具身大模型是具身智能的“大脑”，负责理解自然语
言指令、感知环境、规划任务序列。当前主要技术路线包
括三种。
路线一：视觉-语言-动作模型（VLA,Vision-Language-Action）
以GoogleRT-2为代表，直接将视觉输入和语言指令映射为机器人动作序列，实现端到端的具身任务执行。优点是泛化能力强，可以在未见过的场景中
完成简单任务；缺点是对训练数据质量要求高，复杂长序
列任务成功率仍较低。
路线二：大语言模型+运动基元（LLM+Skill
Primitive）
以智元“启元”大模型为代表，用大语言模
型进行任务理解和分解，将复杂任务拆解为预定义的运动基元序列，再由底层运动控制器执行。优点是可靠性高、
可解释性强；缺点是灵活性受限，难以处理训练数据之外
的新任务。
路线三：世界模型（WorldModel）驱动
以Tesla和
FigureAI为代表，构建对物理世界的内部表征模型，机器
人在“想象”中预演动作后果，再选择Z优动作执行。这
一路线理论上Z为通用，但技术难度Z高，目前仍处于早
期探索阶段。
除上述三条路线外，“Sim-to-Real”（仿真到现实迁
移）技术是降低训练成本和加速迭代的关键。通过在
NVIDIAIsaacSim、MuJoCo等仿真平台中大规模训练策略，
再迁移到真实机器人，可以大幅减少真实世界的试错成本
和风险。据行业分析，Sim-to-Real技术可降低约80%的机
器人训练成本。高盛研究部指出，Sim-to-Real技术的快速
进步是促使其大幅上调人形机器人市场预测的关键因素之
一体两翼三层架构,“一体”指物理本体（机器人硬件平台）；“两翼”指具 身大模型（智能大脑）和运动控制（小脑）；“三层”指 感知层、决策层和执行层
行走速度有望提升至 5 –6km/h，上肢负载提升至 10 – 15kg，连续工作时长提升至 8 – 12 小时，MTBF 提升至 3000 小时以上; 5000 小时 MTBF 的高标准产线机型仍需更长周期迭代
感知层是机器人获取外部信息的入口,主流方案采用多传感器互补融合;决策层是机器人的大脑,实现端侧实时推理;执行层是机器人的身体;学习层不断优化模型与策略
自主感知环境,通过视觉、听觉、力觉 、触觉等多模态传感器实时理解环境状态;自主决策规划根据任务目标自主生成行动路径与操作策略;自主执行操作能够完成复杂物理任务
1)触觉敏感能力，包括接触觉、分布压觉、接触力觉和滑觉；2)柔性接触表面，以避免硬性碰撞和适应不同形状的表面；3)小巧的片状外形，以利于安装在机器人手爪上
空间分辨率为1～2mm;每个指尖有50～200个触觉单元;触觉单元的力灵敏度小于0.05 N;输出动态范围最好能达到1000:1;传感器的稳定性、重复性好，无滞后
把被识 别单词的特征向量序列与标准单词模式进行比较，计算两者的相似性的操作 过程称为“对照”或“匹配”,根据在时间 轴上的非线性特点采用时间规整技术进行复杂的数学计算
匹配点一定位于两幅图像中相应的极线上;两幅图像中的对应的匹配点应该有且仅有一个;除了遮挡区域和视差不连续区域外，视差的变化应 该都是平滑的
移动机器人的单目视觉能够从图像的二维特征推导出三维信息,不能直接得到三维环境信息的;双目视觉机器人由两部摄像机从不同角度同时获取周围景物的两幅数字图像
双足机器人对步行环境的要求很低，能适应各种地面且具有较高的逾越障碍的能力;占地面积小，活动范围很大，其上配置的机械手具有更大的活动空间
圆柱坐标型机器人，其臂部具有回转、升降和伸缩自由度;极坐标型机器人的典型臂部结构，其臂部具有回转、俯仰和伸缩自由度;多关节型机器人的臂部结构有回转、俯仰和前后移动三个自由度
为防止臂部在运动过程中产生过大的变形，手臂截面形状的选择要合理;为防止手臂在直线运动中沿运动轴线发生相对转动，设置导向装置，或设计方形、花键等形式的臂杆
