SmartFlowAI
点击上方蓝字关注我们
作者：周善斌，沈阳工业大学赫兹矩阵机器人实验室负责人
全文约 3000 字，预计阅读时间 6 分钟
引言
在构建具身智能技术上，一个良好的学习进化架构至关重要，回顾在上一篇《一文带你初步理解具身智能前世今生》中讲到如今市面上常见的两种具身智能学习进化架构技术路线，本文我们将会详细探讨这两种技术路线的特征和差异，并对这两种架构做出未来的设想。
让我们先大致回顾下两种学习模型的特征：
主流发展一：以 OpenAI 与 Figure 合作为代表的分层决策模型
分层决策模型大致解读：
第一层OpenAI model，通过OpenAI多模态大模型感知决策同时实现，模型整合任务、环境和本体的感知信息。 第二层Neural Network Policies，以RL模型为具身模型，从而实现大模型的环境感知到动作的规划。 第三层Whole Body Controller，最后通过传统的运动学控制算法k控制机器人完成具体动作
根据以上的解读，你对这分层决策模型已经分别有了大致的了解。
对于分层决策模型，最形象的比喻是一个像搭积木的大脑。
想象一下，这种大脑就像一座精密的大楼，每一层都有专门的"部门"负责不同工作：
顶层负责整体规划，决定"要做什么" 中层负责具体决策，思考"怎么做" 底层负责执行控制，完成"具体动作"
在架构设计上，分层决策模型(OpenAI/Figure)会将任务分解为规划、决策和控制多个层次，在每层有专门的模型负责特定功能，其更强调模块化和可解释性，以及各层可独立优化和升级。
在任务层级功能上，分层决策模型当中各个层级的功能职责往往不同。
在最顶层-规划层（Planning Layer），其功能定位：战略决策层。其主要职责主要职责：
（一）负责任务理解与分解，理解人类指令或环境目标，将复杂任务分解成子任务序列，制定完成任务的整体策略。
（二）高级认知处理，进行场景理解与语义分析，长期目标规划，任务优先级排序，资源分配决策。
（三）抽象推理，因果关系分析，类比推理，经验总结与应用。
实际例子：
假设任务是"整理房间"，规划层执行步骤为：
分析房间状况 拆分成：清理地面→整理桌面→收纳物品等子任务 确定执行顺序和重要性
在中层-决策层（Decision Layer），其功能定位：战术决策层。主要职责：
（一）动作序列生成，将子任务转化为具体动作序列，计算动作可行性，优化动作路径。
（二）状态评估，实时环境状态分析，动作执行效果评估，意外情况处理策略。
（三）适应性调整，根据反馈调整动作参数，处理环境变化，动态路径规划。
实际例子：
对于"收纳物品"这个子任务，决策层会：
识别物品类型和位置 规划抓取姿态和力度 确定放置位置和方式
在底层-控制层（Control Layer），其功能定位：执行控制层。主要职责：
（一）运动控制，精确的关节控制，实时轨迹跟踪，力反馈调节
（二）感知处理，传感器数据实时处理，位置和姿态估计，碰撞检测与避免
（三）安全保障，急停保护，过载保护，异常状态处理
实际例子：
执行"抓取物品"时，控制层负责：
控制机械臂运动到指定位置 调节抓取力度 保持稳定性
另外还有层间协作机制：
（一）会通过自上而下的指令流：
1.规划层→决策层：传递任务目标和约束条件。
2.决策层→控制层：下发具体动作指令
（二）自下而上的反馈流：
控制层→决策层：报告执行状态 决策层→规划层：更新任务进度
（三）实时调整：
各层都有独立的反馈闭环 可以根据情况动态调整策略
每层之间往往都有不同的关键技术支撑：
（一）算法支持：
规划层：大语言模型、知识图谱 决策层：强化学习、路径规划 控制层：自适应控制、视觉伺服
（二）架构特点：
模块化设计 可并行处理 容错机制
（三）优化方向：
层间通信效率 决策实时性 系统鲁棒性
这种分层架构的设计理念类似于人类的思维过程：从宏观到微观，从抽象到具体，每一层都专注于自己的职责，又通过紧密的配合完成复杂任务。这种设计使系统既有很强的可控性和可解释性，又保持了较好的灵活性和适应性。
他的优点十分显而易见，功能模块之间像搭积木一样容易改进，模块与模块之间出问题容易找到原因，并且不需要特别多的训练数据。缺点是较多模块的设计导致系统比较复杂，并且各个部分配合可能不够默契，集体反应可能较慢。
主流发展二、以 Google RT-2 为代表的端到端模型
端到端模型策略大致解读：
第一步，先在大规模互联网数据上预训练 VLMs，然后在机器人任务上微调。 第二步，输入是任务和对象的组合，输出是一系列动作。 第三步，利用大模型完成从输入到感知、推理、决策和行为指令输出的全过程。
然而，对于对于端到端模型，更像是一个一气呵成的大脑。
