中国人工智能系列白皮书：具身智能（2026版）

中国人工智能学会二〇二六年四月 目录 第一章具身智能的概念与内涵 1.1具身智能发展历史1.2具身智能多学科交叉特性21.3具身虚实结合现状3 第二章具身智能的关键技术5 2.1具身感知62.2具身推理82.3具身操作102.4具身导航·132.5强化学习152.6具身交互162.7群体具身智能192.8具身世界模型202.9具身大模型222.9.1跨模态感知与表征学习242.9.2智能决策规划242.9.3动态运动控制252.10具身智能安全26 第三章具身智能数据集与平台31 3.1具身智能数据集313.2具身智能模拟器36 第四章具身智能行业应用43 4.1生活服务业444.2工业464.3农业484.4交通554.5能源与电力58 第五章具身智能未来发展趋势60 5.1具身智能关键技术发展趋势605.2具身智能技术应用发展展望635.2.1从VLA到WAM:世界模型驱动的范式跃迁635.2.2数据范式的结构性变革645.2.3技术范式演进与应用落地的发展665.3具身智能研究平台发展展望665.3.1数据采集平台的便携化665.3.2仿真平台的开放化与标准化675.3.3数据生态的全球化与开源化675.4具身智能标准化发展展望68第六章总结....70参考文献.72编写人员贡献96 第一章具身智能的概念与内涵 具身智能作为人工智能领域的一个重要研究方向，专注于智能体通过物理本体与外界环境的互动来实现智能的理论与技术研究，涵盖环境感知、记忆推理、对话交互、自主学习、决策规划、动作执行等综合性技术，从而在真实物理世界中展示出类人的智能行为。相比于静态、离身的人工智能，具身智能具有涉身性、情境性、主动性和交互性等特点。具身智能兼具多技术融合与多学科交叉特性，与计算机科学、机器人学、神经科学、认知科学等不同领域都紧密相关，其研究范畴、研究范式，内涵外延也在不断发展中。具身智能近年来得到了学术界、产业界的大量关注，被认为是人工智能的下一个爆发点，是人工智能走向物理世界的核心关键，在国计民生等各方面都有重大潜在应用价值。 1.1具身智能发展历史 具身智能的演进历程可追溯至20世纪50年代，其理论源自英国杰出的计算机科学家阿兰·图灵（AlanTuring）的深刻洞见。1950年，图灵在其具有划时代意义的论文《计算机器与智能》（ComputingMachineryandIntelligence）中，首次构想了一种能够与环境进行动态交互、具备自我学习能力的智能实体。该智能体被设想为能够像人类一样感知外界环境、自主规划行动路径、做出决策，并具备高效执行任务的能力，这一构想被视为具身智能（EmbodiedIntelligence）的初步理论框架。 步入20世纪80年代，随着人工智能研究的不断深入，行为主义AI学派开始斩露头角，其中罗德尼·布鲁克斯（RodneyBrooks）等学者的研究尤为突出。他们强调通过感知与动作的紧密协同，设计能够与环境进行有效交互的智能机器。这一时期的“具身”机器人实验主要聚焦于利用逻辑规则算法与机器人硬件的结合，以实现特定的应用功能。尽管这些实验尚处于初步探索阶段，但它们为具身智能的发展奠定了重要基础。 随着技术的不断积累与创新，具身智能迎来了快速发展的黄金时期。深度学习（DeepLearning）、强化学习（ReinforcementLearning）等先进算法模型的涌现，为具身智能提供了强大的技术支持。这些算法模型使机器人能够更好地理解和处理复杂的环境信息，从而实现更加智能和灵活的行为。同时，传感器与执行器等硬件技术的 不断进步，也显著提升了机器人的感知敏锐度和行动精准度。在这一阶段，“具身”机器人技术取得了显著进展，不仅在仿生机器人研发方面取得了重要突破，还在“人工智能+机器人”的智能化融合上迈出了决定性步伐。例如，特斯拉的人形机器人Optimus通过先进的视觉-语言-动作模型以及精确的电机控制技术，实现了智能、拟人的交互，展示了具身智能在机器人领域的巨大潜力。 