四足与具身智能：从运动控制到智能标定的产业演进

执行摘要：当前无人系统产业正处于从单一运动控制能力向'感知-决策-执行'一体化智能演进的关键阶段。以四足机器人物体搬运框架为代表的运动控制技术，通过不确定性感知轨迹优化与模型预测控制，将搬运场景下的物体滑动减少约50%，显示中游整机厂商正加速突破非结构化作业能力。同时，视觉语言模型引导的数字孪生在线标定框架（结合Unitree G1与NVIDIA Sionna）表明大模型正深度嵌入机器人感知与标定环节，推动上游仿真工具链与中游本体深度耦合。本报告从产业链上中下游、竞争格局与技术趋势维度，分析无人系统从'能走'到'会用'的产业升级路径。

产业现状与竞争格局

一、全球产业化进程概述

四足与具身智能机器人正处于从“技术验证”向“规模商业化”过渡的关键阶段。全球市场大致形成三个梯队：以波士顿动力为代表的欧美老牌厂商，凭借Spot等产品在巡检、安防等场景建立了较早的商业化案例，但长期受制于高昂成本；以宇树科技（Unitree）为代表的中国厂商，通过自研电机、减速器等核心零部件实现了显著的成本压缩，将四足机器人价格拉入消费级与教育级市场可承受区间，带动了全球出货量的快速增长；特斯拉、Figure、智元机器人、优必选等厂商则聚焦人形机器人，依托大模型与通用具身智能叙事，推动产业关注点从“运动控制”转向“智能标定与任务泛化”。

人形机器人方面，特斯拉Optimus、Figure与OpenAI的合作、国内智元、宇树G1等产品密集发布，标志着行业进入整机快速迭代期。宇树G1以较低定价进入科研与开发者市场，成为高校与实验室具身智能研究的重要硬件载体，这一“科研先行、产业跟进”的路径与四足机器人早期发展轨迹高度相似。

二、整机厂商竞争格局

当前竞争格局呈现三个特征：

其一，成本与供应链优势成为中国厂商的核心壁垒。 宇树在电机、关节模组、控制器等环节的垂直整合能力，使其在同等性能下具备显著价格优势，四足机器人消费级市场份额领先，人形产品亦快速切入科研教育赛道。

其二，差异化定位分化明显。 波士顿动力强调高动态运动性能与工业场景深耕；宇树以性价比和开源生态吸引开发者；特斯拉、Figure等则依托AI能力对标通用劳动力市场。厂商间的竞争焦点已从硬件参数转向“硬件+模型+数据”的系统能力。

其三，生态位争夺加剧。 教育科研市场是当前确定性最高的需求来源，各厂商均围绕开发者生态展开布局，包括开放SDK、支持二次开发、兼容主流仿真平台（如NVIDIA Isaac、Gazebo）等。

三、学界—产业协同的技术转化格局

具身智能领域呈现出罕见的“学界—产业高速双向流动”特征，主要体现在三个层面：

硬件平台成为学术研究的公共基础设施。 以宇树G1、Go系列为代表的低成本整机，大幅降低了高校进入具身智能研究的门槛。前沿成果正快速反哺产业认知——例如VLM引导的数字孪生在线标定研究，即在G1人形平台上结合NVIDIA Sionna电磁仿真工具，通过材料分类与路径点规划两次模型调用，在20米行进范围内将归一化平均绝对电导率误差降至1.74×10⁻⁴量级，展示了“人形机器人+大模型+领域仿真”协同标定的可行性。

运动控制类成果向应用场景渗透。 学界在非抓取式物体搬运等方向的研究，通过不确定性感知轨迹优化与全身QP控制，使四足机器人在物体惯性参数变化下滑动减少约50%。这类成果指向物流、巡检等真实场景的落地能力，是四足机器人从“演示”走向“作业”的关键技术储备。

转化路径缩短。 借助开源仿真环境、开放硬件接口与快速迭代的融资环境，论文成果到产业原型验证的周期已从过去的数年缩短至数月。高校团队创业（如多家国内整机厂商的学术背景）进一步模糊了学界与产业边界。

四、本章小结

当前产业格局可概括为：四足机器人率先完成商业化验证，中国厂商凭借供应链优势占据出货量主导地位；人形机器人处于资本与技术双重驱动的快速扩张期；学界—产业协同构成技术转化的核心引擎。下一阶段竞争的关键，将从运动控制的成熟度，转向感知—决策—标定的系统能力，以及数据闭环的构建效率。

