📄 论文信息
- 标题：Embodied Intelligence: A Synergy of Morphology, Action, Perception and Learning（具身智能：形态、动作、感知与学习的协同）
- 团队：清华大学、北京邮电大学、曼彻斯特大学
- 发表：ACM Computing Surveys, Volume 57, Issue 7, 2025（Article No.: 186, Pages 1–36）
- 关键词：具身智能、形态计算、感知动作循环、强化学习、机器人学
- 一句话总结：从形态-动作-感知-学习四个维度的协同关系出发，全面综述具身智能研究，强调智能是身体、大脑与环境紧密耦合的产物。
- 论文链接：DOI: 10.1145/3717059
🤔 为什么需要这篇综述？
具身智能（Embodied Intelligence）强调智能是大脑、身体与环境紧密耦合的产物，通过与环境的信息感知和物理交互过程持续动态地生成。这一概念有着悠久的历史，从亚里士多德、达尔文到梅洛-庞蒂、皮亚杰等哲学家、生理学家和心理学家的工作，为具身智能研究奠定了坚实基础。
然而，近年来具身智能的研究范围不断扩大，吸引了机器人学、计算机视觉、机器学习等多个领域的关注。大量相关工作的涌现使得研究者难以全面把握该领域的发展脉络。现有的综述主要分为两类：一类沿袭传统的认知科学路线，讨论感知-动作循环；另一类关注特定技术如大语言模型或基础模型在机器人中的应用。具体而言：
第一类综述（如参考文献[79]、[152]、[153]、[173]）沿袭了具身认知的研究路线，从时间尺度的角度回顾了具身智能的发展，讨论了交互如何在复杂的自主和适应性系统中发挥作用。然而，这些综述虽然讨论了身体中编码的物理智能，但忽略了身体与大脑、环境之间的紧密耦合关系。物理智能虽然支持利用身体进行动作生成、感知和学习，但并未考虑其与大脑和环境的关联。
第二类综述（如参考文献[47]、[53]、[116]、[122]）更多关注与机器学习、计算机视觉和基础模型相关的最新进展，总结了视觉语言导航（VLN）、基础模型、模拟器等特定研究方向。其中参考文献[116]提供了更全面的具身智能综述，但忽略了形态与动作之间的连接。参考文献[157]系统讨论了具身智能的归纳偏置，分析了形态、表示和学习的作用，但其目标更多是强调挑战和机遇，而非提供系统的分类。
本综述的独特之处在于，它从形态（morphology）、动作（action）、感知（perception）和学习（learning）四个维度的协同关系出发，提供了一个全新的分析视角。作者强调，具身智能是这些组件的协同产物，而非单独的组件。这种视角不仅有助于理解智能的本质，也为未来的研究指明了方向。论文的核心贡献在于：
- 提出了统一的具身智能框架，将形态、动作、感知和学习四个模块及其相互连接形式化为一个完整的系统；
- 系统梳理了八个连接方向（$\mathcal{M} \rightarrow \mathcal{A}$、$\mathcal{A} \rightarrow \mathcal{M}$、$\mathcal{P} \rightarrow \mathcal{M}$、$\mathcal{L} \rightarrow \mathcal{M}$、$\mathcal{P} \rightarrow \mathcal{A}$、$\mathcal{A} \rightarrow \mathcal{P}$、$\mathcal{A} \rightarrow \mathcal{L}$、$\mathcal{L} \rightarrow \mathcal{A}$），每个连接方向都对应着丰富的研究内容；
- 识别了未来研究的潜在方向，特别是在各组件的内在连接方面，指出了当前研究的空白和机遇。
这种"协同"视角的提出，源于作者对具身智能本质的深刻理解：智能并非产生于某个孤立的模块，而是涌现于模块之间的动态交互。正如人类能够在没有精确计算的情况下轻松抓取物体，这不仅依赖于大脑的决策，更依赖于身体形态提供的物理约束和环境的力学反馈。这种整体论的观点，为具身智能研究提供了一个更加完整和深刻的理论基础。
📚 综述覆盖范围
第一部分：悠久的历史与短暂的过去
综述首先回顾了具身智能的历史发展脉络，这一脉络跨越了哲学、认知科学和控制论等多个学科领域。
哲学基础
具身智能的思想根源可以追溯到古希腊哲学。亚里士多德（Aristotle）的目的论（Teleology）认为，自然界的万物都具有内在的目的（telos），生物的行为是为了实现某种特定的功能或目标。这种思想暗示了身体形态与功能之间的紧密联系——身体的结构是为了服务于特定的生存目的而演化的。亚里士多德在《论灵魂》（De Anima）中提出，灵魂（psyche）是身体的形式，身体是灵魂的质料，二者不可分割。这一观点为后来的具身认知理论奠定了哲学基础。