近年来，随着大语言模型（LargeLanguageModels，LLMs）的兴起，具身智能的发展迎来了新的高潮。大模型凭借其深厚的通用知识库和智能涌现能力，为机器人提供了更高层次的智能感知、自主决策和拟人化交互能力。谷歌DeepMind推出的RT系列机器人，尤其是RT-H版本，通过创新的任务分解与语言指令转化策略，实现了任务执行的高精度与高效率，进一步推动了具身智能在复杂任务处理方面的能力。 此外，MetaAI发布的CortexBench视觉评估基准以及专为具身智能设计的VC-1视觉模型，为具身智能的标准化评估与模型优化提供了重要工具。英伟达（NVIDIA）作为GPU和AI计算领域的领导者，在具身智能领域同样做出了显著贡献。他们推出了GRooT人形机器人基础模型及JetsonThor新款人形机器人计算机，并对Isaac机器人开发平台进行了全面升级，为机器人技术的持续创新提供了有力支撑。 1.2具身智能多学科交叉特性 具身智能的思想和研究跨越了多个学科，包括哲学、认知与神经科学、计算机科学、机器人学等，体现了显著的多学科交叉特性 古希腊的亚里士多德就开始思考心灵与身体的关系。他在《论灵魂》中认为，心灵是生命体的本质和形式，赋予生物以感知、思考和运动的能力。20世纪80年代，认知科学家发展了具身认知理论，认为认知过程不仅仅是大脑的内部活动，而是身体在与环境交互和耦合中产生的。神经科学对镜像神经元的研究发现大脑可以表征其他动物的行为，进一步强化了具身智能在群体交互中的作用。机器人学家通过构建智能机器人发现智能行为可以通过智能体与环境的直接交互实现，而不需要复杂的内部表征。这些研究推动了计算机科学家从感知行动整合的角度研究具身认知的信息映射过程。复杂系统领域的研究者则从演化和信息论的角度指出，智能体的行为可以看作是一个状态随时间演化的复杂动力系统，在信息最优化的原则下进行自组织学习，产生与环境交互的探索行为。近期的一些研究则从强化学习的角度发现，环境的复杂性促进智能形态的进化和代际传递。 具身智能的多学科交叉特性是其研究和发展的重要驱动力。通过跨学科的交叉融合，具身智能不仅推动了人工智能的理论创新，还为解决现实问题提供了新的技术手段。 1.3具身虚实结合现状 近年来，具身智能领域出现了几种虚拟与现实结合的范式，如图1-1所示。由于在真实世界中采集专家示范动作序列的时间成本与技术要求较高，直接将虚拟环境中训练得到的策略迁移到真实世界部署会面临严重的“虚拟-现实鸿沟（Sim-to-RealGap）”。因此，一系列方法应运而生，旨在将虚拟与现实结合，尽可能弥合这一鸿沟。 和智能体在虚拟环境中的数字李生，通过增强模拟环境的真实感，将虚拟环境中的专家示范染成真实世界的样子，进而让具身智能进行模仿学习，以解决获取真实数居过程中高时间成本和技术成本的问题，同时实现有效的虚拟-现实策略迁移。 人工实时干预7是一种通过在真实场景中进行实时人工干预来纠正机器人行为， 从而缩小虚拟到现实鸿沟的方法。首先，在虚拟环境中训练以建立基本策略。随后，将这些策略部署于真实环境中，当出现错误时，人类进行实时干预和纠正行为。从这些干预中收集的数据用于训练残差策略（residualpolicy）。最后，将基本策略和残差策略相结合为最终策略。这种方法显著降低了对真实环境数据采集的需求，同时实现了虚拟到现实的策略迁移。 场景随机化[8-10通过在模拟过程中引入随机参数，增强了在模拟环境中训练的模型对现实世界场景的泛化能力。虽然虚拟和现实环境都通过相机获取视觉图像进行感知，但物体的摩擦系数和光泽度等变量使得虚拟到现实的策略迁移存在困难。因此，场景随机化方法通过在模拟训练中随机化参数，可以增强策略的泛化性，从而应对真实场景中的各种变化。 系统识别[1-13]旨在构建真实环境的精确数学模型，涵盖动力学特性与视觉染等相关参数。