上游：核心技术与工具链

四足与具身智能整机的研发效率，越来越取决于上游技术与工具链的供给质量。其中，仿真平台、视觉语言模型（VLM）与电磁数字孪生构成三类关键的基础设施：仿真平台提供低成本、可复现的物理验证环境；VLM为机器人提供开放语义理解与任务规划能力；电磁数字孪生则解决机器人与真实物理空间（尤其是无线环境）交互时的标定问题。三者共同推动整机研发从“硬件试错”转向“软件迭代”。

一、仿真平台：从渲染工具走向研发中枢

以NVIDIA Sionna为代表的仿真平台，正在从图形渲染与物理仿真工具演变为具身智能研发的中枢基础设施。Sionna的可微分、物理一致性射线追踪能力，使研究者能够在合成环境中精确建模无线信道特性，这为机器人本体、感知系统与通信系统的联合设计提供了统一实验场。对于需要在复杂室内环境中长时间作业的机器人和人形机器而言，仿真不仅压缩了验证周期，还避免了高成本的真实环境部署风险。产业逻辑上，掌握仿真工具链的团队可以将“仿真—训练—真机部署”的迭代闭环压缩至数天量级，研发效率优势显著。

二、视觉语言模型：从感知模块到标定引擎

VLM在具身智能中的角色正在扩展。除了传统的场景理解与人机交互，最新研究（arXiv论文）展示了VLM作为电磁数字孪生在线标定引擎的价值：该框架基于Unitree G1人形机器人与NVIDIA Sionna，通过两次VLM调用完成在线标定——其一为材料分类，基于ITU-R P.2040标准将视觉识别的材质映射为电导率先验；其二为路径点规划，依据RSS（接收信号强度）残差标定误差与图像覆盖率动态选择下一测量点。真实室内实验中，该框架在20米行进范围内将归一化平均绝对电导率误差降至1.74×10⁻⁴，显著优于随机初始化基线。

这一结果揭示了上游技术之间的耦合效应：VLM的语义理解能力+Sionna的电磁仿真能力+人形机器人的移动能力，三者组合形成了“感知驱动标定”的新范式，将原本依赖专家经验与人工测量的电磁环境建模自动化。

三、算法层上游：运动控制与操作能力的软件供给

在整机之上，算法层同样构成上游供给。面向四足机器人的非抓取式物体搬运研究表明，通过不确定性感知的轨迹优化生成对未知物体参数敏感度最低的参考轨迹，再由耦合凸模型预测控制器联合预测四足与负载的质心动力学，并由全身QP执行地面反作用力约束，可在物体惯性参数变化下将物体滑动减少约50%。这类算法成果以开源论文与代码形式进入产业工具链，降低了下游整机厂商实现高鲁棒操作能力的技术门槛。

四、工具链对整机研发的赋能路径

五、产业评估与展望

从供给结构看，上游呈现三个特征：其一，头部平台集中度高，NVIDIA通过仿真与AI工具链形成生态绑定，下游厂商的迁移成本与依赖度值得关注；其二，开源研究快速转化为公共工具链，学术界的算法成果（如鲁棒搬运框架、VLM标定框架）以近乎零成本进入产业，加速了技术扩散；其三，跨模态融合成为趋势，电磁仿真、视觉语义与运动控制的边界正在消融，具备多工具链整合能力的团队将在整机竞争中占据上游卡位优势。

对下游整机厂商而言，上游工具链的成熟度直接决定了迭代速度与真机验证成本。预计未来2-3年，“仿真先行、真机收敛”的研发范式将成为四足与具身智能行业的标准实践，上游工具链供应商的议价能力与生态位置也将相应提升。

中游：运动控制与作业能力

四足机器人产业的中游环节，正经历从“移动能力”向“作业能力”的关键跃迁。过去数年，四足平台在崎岖地形行走、姿态恢复等运动控制层面已趋于成熟，商业化产品在巡检、测绘等场景实现规模部署。然而，纯移动能力的天花板逐渐显现：缺乏对物理世界的操作与干预能力，使四足机器人难以进入搬运、装配、标定等更高价值的作业环节。中游技术的演进主线，正是围绕“能否搬运、能否操作、能否自适应”展开。