达尔文（Charles Darwin）的进化论进一步强化了形态与功能的关联。达尔文在《物种起源》（On the Origin of Species）中提出，自然选择通过保留有利的身体变异来优化生物对环境的适应能力。这意味着身体形态不是随机的，而是与环境需求协同演化的产物。例如，啄木鸟的喙、长颈鹿的脖子、猎豹的流线型身体，都是形态与功能协同演化的经典案例。这种"形态跟随功能"（form follows function）的思想，成为后来形态计算理论的重要思想来源。
认知科学基础
20世纪的认知科学为具身智能提供了更加系统化的理论框架。梅洛-庞蒂（Maurice Merleau-Ponty）在其经典著作《知觉现象学》（Phénoménologie de la Perception, 1945）中提出了"身体图式"（body schema）的概念，强调身体不是被动的物理对象，而是我们感知和行动的主体。梅洛-庞蒂认为，知觉不是大脑对外部世界的被动表征，而是身体与环境主动交互的结果。例如，当我们看到一个杯子时，我们不仅感知到它的视觉属性，还同时感知到抓取它所需的手部运动参数。这种"知觉-行动"的统一性，成为具身智能的核心思想之一。
皮亚杰（Jean Piaget）的发生认识论（Genetic Epistemology）则从发展的角度阐述了认知的具身性。皮亚杰认为，儿童的认知发展经历了感觉运动期（sensorimotor stage）、前运算期（preoperational stage）、具体运算期（concrete operational stage）和形式运算期（formal operational stage）四个阶段。在最早的感觉运动期（0-2岁），婴儿通过感觉和运动的协调来认识世界，例如通过抓取、吮吸、注视等行为来探索物体的属性。皮亚杰的研究表明，高级认知能力（如抽象思维）是建立在低级感觉运动经验基础上的，这为"自下而上"的具身智能架构提供了发展心理学的证据。
吉布森（James J. Gibson）的生态心理学（Ecological Psychology）提出了"可供性"（affordance）的概念，进一步深化了对知觉-行动关系的理解。吉布森认为，环境中的物体不仅仅是物理对象，它们还为特定的行动者提供了行动的可能性。例如，一把椅子"可供"坐下，一个门把手"可供"抓取和旋转。可供性不是物体的固有属性，也不是行动者的主观投射，而是行动者-环境系统的关系属性。这一概念对机器人学产生了深远影响，启发了许多基于可供性的机器人操作和导航方法。
控制论基础
维纳（Norbert Wiener）的控制论（Cybernetics）为具身智能提供了工程学的基础。维纳在《控制论》（Cybernetics, 1948）中提出了反馈控制的基本原理，强调系统通过感知自身行为与目标之间的偏差并进行调整来实现适应性行为。控制论的核心思想——反馈循环（feedback loop）——成为具身智能中感知-动作循环的理论基础。维纳的工作启发了早期的自适应机器人研究，如Ashby的《大脑设计》（Design for a Brain, 1952）中提出的内稳态（homeostasis）概念。
关键转折：Brooks的包容体系结构
1980年代，Rodney Brooks提出的"包容体系结构"（Subsumption Architecture）标志着具身智能研究的一个重要转折点。Brooks在1986年的开创性论文*“A Robust Layered Control System for a Mobile Robot”*中，批判了当时主流的"感知-规划-行动"（Sense-Plan-Act）范式，认为这种自上而下的架构过于依赖环境的内部表示，缺乏对动态环境的适应能力。
Brooks提出了一个替代方案：行为可以通过简单的感知-动作映射直接产生，无需复杂的内部表示。包容体系结构由多个行为层（behavior layers）组成，每个层直接将感知输入映射到行动输出。低层行为（如避障）可以"包容"（subsume）高层行为（如目标导航），当低层行为被触发时，它会覆盖高层行为的输出。这种架构的优势在于：
- 反应性：系统可以直接对环境变化做出反应，无需经过耗时的规划过程；
- 鲁棒性：即使某些高层模块失效，低层行为仍然可以维持基本的功能；
- 涌现性：复杂的行为可以通过简单行为层的组合而涌现，无需预先设计全局规划。
Brooks的包容体系结构催生了行为主义机器人学（behavior-based robotics），并深刻影响了后续的具身智能研究。例如，Brooks的公司iRobot生产的Roomba扫地机器人，就是行为主义架构在商业产品中的成功应用。行为主义机器人学强调，智能行为是从身体与环境的直接交互中涌现的，而不是从抽象的符号推理中产生的。这一观点与梅洛-庞蒂的知觉现象学和皮亚杰的发生认识论形成了深刻的呼应，共同构成了具身智能的理论基石。
