【研究】“人工智能+”赋能具身智能机器人新形态及关键技术应用

微信扫码，打开到小程序

�N����7� �����0 ��� “人工智能+”赋能具身智能机器人新形态 及关键技术应用 李腾达 朱紫钰 韩子奇 (中国移动上海产业研究院,上海 201206) 摘要:人工智能与机器人的深度融合正催生新一代机器人形态,其中具身智能机器人因其强调物理实体 与环境交互的核心特性而成为关键发展方向。 聚焦“人工智能+” 赋能的具身智能机器人这一特定形 态,系统综述了具身智能机器人的概念演进与发展现状,着重剖析了人工智能技术在感知、认知、决策、 执行及底层数据支撑等环节带来的变革;围绕多模态感知、大语言模型与深度强化学习等核心技术,结 合工业制造、医疗护理、家庭服务等场景应用,展示了“人工智能+” 赋能具身智能机器人的应用成果。 同时,指出了计算资源消耗、算法泛化性与鲁棒性不足等现实瓶颈,并展望了更高效模型架构、跨模态协 同与多领域扩张等未来趋势,为具身智能机器人的技术创新和产业落地提供了参考。 关键词:人工智能+;具身智能;多模态感知 中图分类号:TP18;TN929. 11 文献标志码:A 引用格式:李腾达, 朱紫钰, 韩子奇 . “人工智能+”赋能具身智能机器人新形态及关键技术应用[J]. 信 息通信技术与政策, 2025,51(8):15-25. DOI:10. 12267/ j. issn. 2096-5931. 2025. 08. 003 0 引言 随着多模态感知、大语言模型和深度强化学习的 快速突破,具身智能机器人正成为“人工智能+” 时代 驱动工业、医疗、家庭服务等领域深度变革的关键载 体。 具身智能机器人作为机器人领域的重要分支,其 能够在真实环境中与周围环境进行交互,执行各种复 杂任务。 本文首先回顾了具身智能的概念演进及其在 机器人技术中的定位,概述了从行为控制到“感知—认 知—决策—控制”一体化系统的技术脉络与产业进展; 进而构建了“感知融合—认知规划—控制执行—数据 生成”4 层“ 人工智能+” 赋能框架;最后深入探讨了 “人工智能+” 对具身智能机器人的赋能作用,以及相 关技术及应用案例,并对未来发展前景进行了展望。 1 具身智能机器人概述 1. 1 具身智能的概念 现代人工智能起源于 20 世纪 50 年代的“达特茅 斯会议”,此后人工智能由“符号主义” 逐渐发展向以 神经网络模型为代表的“联结主义” [1]。 具身智能起 源于对传统“符号主义”与“联结主义”局限性的反思, 强调智能源于身体、环境与认知的交互。 20 世纪 80 年 代,有学者提出智能需要具身化和情境化,从而推动了 仿生机器人的发展;同时,从心理与感知角度强化了 “动作即认知” 的观念 [2]。 随着材料、控制、学习等跨 学科融合,具身智能逐渐发展为区别于离身智能、强调 交互与形态的重要研究范式,并成为新一代人工智能 突破的关键方向 [3]。 ·15· ���E�����0 现代具身智能指的是融合多模态感知、自主学习、 行为决策与人机协作能力的智能系统,强调智能体通 过身体与环境的持续交互,在动态、不确定环境中展现 出高度适应性与进化能力 [4]。 其核心特征包括环境感 知与认知融合、跨任务的自主适应优化以及在服务、制 造等场景中的协同与实用性。 1. 2 具身智能机器人的概念 具身智能机器人是指具有物理实体,并能够通过 自身的感知、决策和行动能力在真实环境中与周围环 境进行交互的机器人。 与传统机器人相比,具身智能 机器人不仅具备机械结构和运动能力,更重要的是拥 有类似人类的智能感知和决策能力,能够根据环境变 化自主调整行动策略。 