非抓取式搬运：移动与作业的融合点

在抓取式操作之外，非抓取式搬运为四足机器人提供了一条差异化路径。该方向的代表性成果提出了一套面向四足机器人的非抓取式物体搬运框架：机器人不依赖机械臂与夹爪，而是通过身体与物体的接触，直接推动或承载物体完成搬运任务。

该框架分为两个层次。上层采用不确定性感知的轨迹优化，在物体惯性参数（如质量、质心位置、摩擦系数）未知或存在扰动的情况下，生成对参数敏感度最低的物体运动参考轨迹，从规划源头抑制滑动与倾覆风险。下层使用耦合凸模型预测控制器，联合预测四足本体与负载的质心动力学，将“机器人—物体”视为一个整体进行协调控制，再由全身QP（二次规划）执行地面反作用力约束，保证足端不打滑、姿态不失稳。

实验数据显示，在物体惯性参数变化的条件下，与固定朝向和直线轨迹两类基线相比，优化轨迹使物体滑动减少约50%。这一结果具有明确的产业含义：在物流分拣、工厂物料转运等场景中，非抓取式搬运使四足机器人无需额外的机械臂负载与成本，即可承担低精度、高鲁棒性要求的搬运任务，是移动平台向作业平台转型的低成本切入点。

模型预测控制：中游的技术底座

从更宏观的视角看，模型预测控制（MPC）已成为中游运动控制的技术底座。相较于传统的逆动力学或规则式控制，MPC能够在滚动时域内预测系统未来状态并优化控制输入，天然适合处理四足机器人这类高自由度、强耦合、含接触约束的复杂动力学系统。参考框架中的耦合凸MPC正是这一趋势的缩影——通过凸化处理降低在线求解负担，使联合预测机器人与负载的动力学成为可能。

对产业而言，MPC的价值在于“可叠加”：它既能承载非抓取式搬运这类新型作业任务，也能与视觉感知、参数估计等上游模块对接，形成“感知—规划—控制”的闭环。中游厂商的核心竞争力，正在从单一的运动控制算法，转向对整个控制栈的工程化整合能力。

智能标定：作业能力的新形态

作业能力的另一突破方向来自标定与数字孪生领域。近期研究展示了由视觉语言模型（VLM）引导的电磁数字孪生在线标定框架：利用Unitree G1人形机器人与NVIDIA Sionna电磁仿真工具，通过两次VLM调用完成任务——其一是材料分类，将观测到的环境材料基于ITU-R P.2040标准映射为电导率先验；其二是路径点规划，依据RSS（接收信号强度）残差标定误差与图像覆盖率自主选择下一测量点，实现在线闭环标定。

真实室内实验表明，该框架在20米行进范围内将归一化平均绝对电导率误差降至1.74×10⁻⁴，显著优于随机初始化的基线方案。这一结果的产业意义在于：具身智能体首次将“语义理解”与“物理标定”结合，机器人不再只是执行预设路径的工具，而是能够理解环境材料属性、自主决策测量策略的智能作业主体。这为通信网络部署、室内电磁环境测绘等B端场景打开了想象空间。

中游技术链条

产业观察

综合来看，中游技术演进呈现三条清晰脉络：其一，作业形态多元化，非抓取式搬运证明四足平台可不依赖机械臂实现基本作业，降低了功能扩展的硬件门槛；其二，控制架构融合化，MPC、全身控制与上层规划深度耦合，“机器人—负载”一体化建模成为新范式；其三，智能化外溢，VLM引导的在线标定表明具身智能正从“运动智能”走向“任务智能”，大模型能力开始渗入中游执行层。

对于产业参与者而言，中游的竞争焦点将是：谁能在真实工况的不确定性下，以更低的算力与硬件成本，稳定交付作业能力。从移动到作业的突破，既是技术命题，也是决定四足机器人市场天花板的关键变量。

下游：应用场景与商业落地

四足机器人及具身智能的商业化路径，本质上是一个“技术成熟度—场景需求强度—经济性验证”三维匹配问题。本章基于近期研究成果与产业动态，盘点三类代表性下游场景：工业搬运、室内巡检、通信标定，并评估其商业化可行性。

