部或腕部时，散热设计的复杂度随之大幅提升，并挤占有限的机身空间。这也是部分整机厂商在实际工程中倾向于选择"廉价感元+主机强算力"路线的现实动因。
三大系统风险
风险一：VLA模型Scaling Law失效风险。当前深度相机智能化升级的逻辑，建立在VLA模型能够持续提升操作精度的前提之上。若大模型在非结构化环境的泛化能力遭遇瓶颈，或训练数据多样性不足导致操作精度停滞，下游机器人厂商对高精度深度相机的需求逻辑将被重新审视。内置ASIC的高端智能相机在纯粹的性价比压力下，将面临需求回落的现实风险。人形机器人市场[3]从2025年的6亿美元成长至2035年预测的510亿美元，这条增长曲线的斜率，高度依赖VLA模型在操作任务上的持续兑现。这一风险的关键观察窗口，在于2026至2027年头部VLA实验室在公开基准测试上的成绩单。
风险二：群集作业中的红外交叉干扰（IR Cross-talk）。单台机器人的红外主动发射几乎不成问题，但当百台机器人在同一工厂车间同步作业时，密集的红外光源相互干扰将导致深度图出现系统性噪声，进而使SLAM定位出现漂移乃至系统性崩溃。这一问题在仓储分拣、汽车焊装等高密度部署场景已有早期预警案例。目前的主流缓解方案包括时分复用调度（Time-Division Multiplexing）和随机码调制，但两者均以牺牲有效帧率为代价。在规模化商业部署之前，这仍是一个尚无完整工程解的系统性风险，值得在行业研究层面持续追踪。
风险三：主机算力成本雪崩后的替代路线。NVIDIA Jetson系列及竞品的算力成本正在快速下降。当整机厂商发现以低成本边缘SoC加廉价RGBD传感器、配合主机端软件深度补全算法，能够达到内置ASIC方案80%效果时，采购高端智能相机的动力将大幅减弱。Orbbec MX6800与Intel Gen5 SoC所面临的真实竞争压力，不仅来自彼此，更来自主机算力的降价曲线。这与触觉传感器在灵巧手末端的市场逻辑高度同构：硬件智能化的护城河，只有在主机算力仍然昂贵时才成立。
四个后续观察变量
1. 亚15cm高帧率相机在头部整机厂商的量产装机渗透率。这是检验"最后15厘米"突破能否从展会演示走向量产采购的核心指标。2026年底前后，Unitree、宇树、UBTECH的新机型发布将是最直接的观察窗口。
2. Sony SPAD ToF传感器价格降至500美元以下的时间节点。SPAD技术目前是ToF传感器中精度与弱光性能最优的方案，但其成本结构构成了大规模机器人应用的明显门槛。价格突破临界点将触发整条供应链的采购重心迁移。
3. 视觉-动作训练数据工厂的产能爬坡斜率。Tutor Intelligence DF1等数据工厂的产出规模直接决定VLA模型的迭代速度，其对深度相机的需求拉动，不亚于整机厂商的直接采购量。
4. 端侧深度补全算法能否软件替代工业级硬件。若LingBot-Depth等算法在工业操作场景达到可用标准，将对中高端深度相机的差异化逻辑形成直接冲击——这是一场软件与硬件的持续博弈，结果尚无定论。
FAQ
Q：主动立体视觉、ToF和结构光三种路线，最终谁会胜出？
不存在单一赢家。行业共识是传感器融合架构：头部或胸部的ToF/主动立体相机承担全局导航与障碍规避，腕部或指尖的微型结构光负责灵巧手末端的精密控制。这两个场景对帧率、精度、功耗、体积的要求差异极大，难以用同一款硬件覆盖。融合而非替代，是当前阶段最合理的工程判断。
Q：硬件时钟同步为什么是机器人深度相机的核心卖点之一？
多相机阵列在机器人头部和腕部同时工作时，若缺乏微秒级的硬件触发同步机制，不同相机采集的点云将产生时间错位。对高速运动的手臂和快速变化的场景而言，这种错位会直接导致SLAM系统的定位漂移和抓取失败。硬件时钟同步不是"加分项"，而是多相机系统稳定工作的工程必要条件。
Q：VLA大模型普及后，机器人是否会走Tesla纯视觉路线，降低对深度相机的依赖？
中短期内可能性极低。自动驾驶的纯视觉路线依赖海量道路数据训练，且容错率相对可接受（轻微路径偏差通常不致命）。但工业机器人的精密抓取需要公制精度，2D图像转3D位置的深度估计误差须在毫米级以下才能完成可靠操作。当前最主流的判断是"软硬件双向奔赴"——算法持续提升单目深度估计精度，硬件持续压缩近距盲区。两者目前是互补关系，而非替代关系。
本文分析基于公开发布的产品规格、Yole Group市场预测报告与厂商技术公告。深度相机产业链分析与工业机器人控制器研究共同构成物理AI传感-控制系列，建议结合阅读。
By m8 康哥. 跨市场投资研究者，长期跟踪美股、A股、港股与加密资产，重点覆盖 AI 产业链、宏观利率与核心公司研究。
数据来源
[1] Intel Corporation, RealSense D585 Pro Product Brief, Automate 2026展会发布。
[2] Orbbec Inc., Gemini 335 / Gemini 335Le Product Specifications, 2025-2026。
[3] Yole Group, Humanoid Robot Market Forecast 2025-2035, 2025。
[4] Luxonis, OAK-D Pro Technical Datasheet, 2025。
[5] Zivid, Zivid 2+ M60 Product Overview & Omni Engine Specifications, 2025。