值得注意的是，Brooks的工作虽然在机器人学领域产生了革命性影响，但它也存在局限性：过于强调低层行为的反应性，忽视了高层认知（如语言理解、抽象推理）的作用。后来的研究者试图将行为主义方法与符号方法相结合，发展出混合架构（hybrid architectures），以兼顾反应性和高层认知能力。
第二部分：具身智能的架构
本综述提出了一个统一的具身智能架构，将形态、动作、感知和学习四个核心组件形式化为一个完整的框架，并特别关注组件之间的连接关系。作者将这四个组件之间的连接定义为八个方向，每个方向都对应着丰富的研究内容。
统一框架的形式化
综述将具身智能体（embodied agent）表示为一个由四个模块组成的系统：
$$\mathcal{E} = \{\mathcal{M}, \mathcal{A}, \mathcal{P}, \mathcal{L}\}$$其中 $\mathcal{M}$ 表示形态（Morphology），$\mathcal{A}$ 表示动作（Action），$\mathcal{P}$ 表示感知（Perception），$\mathcal{L}$ 表示学习（Learning）。这四个模块之间的八个连接方向可以表示为：
┌─────────────────────────────────────────┐
│ 具身智能协同框架 │
└─────────────────────────────────────────┘
┌──────────────┐ ┌──────────────┐
│ │ ←──── L→M ──────── │ │
│ 形态 (M) │ │ 学习 (L) │
│ │ ──── M→A ────────→ │ │
│ Morphology │ ←──── A→M ──────── │ Learning │
│ │ │ │
└──────┬───────┘ └──────┬───────┘
│ │
│ ←──── P→M ────────→ │
│ ←──── A→L ────────→ │
│ │
┌──────┴───────┐ ┌──────┴───────┐
│ │ ←──── P→A ──────── │ │
│ 动作 (A) │ │ 感知 (P) │
│ │ ──── A→P ────────→ │ │
│ Action │ │ Perception │
│ │ │ │
└──────────────┘ └──────────────┘
综述的核心观点是：具身智能是这四个模块的协同产物，而非单独的模块。因此，论文将重点放在模块之间的连接（links）上，而非模块本身。这种视角使综述能够揭示传统分类方法所忽略的重要研究方向。
形态（Morphology）
形态是具身智能的物理基础，指的是智能体的身体结构、材料属性和运动学/动力学特性。综述将形态分为以下几类：
刚性机器人：由刚性连杆和关节组成，具有明确的运动学结构。刚性机器人的形态设计相对成熟，但缺乏对环境的适应能力。典型的刚性机器人包括工业机械臂（如KUKA、ABB系列）和人形机器人（如Honda ASIMO、Boston Dynamics Atlas）。
软体机器人：由柔性材料（如硅胶、水凝胶、形状记忆合金）制成，能够通过连续变形实现运动和操作。软体机器人的核心优势在于其固有的柔顺性（compliance），使其能够在非结构化环境中安全地与物体和人类交互。典型的软体机器人包括哈佛大学的Octobot（全软体自主机器人）和Festo的BionicANTs（仿生蚂蚁）。
可变形机器人：能够主动改变自身形态的机器人，例如模块化自重构机器人（modular self-reconfigurable robots）。这类机器人可以根据任务需求动态调整身体结构，具有极高的灵活性。典型的系统包括MIT的M-blocks（磁性模块化机器人）和SRI的Polybot。
形态计算（Morphological Computation）：这是综述的核心概念之一。形态计算理论由Rolf Pfeifer和Josh Bongard在《身体的智能》（How the Body Shapes the Way We Think, 2006）中系统阐述。该理论认为，身体的物理属性可以"卸载"（offload）部分感知和控制任务到身体-环境的耦合动力学中。换言之，身体本身就在"计算"——通过其物理结构和材料特性，身体能够处理信息、简化控制问题。
形态计算的核心机制包括：
被动动力学（Passive Dynamics）：利用重力、惯性和弹性等自然力来产生运动，而无需主动控制。例如，被动动态行走器（passive dynamic walkers）仅依靠重力和初始推力就能在斜面上稳定行走。
机械阻抗（Mechanical Impedance）：通过选择适当的材料刚度和阻尼特性，使机器人能够自动适应环境的力学约束。例如，柔顺抓手可以自动适应不同形状的物体，而无需精确的力控制。