一、场景一：工业搬运——需求明确，但技术尚未闭环

工业搬运是四足机器人最被期待的落地场景之一。其优势在于：需求真实且付费意愿明确（人力成本刚性上升、危险环境替代需求强），且搬运任务的性能指标可以量化（负载能力、滑动率、通过性）。

技术层面，最新研究已触及搬运的核心难题。非抓取式物体搬运框架的研究表明，当四足机器人以推、顶等非抓取方式移动物体时，物体惯性参数的不确定性是主要瓶颈——团队提出的不确定性感知轨迹优化与耦合凸模型预测控制（MPC）组合方案，在物体惯性参数变化条件下，相比固定朝向与直线轨迹基线，使物体滑动减少约50%。这意味着在非结构化或半结构化物流环境中，四足机器人的搬运鲁棒性正在从“演示级”迈向“工程级”。

但需要客观评估的是：该方案仍处于仿真加真实实验的验证阶段，尚未见大规模产线部署的公开数据。四足搬运在结构化程度高的场景中，面临来自AGV/AMR的强竞争——后者成本低、调度成熟。四足机器人的差异化价值在于非平整地面（台阶、斜坡、户外物流场）、需要全身协调的非抓取操作等AMR难以覆盖的环节。

成熟度评估：技术TRL约5-6，商业化可行但需选对AMR覆盖不了的细分场景；建议关注仓储外延环节与建筑工地物料转运。

二、场景二：室内巡检——商业逻辑清晰，竞争趋于白热化

室内巡检（电站、化工厂、数据中心、商业楼宇）是四足机器人当前商业化最活跃的场景。其特点：

• 需求标准化程度高：以定点测温、读表、异常声音识别为主，可复制性强；
• 付费模式清晰：多以“机器人本体+巡检软件平台+运维服务”订阅制出现，具备连续现金流属性；
• 替代经济性可测算：与人工巡检的人力成本直接对标，ROI计算路径明确。

国内市场头部厂商（宇树、云深处等）已在此场景形成规模出货，价格竞争使整机成本快速下探，进入门槛降低的同时，产品毛利也被压缩。产业博弈的焦点正从“能否卖出去”转向“软件与算法能否形成溢价”——单纯的整机集成商将面临利润率挤压，具备多模态感知、自主导航、缺陷识别算法积累的厂商更具议价能力。

成熟度评估：技术TRL 7-8，商业化验证基本完成，是当前确定性与增速最高的下游，但红海化趋势明显。

三、场景三：通信标定——前沿交叉场景，具身智能的“智能标定”样本

通信标定是相对新兴且少被关注的下游方向，其产业背景是5G/6G网络密集部署下，室内电磁环境建模与基站部署优化的需求上升。传统人工路测方式效率低、成本高，机器人化标定具备明确的价值主张。

2024-2025年的代表性进展来自学术前沿：基于视觉语言模型（VLM）引导的电磁数字孪生在线标定框架，利用Unitree G1人形机器人搭载NVIDIA Sionna电磁仿真工具，通过两次VLM调用完成任务——一次进行材料分类（基于ITU-R P.2040标准映射为电导率先验），一次进行路径点规划（依据RSS残差标定误差与图像覆盖率自适应选择下一测量点）。真实室内实验中，该框架在20米行进范围内将归一化平均绝对电导率误差降至1.74×10⁻⁴量级，显著优于随机初始化基线。

这类工作的产业意义超出标定本身：它验证了“具身智能体+大模型+仿真工具链”的组合可以在专业垂直领域（电磁工程）中完成以前依赖专家经验的任务，是具身智能从“运动控制”走向“智能标定”的典型样本。其技术路线——感知数据驱动数字孪生在线更新、LLM/VLM做高层决策——可迁移至建筑BIM核验、设备参数核查等同类场景。

成熟度评估：TRL约3-4，尚处概念验证阶段；通信运营商设备商为潜在买单方，但标准与采购体系尚未形成，商业化窗口预计在2-3年后。

四、场景匹配度总览

五、小结

下游商业落地的演进路径可概括为：

短期内，室内巡检是现金牛与市场教育工具；中期看工业搬运在非结构化环境的差异化突破；远期，以通信标定为代表的“大模型+具身智能”交叉场景，将决定四足机器人能否真正跨越从运动控制到智能标定的产业断层。对投资者与厂商而言，场景选择的关键不是单一指标的先进性，而是技术成熟度与客户付费节奏的精确咬合。