其“具身” 特性使其能够直接 接触和影响周围环境,基于对真实世界的物理特征与 语义信息的充分理解,通过身体与环境的实时交互完 成任务并基于物理世界的交互反馈实现“智能” 的持 续学习。 例如,传统工业机械臂仅能执行预设的焊接 或搬运任务,而具身智能机器人(如 Optimus) 则能通 过多模态感知理解复杂场景,并自主规划路径、抓取物 体,甚至与人类协作完成动态任务。 “人工智能+”作为推动产业智能化升级的战略方 向,其与机器人技术的结合催生了多样化的智能机器 人形态,这些形态根据其智能水平、交互深度和应用场 景存在显著差异。 其中,具身智能机器人代表了“人工 智能+机器人”的一种高级形态,其核心在于强调智能 体必须拥有物理实体,通过该实体在真实物理环境中 进行感知、交互、行动等,并基于环境反馈持续学习和 优化。 如表 1 所示,与广义的“人工智能+机器人” 相 比,具身智能机器人具有以下 3 个特征:一是物理实体 的必要性。 必须具备可操作的机械结构(如四肢、传感 器等),而非仅在虚拟环境中运行(如软件 Agent)。 二 是环境交互的深度性。 通过物理实体主动与环境互动 (如抓取、移动),而非仅执行预设路径的简单任务(如 AGV)。 三是闭环学习的持续性。 基于环境反馈的持 续优化能力,而非静态规则驱动的执行逻辑。 因此,具身智能机器人是“人工智能+” 赋能机器 人的重要体现和前沿方向。 具身智能机器人从早期的 行为控制探索,发展到融合感知、控制、学习与认知的 高度复杂系统,其路径经历了“理论奠基—工程落地— 产品化尝试—系统集成升级”4 个阶段,现已成为新一 代人工智能的关键技术突破口之一。 1. 3 具身智能机器人发展现状 近年来,具身智能机器人在技术和应用方面取得 了显著进展。 在技术上,机器人硬件性能不断提升,传 感器精度更高、种类更丰富,电机驱动系统更加高效和 精准,为具身智能机器人的感知和运动提供了坚实基 础。 在软件算法方面,人工智能技术尤其是多模态大 模型能力的引入极大地增强了具身智能机器人的智能 水平。 从早期简单的编程控制,逐渐发展到如今利用 机器学习、深度学习等算法实现自主感知、交互、决策 及优化学习。 在应用领域方面,由于与传统移动机器 人相比,具身智能机器人能够完成一些通常需要人类 智慧才能完成的复杂工作,因此可广泛应用于工业制 造、物流仓储、医疗护理、家庭服务等多个行业。 在工 业制造中,具身智能机器人能够完成复杂、柔性的装配 任务,提高生产效率和质量;在物流仓储中,具身智能 机器人可实现货物的智能搬运和分拣;在医疗护理领 域,具身智能机器人能够辅助医护人员进行康复治疗 表 1 “人工智能+机器人”形态对比 特征 传统机器人 人工智能+机器人 (广义) 具身智能机器人 (“人工智能+机器人”子集) 核心驱动 程序控制 人工智能算法驱动 人工智能算法驱动 智能水平 低(执行预设任务) 中高(具备感知、决策能力) 高(强调“感知—认知—决策—执行”闭环) 交互深度 浅层(与环境交互有限) 多样(视具体应用而定) 深层(通过物理实体主动交互、反馈学习) 环境适应性 低(依赖结构化环境) 中高(视人工智能能力而定) 高(需适应非结构化、动态环境) 学习能力 无或弱 有(基于数据/ 模型) 强(强调基于环境交互的持续学习) 典型代表 工业机械臂(基础功能) 智能扫地机器人、智能客服机器人 人形机器人、 高级护理机器人 ·16· �N����7� �����0 ��� 等工作。 2009 年,波士顿动力公司推出四足机器人 “BigDog”与人形机器人“ Petman”,并于 2013 年研发 出首代“Atlas”原型机,标志着具身智能机器人进入工 程化突破阶段。 