身体的滤波作用（Filtering）：身体可以作为低通滤波器，平滑高频的感知输入和控制输出。例如，柔顺关节可以吸收冲击力，减少控制系统需要处理的瞬态扰动。
形态计算的重要性在于，它挑战了传统的"大脑中心论"——智能不仅仅产生于大脑（或控制器），而是产生于身体-大脑-环境的整体系统。这一观点为机器人设计提供了新的思路：与其追求越来越复杂的控制算法，不如巧妙地利用身体的物理特性来简化控制问题。
动作（Action）
动作是智能体与环境交互的桥梁，是将内部决策转化为外部影响的过程。综述将动作分为三个层次：
运动控制（Locomotion Control）：涉及智能体在环境中的移动，包括步态生成（gait generation）、轨迹优化（trajectory optimization）和运动规划（motion planning）。运动控制的经典问题包括双足行走的稳定性、四足机器人的步态切换、以及轮式机器人的路径跟踪。近年来，深度强化学习在运动控制领域取得了显著进展，例如DeepMind的ANYmal四足机器人通过强化学习学会了在复杂地形上稳定行走。
操作控制（Manipulation Control）：涉及智能体对物体的操作，包括抓取（grasping）、装配（assembly）、工具使用（tool use）等。操作控制的关键挑战在于接触力学的处理——物体与手之间的摩擦、弹性变形和接触点的不确定性。近年来，基于学习的操作控制方法（如DQN、SAC）在模拟环境中取得了很好的效果，但Sim-toReal迁移仍然是一个开放问题。
任务规划（Task Planning）：涉及长期任务的分解和调度，包括子目标识别、任务图构建和多步推理。任务规划的挑战在于组合爆炸——随着任务步骤的增加，可能的行动序列呈指数增长。近年来，大语言模型（LLM）在任务规划中展现了强大的能力，能够将自然语言指令分解为可执行的动作序列。
感知（Perception）
感知是智能体获取环境信息的关键途径，是连接内部世界模型与外部物理世界的桥梁。综述将感知分为以下几个方面：
多模态感知融合：现代机器人通常配备多种传感器（视觉、触觉、听觉、力觉、本体感觉等），多模态感知融合的目标是将这些异构信息整合为统一的环境表示。例如，视觉提供全局的场景信息，触觉提供局部的接触细节，力觉提供力学反馈，本体感觉提供身体状态信息。多模态融合的关键挑战包括模态对齐、信息互补性和计算效率。
主动感知（Active Perception）：与被动感知不同，主动感知强调智能体通过自身的动作来改善感知质量。例如，机器人可以通过移动视角来减少遮挡，通过触觉探索来确认物体属性，通过旋转物体来获取更完整的形状信息。主动感知的核心思想是：感知不是被动的信息接收，而是主动的信息收集过程。这一思想可以追溯到1980年代Bajcsy的开创性工作。
视觉导航（Visual Navigation）：具身视觉导航是近年来的研究热点，涉及智能体在未知环境中的自主探索和目标导向导航。主要任务包括视觉语言导航（VLN）、语义导航（semantic navigation）和目标导航（object goal navigation）。这些任务要求智能体不仅能够感知环境，还能够理解语言指令、构建空间记忆并进行长期规划。
具身场景描述（Embodied Scene Description）：这一新兴方向关注智能体如何通过与环境的交互来生成自然语言描述。与传统的图像描述（image captioning）不同，具身场景描述要求智能体主动移动和观察，从多个视角收集信息，然后生成全面、准确的场景描述。
学习（Learning）
学习使智能体能够从经验中改进其行为，是适应开放环境的关键能力。综述将学习方法分为以下几类：
强化学习（Reinforcement Learning, RL）：智能体通过与环境的交互来学习最优策略，目标是最大化累积奖励。强化学习在具身智能中的应用包括运动控制、操作任务和导航等。近年来的主要进展包括：
- 基于价值的方法（如DQN、DDPG）：通过学习动作价值函数来选择动作；
- 策略梯度方法（如PPO、SAC）：直接优化策略参数；
- 模型强化学习（如Dreamer、MuZero）：通过学习环境模型来提高样本效率。
强化学习在具身智能中面临的主要挑战包括奖励稀疏性、样本效率低和Sim-toReal迁移。
模仿学习（Imitation Learning）：智能体通过观察专家演示来学习行为，而无需手动设计奖励函数。主要方法包括：
- 行为克隆（Behavior Cloning, BC）：将专家演示视为监督学习数据，直接学习状态到动作的映射；
- 逆强化学习（Inverse Reinforcement Learning, IRL）：从专家演示中推断奖励函数，然后使用强化学习来学习策略；