数据与竞争要素分析

5.1 数据驱动的性能量化：从“能用”到“可用”的分水岭

具身智能产业的竞争要素正在发生结构性迁移。早期四足机器人竞赛聚焦于运动能力的“有无”——能否行走、能否穿越复杂地形；而当前的技术前沿已转向性能的“量化优势”——同等任务下的稳定性、精度与泛化能力。这种迁移使得实验数据本身成为衡量厂商技术护城河深度的核心标尺。

以两个代表性研究方向为例，可以清晰观察到数据如何刻画技术差异并转化为产业竞争力。

5.2 案例一：搬运任务的滑动率差异

在非抓取式物体搬运领域，某研究团队提出的框架包含三层递进结构：不确定性感知的轨迹优化、耦合凸模型预测控制（MPC）与全身QP执行层。其核心量化指标是物体在搬运过程中的滑动程度——在物体惯性参数变化的条件下，与固定朝向和直线轨迹基线相比，优化轨迹使物体滑动减少约50%。

这一数据的产业含义值得深入解读：

• 鲁棒性即商业可行性：滑动减少50%并非边际改进。对于物流、巡检等商业化场景，物体滑落意味着任务失败率、设备损耗与安全风险的综合上升。50%的滑动率下降可能直接决定某一细分场景能否从“实验室演示”进入“准商用部署”。
• 对未知参数的低敏感度是护城河本质：该框架的关键创新在于对未知参数敏感度最低的参考轨迹生成。这实质上是在算法层面“预埋”了容错能力，降低了下游部署时对精准建模的依赖，压缩了系统集成商的实施成本。
• 基线对比即价值锚定：数据必须以基线为参照才有意义。固定朝向与直线轨迹代表的是“朴素方案”，与朴素方案拉开50%的差距，意味着技术方案对场景理解的深度已形成代际差。

5.3 案例二：标定误差的数量级优势

在数字孪生与在线标定方向，一项由视觉语言模型（VLM）引导的电磁数字孪生框架给出了另一组关键数据：利用Unitree G1人形机器人与NVIDIA Sionna工具链，通过两次VLM调用——材料分类（基于ITU-R P.2040标准映射为电导率先验）与路径点规划（依据RSS残差标定误差与图像覆盖率选择下一测量点）——在20米行进范围内的真实室内实验中，将归一化平均绝对电导率误差降至1.74×10⁻⁴，显著优于随机初始化的标定策略。

这组数据的竞争壁垒逻辑在于：

1. 自动化替代人工标定：传统电磁环境标定依赖专业人员反复测量，1.74×10⁻⁴的误差水平若由机器人在行进中自主达成，则意味着标定环节的人工成本被大幅压缩。

2. 具身智能作为移动传感平台：该案例中四足/人形机器人不再只是“执行者”，而是承担了“智能测量员”角色——依据残差与覆盖率自主决策下一测量点。这标志着机器人从运动控制向“智能标定”的价值链上移。

3. 生态绑定效应：框架依托Unitree G1硬件与NVIDIA Sionna仿真工具，体现了“硬件+仿真+模型”三位一体的生态协同。头部厂商通过绑定核心工具链，正在形成类似移动互联网时代的生态壁垒。

5.4 竞争壁垒的形成路径

如上图所示，技术性能数据通过场景准入门槛的中介作用，最终形成“实验数据—场景落地—数据反馈”的飞轮闭环。这一闭环具有典型的马太效应：早期积累高质量实验数据的团队，能够更快通过商业化验证，进而获得更多真实场景数据，持续拉开与追赶者的差距。

5.5 数据竞争的深层博弈逻辑

需要客观指出的是，实验数据的呈现本身也存在博弈属性：

• 数据透明度不对称：论文数据通常来自精心设计的实验条件，产业界在评估技术方案时需要关注实验边界条件（如参考2中20米行进范围、室内环境）与目标场景的匹配度。数据的价值取决于其与真实部署分布的一致性。
• 基线选择的主观性：滑动减少50%依赖于基线设定，头部厂商与初创企业可能选择不同强度的基线进行对比，导致跨论文数据不可直接比较。这要求产业分析建立统一的评测基准。
• 从指标竞争到标准竞争：参考2中采用ITU-R P.2040标准进行材料映射，暗示未来具身智能评测可能走向标准化。谁能主导评测标准与基准数据集，谁就掌握产业话语权——这与通信、自动驾驶行业的标准竞争路径一致。