2013 年,我国香港汉森机器人技术公 司(简称“汉森机器人公司”) 与深圳市优必选科技股 份有限公司(简称“优必选”)等企业相继进入该领域, 推动具身智能机器人向产业化演进。 2016 年汉森机 器人公司推出社交机器人“Sophia”,2018 年优必选发 布双足服务机器人“Walker”,具身智能机器人逐步具 备人机交互、多模态感知与自主导航等综合能力,迈入 商业化尝试阶段。 2023 年,特斯拉发布“ Optimus” 系 列人形机器人,融合类人操作、环境理解与能源优化设 计,推动具身智能迈入系统集成升级的新纪元。 总体来看,具身智能机器人已从单一行为控制发 展为融合感知、认知、决策控制的复杂系统,成为新一 代人工智能技术突破与产业落地的重要方向。 目前, 国内外具身智能机器人应用大多仍处于实验室测试阶 段,针对特定场景、特定任务的具身智能机器人虽然有 了较大的发展,但整体技术并不成熟,尚未实现产业化 与商品化。 2 “人工智能+”赋能具身智能机器人的关键 技术体系 “人工智能+”在机器人领域的应用涵盖广泛的技 术范畴,从传统的图像识别到最新的多模态大模型方 法等,在赋能具身智能机器人这一特定形态时,其技术 体系呈现出围绕“ 感知—认知—决策—执行—数据” 闭环的深度融合特征。 具体而言,具身智能机器人的 关键技术体系包括:多模态感知与理解技术,即通过视 觉、语言、触觉等多源信息融合来构建环境的语义表 征;多模态规划与决策技术,即基于大语言模型和世界 模型将高层语义转化为可在物理环境中执行的动作序 列; 运 动 控 制 技 术, 即 结 合 模 型 预 测 控 制 ( Model Predictive Control, MPC ) 与 深 度 强 化 学 习 ( Deep Reinforcement Learning,DRL)实现高精度、自适应的执 行;多模态生成式人工智能技术,即利用合成数据驱动 模型迭代优化。 这些技术共同构成了具身智能机器人从感知到执 行的完整闭环。 本文将系统阐述支撑具身智能机器人 发展的关键人工智能技术,这些技术不仅包括当前取 得显著突破的大模型方法,也包含其他基础性人工智 能方法在机器人感知、规划、控制等环节的创新应用。 “人工智能+”赋能具身智能机器人的关键技术体 系可概括为 4 个依次递进的核心环节:其一,多模态感 知与理解为具身智能机器人提供跨视觉、语言、触觉等 信息的统一环境表征;其二,多模态规划与决策借助大 语言模型和世界模型,将高层语义转化为可在物理环 境中执行的动作序列;其三,运动控制通过模型预测与 强化学习的协同,实现对真实物理约束下的高精度、自 适应执行;其四,多模态生成式人工智能则以低成本、 高保真的合成数据持续驱动前述各环节迭代优化。 图 1 直观展示了支撑具身智能机器人发展的核心人工智 能技术环节及其典型方法。 2. 1 多模态感知与理解技术 在具身智能机器人系统中,多模态感知技术是实 现智能体对复杂环境理解、行为决策和交互控制的基 础能力。 随着大规模多模态模型的发展,具身智能的 感知范式已由传统的单模态输入与规则驱动,演进为 以语言、视觉、语音、触觉等多模态信息融合为核心的 深度理解机制。 当前,面向具身智能机器人感知与理 解能力的研究主要围绕两大路径展开:一是多模态模 型用于环境感知与任务理解;二是多模态建模用于环 境表征与语义增强,已形成较为系统的技术体系 [5]。 2. 1. 