- 生成对抗模仿学习（Generative Adversarial Imitation Learning, GAIL）：使用对抗训练来匹配专家和学习者的状态-动作分布。
模仿学习的优势在于能够利用人类的先验知识，但其局限性包括对分布偏移（distribution shift）的敏感性和对高质量演示数据的依赖。
元学习（Meta-Learning）：智能体学会"如何学习"，能够快速适应新任务。元学习在具身智能中的应用包括：
- MAML（Model-Agnostic Meta-Learning）：学习一个良好的初始化参数，使得在新任务上只需少量梯度更新即可适应；
- Prototypical Networks：通过学习度量空间来进行少样本分类；
- Learning to Reinforcement Learn：将元学习与强化学习结合，使智能体能够快速学习新任务的策略。
进化学习（Evolutionary Learning）：通过模拟自然选择过程来优化智能体的形态和控制器。进化学习在具身智能中的应用包括形态-控制器的共同进化（co-evolution of morphology and controller）和进化策略（evolution strategies）。例如，Lipson和Pollack的GROW机器人项目展示了如何通过进化算法自动设计机器人的形态和控制器。
第三部分：研究前沿
综述深入探讨了具身智能的多个研究前沿，这些前沿方向正是四个核心组件之间协同关系的具体体现。
形态与运动的协同
形态与运动的协同是具身智能的核心问题之一。综述从两个方向讨论了这一协同关系：
形态计算（$\mathcal{M} \rightarrow \mathcal{A}$）：身体形态如何影响动作生成？形态计算理论表明，身体的物理属性可以"卸载"部分控制任务。例如：
被动动态行走器（Passive Dynamic Walkers）：这类机器人没有任何主动控制系统，仅依靠重力和初始推力就能在斜面上稳定行走。其行走的稳定性完全来自于身体的形态设计——腿部的长度、质量分布和关节摩擦力经过精心调谐，使得行走成为一种稳定的吸引子动力学。
柔顺机器人（Soft Robots）：利用柔性材料的固有弹性，柔顺机器人可以自动适应环境的力学约束。例如，哈佛大学的软体抓手可以安全地抓取各种形状和大小的物体，无需精确的力控制。形态计算在Sim2Real迁移中也展现了巨大优势——由于形态计算不依赖于精确的控制器模型，它在模拟到现实的迁移中更加鲁棒。
形态信息对学习效率的提升：研究表明，引入形态信息可以显著提高强化学习的效率。例如，对于四足机器人，利用腿部的对称性可以将策略搜索空间减少一半；对于机械臂，利用关节的运动学约束可以加速轨迹优化。
形态控制（$\mathcal{A} \rightarrow \mathcal{M}$）：动作如何影响形态？这涉及两个方面：
主动形态变换：可变形机器人可以通过主动改变形态来适应不同的任务需求。例如，模块化自重构机器人可以根据任务需要重新排列模块，形成不同的形态。
基于图神经网络的形态控制：近年来，图神经网络（GNN）和Transformer被用于描述和控制不同形态的机器人。这些方法的优势在于能够处理可变的拓扑结构，使得一个控制器可以泛化到不同的形态。例如，DeepMind的Workcell项目展示了如何使用GNN来控制不同形状的模块化机器人。
综述指出，虽然设计统一的形态控制器非常有吸引力，但仍面临巨大挑战。主要原因包括：形态的成功强烈依赖于材料选择（材料在驱动、传感和设计方面仍面临挑战）；不同形态之间的迁移需要处理运动学和动力学的显著差异。近年来，受自然语言和计算机视觉领域预训练模型的启发，构建统一的预训练大形态控制模型（unified pre-training large morphology control model）成为一个重要的未来研究方向。
感知与动作的循环
感知与动作的循环（Perception-Action Loop）是具身智能的核心机制，体现了"在行动中感知"（perceiving through acting）和"在感知中行动"（acting through perceiving）的思想。
动作驱动的感知改进（$\mathcal{A} \rightarrow \mathcal{P}$）：这一方向强调通过目标导向的探索来改善感知质量。早在1980年代，Bajcsy就系统地讨论了主动感知的概念。在主动感知中，智能体在智能控制下采取运动来改善对环境的感知。理论上已经证明，引入运动后，传统计算机视觉领域的许多不适定（ill-posed）或非线性问题变成了适定（well-posed）和线性问题。
主动感知在机器人学中得到了广泛应用，成为具身智能不可或缺的一部分。主要应用包括：
主动目标识别：机器人通过移动视角来减少物体的遮挡和歧义，从而提高识别准确率。例如，通过旋转物体或改变观察角度，机器人可以获取物体的多个视图，从而构建更完整的3D模型。