其目的是使模拟环境与现实世界场景尽可能相似，从而让在虚拟场景中训练得到的策略可以顺利过渡到真实环境。 语言模型赋能14-16用自然语言作为桥梁，通过使用图像的文本描述作为跨领域的统一信号，帮助模型学习到不受领域影响的图像特征，从而提升在模拟和真实环境的图像特征。然后利用这些学到的通用特征，训练一个多领域、多任务的行为模仿策略，这个策略会根据语言指令来执行任务。这类方法利用了大量容易获取的模拟数据来弥补真实场景数据的不足，从而更好地实现从虚拟到真实环境的迁移， 第二章具身智能的关键技术 具身智能作为人工智能领域的前沿方向，其关键技术涵盖物体操作、环境感知、任务理解与决策推理这四大核心部分，它们共同构成了机器人的“手眼－脑”，协同支撑起智能体在现实场景中的自主行动能力。 与传统机器人存在显著差异，具身智能的物体操作有着极高要求。传统机器人的操作往往局限于特定、结构化环境下较为单一、重复的动作，而具身智能中的物体操作追求的是在复杂、动态且非结构化的真实世界场景中，能够灵活、精准地与各类物体进行交互。例如，在家庭服务场景里，具身智能机器人需要拿起不同形状、材质、重量的餐具，完成摆放餐桌、收拾餐具等一系列任务，这就要求其具备精细的力量控制与灵巧的动作规划能力。具身操作堪称当今具身智能区别于过去的关键所在，是其最核心的技术环节之一。通过先进的机械设计与控制算法，机器人的“手”能够模拟人类手部的丰富动作，实现诸如抓、握、捏、拧等多种复杂操作，从而适应多样化的任务需求。 具身感知，从范畴上属于计算机视觉的一部分，但又有着独特的侧重点。它更为关注与机器人任务紧密相关的感知信息。在复杂环境中，机器人并非需要感知所有的视觉元素，而是聚焦于对完成任务有价值的部分。以物流仓储场景为例，机器人在搬运货物时，其具身感知系统主要关注货物的位置、形状、尺寸以及周围可能存在的障碍物等信息。为达成这一目标，除了运用传统的视觉传感器，还会融合诸如激光雷达，超声波传感器等多种类型的传感器，以获取更全面、准确的环境信息，为后续的决策与行动提供坚实的数据基础。 在任务理解与决策推理方面，具身智能面临着诸多挑战。它需要对复杂长程任务进行深度理解，并自主将其拆分为一系列可执行的子任务。例如，在执行一场大型活动的场地布置任务时，机器人要理解整个活动的流程与需求，将任务拆解为搬运桌椅、布置舞台、悬挂装饰等子任务，还要合理规划执行顺序与资源分配。同时，具身智能体还需具备类人的反思与调整能力。在任务执行过程中，如果遇到突发状况，如搬运的物品过重导致移动困难，机器人应能及时反思当前策略，调整搬运方式，如寻找辅助工具或改变搬运路径等，以确保任务能够顺利完成。 在本章节中，我们将深人部析这些关键技术，层层揭示它们如何相互协作。物体 操作依赖具身感知获取的精准信息来规划动作，任务理解与决策推理为物体操作和具身感知提供目标与方向指引。它们彼被此交织、相互促进，为具身智能的蓬勃发展注入源源不断的动力，推动其从理论研究迈向广泛的实际应用。 2.1具身感知 感知系统是生物体实现智能行为的逻辑起点，而在具身智能语境下，感知不再是孤立的信息接收，而是一个深嵌于动作-感知闭环中的动态过程，在构建对物理世界几何、语义及时间维度的深层动态表征。然而，这种从静态到闭环的范式转变，使得感知系统必须直面真实物理世界带来的挑战：由于单点观测的局限性，智能体必须具备主动感知与探索能力，通过改变位姿主动增强自身的感知能力；面对物理环境的复杂干扰，系统必须通过多模态信息融合利用跨模态互补性来增强鲁棒性；针对现实环境的随时间缓慢变化的特性，感知算法必须实现高效的动态环境自适应能力；此外，受限于移动机器人有限的板载算力，模型轻量化也成为了感知算法落地的重要环节。 主动感知与探索是具身智能实现自主性和适应性的核心能力。与传统的被动感知不同，具身感知强调智能体的主动性，即智能体能够根据任务需求，主动调整自身姿态、视角或交互方式，以获取更丰富、更相关的环境信息，从而更好地完成任务。主动感知系