1 基于多模态大模型的环境感知与任务理解 技术 多模态大模型具备对图像、文本、图表、文档等多 种信息形式的深度理解能力 [6],涵盖多语言与多模态 语义解析,可为具身智能提供环境感知与语义理解支 持,并通过提示机制生成结构化输出,如任务拆解、控 制指令等,从而实现智能体对复杂环境的适应与操作。 一种基于 GPT-4V 的增强具身任务规划框架表明 [7], 具身智能系统可通过结合图像帧与语言指令,实现高 一致性的行为生成,展示了预训练多模态模型在“感 知—认知—规划” 链条中的应用潜力。 进一步,ViLA 系统 [8]实现了基于 GPT-4V 的闭环控制,通过动态视 觉反馈引导行为调整,从而显著提升机器人在动态环 境中的鲁棒性与适应性。 另一种基于对象中心的具身 大语言模型 [9],通过定义动作标记与状态标记,使语言 模型在多模态反馈引导下完成动作生成与状态感知的 循环,为自然语言驱动的具身交互提供了新范式。 ·17· ���E�����0 ��� �� � � �� � � � � � � � � � � � � � � � � � � � � � � � � � � ���� �� � � � � � � � � � � � � � � � � � � � � � � � � � � � � 图 1 “人工智能+”赋能具身智能机器人的关键技术体系 2. 1. 2 基于多模态大模型的环境表征与语义增强 技术 在环境建模与空间理解层面,多模态模型被用于 构建语 义 增 强 的 场 景 表 示。 以 图 文 多 模 态 模 型 (Contrastive Language-Image Pre-training, CLIP) 为 代 表的预训练“视觉-语言” 模型被广泛应用于开放词汇 物体识 别、 图 像 语 义 嵌 入 与 场 景 语 义 理 解。 例 如, HomeRobot 系 统 引 入 CLIP 进 行 弱 监 督 3D 语 义 建 模 [10],使机器人具备开放环境下的识别与操控能力。 一种基于体素化场景的算法可通过从“ 粗” 到“ 细” 的 注意机制构建注意力放大路径 [11],提升感知与控制的 区域聚焦能力;而一种 3D 特征场模型 [12] 则将多模态 特征编码至 3D 网格与特征场中,进一步增强了机器 人在视觉定位与语义检索中的泛化能力。 值得关注的是,近年来基于 3D 高斯的场景建模 方法在多模态感知中展现出极高的效率与精度。 将 3D 高斯与语言特征相结合 [13],可构建响应自然语言 查询的语义场,实现高效渲染与交互查询,并可进一步 将高斯表示引入具身任务中,构建集语义理解、实时编 辑与抓取生成为一体的具身交互系统 [14]。 综上所述,现代具身智能机器人的多模态感知体 系正在由“感知融合”向“语义建模—反馈调节—任务 适应”的全面跃迁。 以大模型为核心的“语言-视觉”嵌 入结构、“体素化与高斯化” 场景建模、语义增强的行 为闭环控制,构成了具身智能多模态感知的关键技术 路径。 这些进展显著提升了具身智能机器人的泛化能 力、操作精度与环境适应性,也为未来多模态智能体的 构建提供了坚实的技术基础。 2. 1. 3 环境建模与定位技术 在具身智能机器人的技术体系中,环境建模与定 位是构建其“空间认知”的核心模块,直接决定了机器 人能否在动态环境中实现自主导航、任务执行与安全 交互。 该技术的本质是解决两大核心问题:“ 我在哪 里”(定位)与“周围是什么”(环境建模),其输出的时 空数据不仅是感知层的“ 终点”,更是决策层的“ 起 点”,为运动规划、任务推理提供基础语义支撑。 传 统 同 步 定 位 与 地 图 构 建 ( Simultaneous Localization and Mapping,SLAM) 技术通过传感器数 据实时构建环境地图并确定自身坐标,是具身智能机 器人在未知环境中自主探索的“ 眼睛”。 