主动语义探索：在未知环境中，机器人需要决定探索哪个区域以最大化信息增益。这涉及到信息论（如熵减小）和探索策略的优化。
主动触觉感知：机器人通过触觉探索来识别物体的材质、形状和力学属性。例如，通过滑动手指来感知表面纹理，通过按压来感知软硬度。
感知驱动的动作生成（$\mathcal{P} \rightarrow \mathcal{A}$）：这一方向关注感知信息如何指导动作生成。主要应用包括：
视觉伺服（Visual Servoing）：利用视觉反馈来控制机器人手臂跟踪目标物体。视觉伺服可以分为基于图像的视觉伺服（IBVS）和基于位置的视觉伺服（PBVS）。
视觉导航：利用视觉感知来指导移动机器人的路径规划和避障。主要方法包括基于深度学习的端到端导航和基于SLAM的地图构建与路径规划。
触觉引导的操作：利用触觉反馈来调整抓取策略。例如，当检测到物体滑动时，增加抓取力；当检测到物体形状变化时，调整手指位置。
综述特别指出，在当前的具身导航任务研究中，许多工作只使用了简单的动作空间，忽略了智能体的形态特征。此外，环境约束也很强——通常需要可通行的拓扑地图，而避障等问题则被忽略。这些局限性为未来的研究提供了重要的改进方向。
学习与进化的结合
学习与进化的结合是具身智能的一个重要研究方向，涉及如何同时优化智能体的形态和行为。
形态-控制器的共同进化：传统的机器人设计将形态和控制器分开优化——先设计形态，再设计控制器。然而，这种方法忽略了形态和控制器之间的紧密耦合关系。共同进化方法同时优化形态和控制器，使二者能够协同演化。例如，Lipson和Pollack的GROW项目展示了如何通过遗传算法同时进化机器人的形态（由梁和关节组成）和控制器（神经网络）。
基于学习的形态优化（$\mathcal{L} \rightarrow \mathcal{M}$）：利用学习算法来优化机器人的形态。例如：
可微分形态优化：利用可微分模拟器（differentiable simulator）来优化形态参数。这种方法的优势在于可以利用梯度信息来高效搜索形态空间。例如，DeepMind的WalkTheseWays项目通过可微分模拟器优化了四足机器人的形态和控制器。
基于强化学习的形态搜索：将形态参数作为可学习的变量，与控制器一起通过强化学习进行优化。这种方法的优势在于不需要手工设计奖励函数，但面临巨大的搜索空间挑战。
动作驱动的具身学习（$\mathcal{A} \rightarrow \mathcal{L}$）：这一方向强调通过智能体的动作来驱动学习过程。综述指出，当前的学习范式（如从大规模互联网数据中预训练）存在一个根本问题：数据获取和模型学习是分离的——数据集是否真正适合某个学习任务仍然是一个开放问题。此外，数据清洗和标注等操作必须在训练模型之前完成，这远未达到自主学习的要求。
动作驱动的具身学习范式试图解决这一问题。其核心思想是：当人类看到一个新物体时，我们会自然地从多个视角观察它，主动探索它，然后意识到无论从哪个视角看，它都是同一个物体。我们在这个动作-学习循环中不断学习。探索过程实际上是一个数据收集和标注过程。
这一范式通常分为三个阶段：
- 探索策略学习：学习一个智能的探索策略，指导智能体收集最有价值的数据；
- 训练样本收集：在探索过程中收集和标注训练数据；
- 应用部署：将改进后的模型部署到实际任务中。
这种方法将数据获取和模型学习无缝结合，能够在探索过程中持续提升智能体的能力，已成为具身智能中一个非常有前景的方向。
社会具身智能
社会具身智能关注多智能体系统中的具身智能，涉及多个具有物理形态的智能体如何协作、通信和涌现社会行为。
多智能体协作学习：多个智能体通过协作来完成单个智能体无法完成的任务。例如，多机器人协作搬运（cooperative manipulation）要求多个机器人协调各自的抓取和移动策略。主要方法包括：
中央化训练-去中央化执行（CTDE）：在训练阶段使用全局信息，在执行阶段每个智能体只使用局部信息。例如，QMIX、MAPPO等方法。
通信学习：智能体学习相互通信的协议，以协调各自的行为。例如，CommNet、DIAL等方法学习了端到端的通信协议。
社会规范的涌现：在多智能体系统中，社会规范（如交通规则、排队行为）可以从简单的局部交互规则中涌现。例如，Reynolds的Boids模型展示了如何通过三条简单的规则（分离、对齐、聚集）产生复杂的鸟群行为。在机器人学中，类似的涌现行为已经在群体机器人学（swarm robotics）中得到了广泛研究。
人机协作：具身智能的最终目标之一是实现自然、高效的人机协作。这要求机器人不仅能够理解人类的意图和行为，还能够以人类可理解的方式表达自己的意图和行为。主要研究方向包括：
- 意图识别：从人类的动作和语言中推断其意图；
- 共享控制：在人类和机器人之间分配控制权；
- 安全交互：确保机器人在与人类交互时的安全性。
🗺️ 技术路线图