这种方案更像是一个"天才"，看到什么情况立即就知道该怎么做，不需要复杂的思考过程。就像武侠高手，看到对手出招就能立即反应，招招相连，一气呵成。
这种方法：
直接从"看到的场景"到"具体动作" 不需要中间层层推理 完全依靠大量练习形成"条件反射"
他是如何将所有场景的信息集成并且做出应答的呢？这个模型内部有三个部分：输入层，编码器，解码器。
从结构层级看：
一、信息收集（输入层）主要分为以下三步：
（一）多感官信息采集
视觉系统：高清摄像头捕捉环境图像，深度相机测量空间距离，立体视觉构建3D场景。 触觉系统：压力传感器感知接触力，力矩传感器测量扭转力，温度传感器检测物体温度。 听觉系统：麦克风阵列接收声音，语音指令识别，环境声音分析。
（二）信息预处理
图像处理：降噪和增强，色彩平衡，畸变校正。 信号滤波：去除电气噪声，平滑力信号，消除震动干扰
（三）数据同步：时间对齐，不同传感器数据时间戳同步处理，延迟补偿，丢帧修复，空间配准，多相机标定，坐标系转换，传感器融合。
二、思考分析（编码器层）
（一）场景理解
物体识别：目标检测，姿态估计，类别分类。 空间分析：场景分割，深度估计，3D重建。
（二）状态提取
（三）预测模块
动作效果预测：物理模拟，轨迹预测，结果估计。 风险评估：碰撞预测，稳定性分析，安全评估。
三、行动指挥（解码器层）
（一）动作规划
（二）执行控制
轨迹生成：路径规划，速度规划，加速度优化。 运动控制：位置控制，力控制，阻抗控制。
（三）实时调整
反馈控制：位置误差补偿，力反馈调节，轨迹实时修正。 异常处理：碰撞检测与响应，超限保护，急停机制。
实际例子：
【三者协同工作示例】
以"拿起杯子"任务为例：
（一）信息收集（输入层）
看到杯子的形状、位置 感知杯子的重量、材质 到具体指令要求
（二）思考分析（编码器层）
理解杯子的位置和姿态 分析最佳抓取点 预测需要的抓取力度
（三）行动指挥（解码器层）
规划手臂移动轨迹 控制抓取器开合 实时调整抓取力度
其工作流程图大致如下由此方便大家理解：
端到端模型(RT-2)会直接从感知到动作的映射，使用单一统一模型完成所有任务，更加注重强调端到端训练的简洁性，并且更依赖大规模数据驱动。他的优点相比于分层决策模型，结构简单直接，反应更快，决策潜力更大。缺点为需要海量训练数据，而且不容易理解它为什么这么做，其训练成本很高。
我们可以大致总结出下表，其技术特点对比：
分层决策模型 端到端模型
──────── ───────
高可解释性 ←→ 高集成度
模块独立 ←→ 统一架构
显式规划 ←→ 隐式学习
安全可控 ←→ 性能优先
灵活升级 ←→ 整体优化
两者的应用场景倾向，分层决策模型往往倾向于高精度工业场景，安全关键任务，需要精确控制的场景。端到端模型更倾向于家庭服务场景，交互式应用，需要快速响应。
对于这两种架构的未来发展展望，未来将会出现一种混合型的架构方案，在重要决策使用封层方式，在简单的反应使用端到端的方式，优势互补，场景适应和性能平衡。相比于现行两种处理方式，混合架构的核心优势，我觉得会体现在决策分级处理，分层优势的可解释性，安全性，模块化得到保留，并将端到端的实时响应和隐式学习能力融入。
如猜想的混合架构（仅供参考）大致下图所示：
高层决策(分层架构)
│
├── 任务理解
├── 目标分解
├── 安全约束
│
中层规划(混合处理)
│
├── 动作序列
├── 资源调度
├── 状态监控
│
底层执行(端到端)
│
├── 技能执行
├── 实时控制
└── 环境适应
对其混合架构的平衡策略猜想如下：
在场景适应性平衡
（一）高精度场景下，以分层架构为主，端到端辅助优化，严格安全控制。
（二）快速响应场景，以端到端为主，分层架构监督，柔性安全约束。
性能与安全平衡
（一）安全保障，关键决策分层控制,行为边界限制,异常检测处理。
（二）性能提升，非关键环节端到端，参数在线优化，经验持续积累。
计算资源平衡
（一）资源分配，任务优先级，实时性要求，计算负载。
（二）并行处理，模块独立运行，资源动态调度，负载均衡。
结语
本篇对于混合架构部分多为本人猜想方向，仅供参考。在下一篇中我们会大致讲解具身智能的市场前景以及硬软件水平，让大家更加深入理解具身智能发展的环境以及上下游关系。
往期 · 推荐
🌠 番外：我们期待与读者共同探讨如何在 AI 的辅助下，更好地发挥人类的潜力，以及如何培养和维持那些 AI 难以取代的核心技能。通过深入分析和实践，我们可以更清晰地认识到 AI 的辅助作用，并在 AI 时代下找到人类的独特价值和发展空间。“机智流”公众号后台聊天框回复“cc”，加入机智流大模型交流群！
一起“点赞”三连👇
