具身智能技术与政策动态 · 2026年10月

Zero-shot（零样本）在这里指评估家庭和操作物体未用于环境适配。三类行为已在其他地点采集的数据上训练，因此实验检验的是既有行为迁移到新环境的能力。

人的视频能提供物体怎样变化、动作怎样分段等信息，但不会自动带有机器人关节角或控制指令。迁移到机器人动作，仍需解决视角、身体结构、动作表示和后训练数据的差异。

实景实训将“在演示中做对一次”推进到“在真实流程中持续完成任务”。院校项目可以据此组织场景、数据、技能和评价四个环节，分别记录任务完成率、效率、干预与部署条件。

比较感知模型、抓取系统或学习策略时，要固定任务、传感器、身体和成功判据。位姿误差小、抓取成功率高和整项任务完成率高，是不同指标；可以逐环节记录再检验系统结果。

产量描述统计范围内的生产数量，不能直接换算成机器人保有量、销量、人形机器人数量或具身智能系统部署数量。同比比较对应上一年同一时期。

VLA把视觉与指令映射为动作；ER（Embodied Reasoning，具身推理）负责理解场景与组织任务。以“收拾房间”为例，系统先规划步骤，再通过动作模型执行，并用反馈确认每一步的结果。理解整个流程，可以回到第1章的感知—动作循环和第10章的身体协调。

预训练模型提供起点，后训练让它适应具体机器人与数据。动作生成模块输出连续控制量，例如用于执行抓取的动作序列。把模型接到机器人上时，先明确相机、机器人状态，以及动作的单位和频率。这些接口约定与第2—3章的坐标和旋转知识相连。

只看当前画面，机器人可能不知道哪个柜子刚检查过。近期图像保留动作细节，文字记忆概括较久之前的任务状态。这是第8章POMDP（部分可观测马尔可夫决策过程）的一个具体延伸：策略所需的信息可能来自历史，而不只来自当前一帧。

Actor（行动者）决定怎样调整动作，Critic（评价者）估计调整的价值。预训练行为提供基础，在线交互改进小策略，集中处理精密动作阶段的难点。这样就把第8章的模仿学习与第9章的Actor-Critic接成了一条学习流程。

World Model（世界模型）学习与动作有关的未来信息；有的方案在训练时预测未来，部署时仍直接输出动作，因此“用了世界模型”不一定等于“每次行动前都生成视频”。DAgger式干预强调在策略实际到达的状态上补充正确行为。

并行仿真让策略同时从多个环境收集经验；视觉策略把图像而非完整仿真状态作为输入。这有助于理解第9章的采样效率，以及第10章训练时信息与部署时信息的区别。

GPU加速让这些计算更高效，坐标变换、碰撞约束和运动连续性仍是规划的核心。VLA给出目标或动作之后，底层系统可能还需要运动学、轨迹与控制组件。第2—4章的基础知识正好帮助你理解这部分工作。