本综述提出了一个清晰的具身智能分类体系，以四个核心组件及其八个连接方向为骨架：
具身智能
├── 形态（Morphology）
│ ├── 刚性机器人
│ │ ├── 工业机械臂
│ │ ├── 人形机器人
│ │ └── 轮式/足式移动机器人
│ ├── 软体机器人
│ │ ├── 气动软体机器人
│ │ ├── 水凝胶机器人
│ │ └── 形状记忆合金机器人
│ ├── 可变形机器人
│ │ ├── 模块化自重构机器人
│ │ └── 折纸机器人
│ └── 形态计算
│ ├── 被动动力学
│ ├── 机械阻抗
│ └── 身体的滤波作用
├── 动作（Action）
│ ├── 运动控制
│ │ ├── 步态生成
│ │ ├── 轨迹优化
│ │ └── 运动规划
│ ├── 操作控制
│ │ ├── 抓取
│ │ ├── 装配
│ │ └── 工具使用
│ └── 任务规划
│ ├── 长期任务分解
│ ├── 子目标识别
│ └── 多智能体协调
├── 感知（Perception）
│ ├── 视觉感知
│ │ ├── 目标检测与识别
│ │ ├── 场景理解
│ │ └── 3D重建
│ ├── 触觉感知
│ │ ├── 材质识别
│ │ ├── 力控制
│ │ └── 滑动检测
│ ├── 多模态融合
│ │ ├── 视觉-触觉融合
│ │ ├── 视觉-语言融合
│ │ └── 视觉-力觉融合
│ └── 主动感知
│ ├── 主动目标识别
│ ├── 主动语义探索
│ └── 主动触觉感知
├── 学习（Learning）
│ ├── 强化学习
│ │ ├── 基于价值的方法（DQN, DDPG）
│ │ ├── 策略梯度方法（PPO, SAC）
│ │ └── 模型强化学习（Dreamer, MuZero）
│ ├── 模仿学习
│ │ ├── 行为克隆
│ │ ├── 逆强化学习
│ │ └── 生成对抗模仿学习
│ ├── 元学习
│ │ ├── MAML
│ │ ├── Prototypical Networks
│ │ └── Learning to RL
│ └── 进化学习
│ ├── 遗传算法
│ ├── 进化策略
│ └── 形态-控制器共同进化
└── 协同连接（Synergy Links）
├── M→A：形态计算
├── A→M：形态控制
├── P→M：感知驱动的形态变换
├── L→M：学习驱动的形态优化
├── P→A：感知驱动的动作生成
├── A→P：动作驱动的感知改进
├── A→L：动作驱动的具身学习
└── L→A：学习驱动的动作生成
这一体系的核心洞察是：具身智能是这四个维度的协同产物，而非单独的组件。综述通过八个连接方向将这些组件联系起来，揭示了传统分类方法所忽略的重要研究空白。例如，形态计算理论表明，身体形态可以"卸载"部分计算任务；感知-动作循环表明，感知和动作是紧密耦合的；学习算法的设计需要考虑身体和环境的约束。
综述特别强调，这八个连接方向形成了一个完整的循环系统。例如，形态计算（$\mathcal{M} \rightarrow \mathcal{A}$）使得动作生成更加高效，而形态控制（$\mathcal{A} \rightarrow \mathcal{M}$）使得形态能够适应不同的任务需求；主动感知（$\mathcal{A} \rightarrow \mathcal{P}$）改善了感知质量，而感知驱动的动作生成（$\mathcal{P} \rightarrow \mathcal{A}$）使得动作更加精确；动作驱动的具身学习（$\mathcal{A} \rightarrow \mathcal{L}$）使得学习更加高效，而学习驱动的动作生成（$\mathcal{L} \rightarrow \mathcal{A}$）使得动作更加智能。这种循环递进的关系，使得具身智能体能够在与环境的持续交互中不断提升自身的能力。
🔍 个人思考
综述的亮点
1. 独特的协同视角：与现有综述不同，本工作从形态-动作-感知-学习四个维度的协同关系出发，提供了理解具身智能的全新框架。这种视角更接近生物智能的本质，因为生物智能正是身体、大脑与环境协同演化的产物。作者明确指出，智能不是产生于某个孤立的模块，而是涌现于模块之间的动态交互。这种整体论的观点，为具身智能研究提供了一个更加完整和深刻的理论基础。
2. 深厚的认知科学基础：综述扎根于认知科学和哲学传统，从亚里士多德的目的论到梅洛-庞蒂的知觉现象学，从皮亚杰的发生认识论到吉布森的生态心理学，为现代具身智能研究提供了坚实的理论基础。这种跨学科的视角不仅使综述具有理论深度，也使其能够揭示当前研究的局限性。例如，综述指出，当前的具身导航任务研究忽略了形态特征，这正是因为缺乏对形态-动作协同关系的深入理解。