5.6 本章小结

滑动减少约50%与标定误差1.74×10⁻⁴这两组数据，分别代表了运动控制与智能标定两条演进路线上的量化竞争要素。产业竞争的本质正在从“能否完成任务”转向“以可验证的数据优势锁定场景准入”。对于产业参与者而言，构建可复现、可对比、可跨场景迁移的实验数据体系，将是决定其在具身智能下一阶段竞争格局中位置的关键变量。

趋势判断与投资逻辑

四足机器人与具身智能正从“能走、能跑”的运动控制阶段，向“能干活、能标定、能泛化”的智能作业阶段演进。结合最新研究成果与产业动态，本章研判三大趋势，并从产业观察视角梳理其中的机会与风险。

一、三大趋势研判

趋势一：大模型与机器人融合从“语音交互”走向“感知-决策闭环”。 早期的大模型应用多停留在自然语言指令解析层面，而当前研究已将视觉语言模型（VLM）嵌入机器人的核心决策回路。典型如基于Unitree G1人形机器人与NVIDIA Sionna构建的电磁数字孪生在线标定框架：VLM通过两次调用——材料分类（基于ITU-R P.2040映射为电导率先验）与路径点规划（依据RSS残差误差与图像覆盖率选择下一测量点）——实现在线自主标定，在20米行进范围内将归一化平均绝对电导率误差降至1.74×10⁻⁴，显著优于随机初始化方案。这表明大模型正成为机器人“认知层”的通用底座，其价值在于将开放世界的语义理解转化为可执行的物理任务参数。

趋势二：软硬协同标定成为降低部署成本的关键路径。 传统机器人标定依赖人工示教与离线建模，部署周期长、成本高。VLM引导的在线标定框架展示了“数字孪生+实时测量+模型决策”的软硬协同范式：硬件侧由机器人本体完成数据采集，软件侧由数字孪生与VLM完成参数反演与路径优化。若该范式向四足机器人的载荷识别、地形参数估计等环节迁移，有望大幅压缩非结构化场景的部署成本，这是产业化的核心瓶颈之一。

趋势三：非结构化作业能力从“抓取”向“操控”扩展。 非抓取式物体搬运研究显示，通过不确定性感知的轨迹优化生成对未知参数敏感度最低的参考轨迹，再由耦合凸模型预测控制器联合预测四足与负载质心动力学，并以全身QP执行地面反作用力约束，可在物体惯性参数变化下将物体滑动减少约50%。这意味着四足机器人在无专用末端执行器的条件下即可完成推、拉、驮等物流搬运任务，显著拓宽了其在仓储、巡检、救灾等非结构化场景的作业边界。

二、产业逻辑图谱

三、机会与风险判断

机会层面： 其一，具备“本体+模型”全栈能力的厂商有望率先形成数据飞轮——机器人作业产生数据，数据反哺模型，模型提升作业能力；其二，标定与数字孪生工具链（如仿真引擎、VLM中间件）可能成为独立赛道，类似自动驾驶时代的高精地图与仿真平台；其三，非抓取操控降低了硬件复杂度，为四足平台在物流场景的规模化落地提供了低成本切入点。

风险层面： 首先是技术泛化风险，当前VLM引导标定、非抓取搬运的验证多限于特定实验环境，实物实验与仿真之间的迁移鸿沟仍需大规模数据验证；其次是商业化节奏风险，具身智能叙事下估值先行，若部署成本下降速度不及预期，可能出现产业泡沫与洗牌；再次是标准与合规风险，机器人物理作业涉及安全责任界定、数据采集合规等监管议题，相关规则仍在演进中，企业需在产品设计中预留合规接口；最后是供应链博弈风险，核心关节模组、算力芯片的供给格局变化可能重塑整机厂商的成本结构与竞争位次。

综合判断： 未来2-3年是具身智能从演示走向落地的验证窗口期，建议产业观察重点关注三类指标：真实非结构化场景的作业成功率、单台部署与运维成本曲线、以及标定工具链的标准化进展。技术叙事的热度终将回归到这三项可量化的产业基本面。