在室内服务 ·18· �N����7� �����0 ��� 场景中,激光 SLAM( 如 Cartographer 算法) 利用 360° 激光雷达构建厘米级精度的点云地图,为扫地机器人 规划无碰撞路径;而视觉 SLAM(如 ORB-SLAM)则通 过单目/ 双目摄像头提取环境特征,凭借轻量化优势在 消费级机器人中广泛应用。 随着具身智能向复杂场景 延伸,语义 SLAM 成为关键突破方向,它不再局限于 几何结构建模,而是通过深度学习(如 MaskR-CNN 语 义分割)为地图赋予“门”“楼梯”“餐桌”等语义标签, 使机器人不仅能“ 看到” 障碍物,更能“ 理解” 物体功 能。 例如,当机器人接收到“去厨房倒垃圾” 指令时, 语义地图可直接定位“厨房门”的位置与开合状态,结 合几何地图规划避障路径,大幅提升任务执行效率。 环境建模与定位技术的进步,正推动具身智能从 “几何级导航” 向“认知级交互” 进化。 当机器人的地 图不仅包含坐标点与障碍物,更整合了物体功能(如冰 箱用于存储食物、插座需要避免触碰)、空间关系(如 杯子通常在餐桌上)等先验知识,其决策逻辑将从简单 的“避障”升级为“理解环境意图”。 例如,搭载语义动 态 SLAM 的机器人进入陌生房间时,能通过识别“书 桌→可能有电脑” “垃圾桶→应避免靠近” 等语义信 息,自主规划符合人类习惯的行动路线,这种基于空间 认知的智能,正是具身智能机器人实现复杂任务的核 心前提。 环境建模与定位技术如同机器人的“空间记忆系 统”,其精度与智能程度直接决定了机器人在非结构化 环境中的适应性。 随着多传感器融合(如“激光-视觉- 惯性数据”的深度融合)、轻量化模型(如基于 NeRF 的 实时三维重建)等技术的突破,这一核心模块正逐步赋 予具身智能机器人接近人类的空间理解能力———不仅 能“看到”物理世界,更能“ 读懂” 环境语义,为感知决 策闭环奠定坚实基础。 2. 2 多模态规划与决策技术 多模态规划与决策层作为具身智能机器人的“智 能大脑”,负责根据感知信息推理未来动作序列,并输 出符合任务约束的轨迹、姿态或协同方案。 多模态大模型通过分层协同架构整合视觉、语言、 深度、触觉等多源感知,在动态环境中推理未来动作序 列并输出符合物理约束与任务目标的轨迹、姿态或协 同方案 [15]。 基于物理感知与语义解析的结果,“智能 大脑”进行任务分解与长期规划:大语言模型对人类指 令进行编码,例如将“给盆栽浇水”细化为定位“水壶” “抓取”“移动”“浇水”等子任务,并结合多模态 SLAM 构建兼具几何精度与语义信息的环境图,同时通过具 身记忆持续积累交互经验以支持任务中断恢复与价值 对齐。 近期研究聚焦以下 3 类代表性方向:一是零样本 操作规划 [16],通过语言模型调用“视觉-语言” 模型合 成三维价值地图,再用“贪心搜索”生成无碰撞末端位 姿,零样本完成上百种日常操作;二是 3D 世界模型驱 动 [17],基于 3D 物理信息的视觉语言动作模型(Vision- Language-Action,VLA) 场景、物体与动作特征统一嵌 入 3D Transformer 框架,给定初始与目标状态即可想 象完成任务后的深度图与点云并输出动作序列,另一 种交互式视频生成模型 [18] 则将视觉、动作和奖励标记 为自回归序列,既可作条件视频预测也能为强化学习 提供可扩展世界模型;三是多机器人协作规划,一种多 机器人协作方法利用预训练的大语言模型进行高层次 的通信和低层次的路径规划 [19],各智能体