3. 全面的分类体系：综述提出的分类体系覆盖了从形态设计到学习算法的各个方面，为研究者提供了清晰的导航框架。特别是八个连接方向的提出，使得研究者能够系统地定位自己的工作在整体框架中的位置，识别尚未探索的研究空白。
4. 前瞻性的未来方向：综述不仅总结了现有工作，还识别了多个具有潜力的未来研究方向。例如，构建统一的预训练大形态控制模型、将形态计算与Sim2Real迁移相结合、发展社会具身智能等。这些方向为后续研究提供了重要的指引。
不足之处
1. 实验验证的缺失：作为理论性综述，本文主要进行文献梳理和概念分析，缺乏对不同方法的系统性实验对比。这使得读者难以直观判断各方法的优劣。例如，在形态计算领域，不同方法（被动动力学、机械阻抗、身体滤波）的性能比较仍然缺乏统一的基准。
2. 实际应用案例的深度不足：虽然综述讨论了多个应用领域，但对具体应用案例的深入分析相对有限。例如，在自动驾驶领域，具身智能的原理如何具体应用？在医疗机器人领域，形态计算如何提升手术机器人的安全性？这些实际应用场景的讨论有待深化。
3. 定量分析的缺乏：综述主要进行定性分析，缺乏对各方法性能、效率等指标的定量比较。例如，在学习方法部分，不同强化学习算法在具身任务中的性能对比（如样本效率、最终性能、训练时间）缺乏系统的数据支持。
4. 与大语言模型的结合不够深入：虽然综述提到了基础模型，但对大语言模型（LLM）和多模态大模型（VLM）在具身智能中的应用讨论不够深入。近年来，GPT-4V、Gemini等多模态模型在机器人任务规划、视觉理解和人机交互中展现了巨大潜力，这些进展值得更深入的分析。
对领域的启发
本综述揭示了具身智能发展的几个关键趋势：
1. 从"大脑中心"到"全身智能"：传统人工智能研究主要关注算法和模型（“大脑”），而具身智能强调身体形态和环境交互的重要性。形态计算理论表明，身体本身就在"计算"，这为机器人设计提供了新思路——与其追求越来越复杂的控制算法，不如巧妙地利用身体的物理特性。这一趋势已经在软体机器人、可穿戴设备等领域得到体现。
2. 从"被动感知"到"主动探索"：传统的感知系统是被动的——接收传感器数据并进行处理。而具身智能强调通过动作来改善感知质量。主动感知的思想已经在机器人操作、导航和探索中得到广泛应用。未来，主动感知将与大语言模型结合，实现更加智能的探索策略。
3. 从"分离优化"到"协同设计"：传统方法将形态设计、控制器设计和感知系统设计分开优化。而具身智能强调这三个方面的协同设计——形态应该服务于控制和感知的需求，控制器应该利用形态的物理特性，感知系统应该与动作紧密耦合。这种协同设计的思想已经在可微分模拟器和端到端学习中得到体现。
4. 从"单智能体"到"社会具身"：具身智能正在从单个智能体向多智能体系统扩展。多智能体协作学习、通信协议涌现和社会规范形成等研究方向，为具身智能开辟了新的应用领域。例如，在自动驾驶中，多车协作需要考虑每个车辆的形态约束和感知能力；在仓储机器人中，多机器人协作需要考虑碰撞避免和任务分配。
5. 从"模拟"到"现实"：Sim2Real迁移是具身智能面临的核心挑战之一。综述指出，形态计算在Sim2Real迁移中具有天然优势，因为它不依赖于精确的控制器模型。未来，如何利用形态计算来提升Sim2Real迁移的鲁棒性，将是一个重要的研究方向。
📖 延伸阅读
《身体的智能》（How the Body Shapes the Way We Think: A New View of Intelligence）（Pfeifer & Bongard, 2006）- 形态计算理论的奠基之作，深入探讨了身体形态在智能计算中的作用。该书系统阐述了形态计算的核心思想：身体的物理属性可以"卸载"部分计算任务到身体-环境的耦合动力学中，为理解具身智能提供了重要的理论框架。
《具身认知》（Embodied Cognition）（Shapiro, 2019）- 具身认知领域的权威教材，系统介绍了具身认知的理论基础和实验研究。该书详细讨论了梅洛-庞蒂的身体图式、皮亚杰的发生认识论和吉布森的生态心理学，为理解具身智能的认知科学基础提供了全面的参考。
“From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence”（Roy et al., 2021）- 从机器学习角度探讨具身智能的挑战与机遇。该文分析了机器学习方法在具身智能中的应用现状，讨论了Sim2Real迁移、样本效率和安全交互等核心挑战，并提出了未来的研究方向。
“Learning Embodied Intelligence from Interaction”（Levine et al., 2023）- 从交互中学习具身智能的代表性工作。该文提出了通过大规模机器人交互数据来学习通用具身智能的方法，展示了数据驱动的具身学习在实际机器人任务中的潜力，为动作驱动的具身学习（$\mathcal{A} \rightarrow \mathcal{L}$）提供了重要的实证支持。