2. 具身智能基础
具身智能（Embodied Intelligence）区别于传统符号人工智能的核心，在于它不再将“智能”视为脱离物理载体而独立运行的抽象计算过程，而是将智能视为身体、大脑与环境三者持续耦合涌现出的动态能力。理解具身智能，首先需要建立三个基本锚点：感知与行动如何构成闭环回路、身体形态如何约束并塑造认知过程、智能体如何在与环境的持续交互中完成学习与适应。本节将围绕这四个核心概念展开，为后续世界模型与智能体架构的讨论奠定基础。
2.1 感知-行动回路：智能的最小闭环
感知-行动回路（Perception-Action Loop）是具身智能最基础的运行单元。它描述了一个持续循环的过程：智能体通过传感器获取环境信息，将信息转化为内部表征，决策系统基于当前状态和目标生成动作指令，执行机构将指令转化为物理作用，环境状态因此改变，新的感知数据再次流入，循环往复。这个回路不是单向的“感知→决策→行动”流水线，而是一个带有反馈的动态闭环，其时间尺度从毫秒级的反射控制到分钟级的任务规划不等。
理解感知-行动回路，需要把握三个关键特性：
- 闭环性：行动的结果必须通过感知反馈回系统，形成误差修正的依据。开环控制（如预编程轨迹）在不确定环境中极易失效。
- 时间对齐：感知数据的采样频率、决策的计算延迟、执行机构的响应时间必须匹配。例如，一个视觉SLAM系统若处理一帧需要200ms，而机器人底盘控制周期为50ms，则必须引入状态预测或缓存机制。
- 信息瓶颈：传感器原始数据量巨大（如1080P RGB-D相机每秒约200MB），而决策系统能处理的有效信息有限。感知-行动回路必须包含特征提取、注意力筛选或预测性编码等降维机制。
2.2 具身性：身体如何塑造智能
具身性（Embodiment）强调智能体的物理身体属性对其认知过程的根本性影响。传统AI将智能视为独立于硬件的中立算法，而具身智能认为身体形态、传感器布局、执行器特性、能量约束等物理条件，直接决定了智能体“能学到什么”和“如何思考”。例如，一个六足机器人对“跨越障碍”的理解，与一个轮式机器人截然不同；一个配备触觉阵列的灵巧手，其抓取策略的表示空间与仅依赖视觉的吸盘抓取完全不同。
具身性对智能体架构设计提出了以下约束：
| 具身维度 | 对智能体架构的影响 | 设计示例 |
|---|---|---|
| 运动学结构 | 决定动作空间维度与可达状态空间 | 7自由度机械臂需在关节空间规划，而非笛卡尔空间 |
| 传感器模态 | 决定观测空间的类型与维度 | 仅激光雷达的智能体无法感知颜色，需用几何特征建模 |
| 执行器动态 | 引入延迟、噪声、饱和等非理想特性 | 电机响应延迟需在策略中显式建模，否则控制震荡 |
| 能量与散热 | 限制计算负载与持续运行时间 | 边缘设备需量化模型，或采用分层计算架构 |
具身性还引出一个重要推论：智能体不需要对环境进行完整、精确的建模，而只需要建立“与自身行动能力相匹配”的实用模型。这被称为“具身化简化”（Embodied Simplification）。例如，一个只能前进、后退、旋转的差分驱动机器人，其世界模型无需包含“侧向平移”这一状态维度。
2.3 环境交互：从被动感知到主动探索
环境交互（Environment Interaction）是具身智能体获取经验、验证假设、积累知识的根本途径。与离线数据集训练不同，具身智能体的环境交互具有实时性、因果性、不可逆性三个特点。实时性要求智能体必须在有限时间内做出响应；因果性意味着智能体的动作会改变环境状态，进而影响后续感知；不可逆性则指出某些动作（如碰撞、跌落）一旦执行无法撤销，这要求智能体具备风险预估能力。
环境交互的典型模式包括：
- 主动感知（Active Perception）：智能体通过移动传感器或改变视角来获取更有利的观测。例如，机器人围绕物体旋转以重建完整三维模型，而非被动接受固定视角的图像。
- 操作即感知（Manipulation as Perception）：通过推、拉、按压等操作来获取物体的物理属性（如重量、摩擦系数、内部结构）。例如，机器人按压物体判断其软硬程度。
- 社会性交互（Social Interaction）：在多智能体场景中，智能体之间的通信、协作、竞争构成更高层次的环境交互。此时，其他智能体的行为是环境动态的一部分。
2.4 智能体分类：从反应式到认知式
根据智能体内部信息处理机制的复杂度，可将具身智能体分为四个层次。这一分类有助于课程后续章节针对不同复杂度选择合适的世界模型与架构方案。
| 类别 | 核心机制 | 典型代表 | 世界模型需求 |
|---|---|---|---|
| 反应式智能体 | 感知→直接映射到动作，无内部状态 | Braitenberg车辆、避障机器人 | 无需显式模型，仅需传感器-动作映射 |
| 模型预测式智能体 | 维护内部状态，预测行动后果 | 模型预测控制（MPC）机器人 | 需要动力学模型或环境转移模型 |
| 目标导向式智能体 | 显式目标表征，规划动作序列 | 任务规划机器人、导航智能体 | 需要状态空间模型+目标条件价值函数 |
| 学习式智能体 | 从交互经验中持续更新策略与模型 | 深度强化学习机器人、世界模型驱动智能体 | 需要可学习的生成式世界模型 |
需要强调的是，这四类并非互斥，现代具身智能系统通常采用分层混合架构：底层使用反应式控制保证实时性与安全性，中层使用模型预测进行短时规划，顶层使用学习式策略处理长期任务与抽象推理。例如，一个仓储机器人可能同时包含：碰撞规避的反应式模块（10Hz）、局部路径规划的MPC模块（1Hz）、以及任务调度的强化学习模块（0.1Hz）。
2.5 案例拆解：移动操作机器人的感知-行动回路设计
为将上述概念整合，我们以一个典型的移动操作机器人（Mobile Manipulator）为例，分析其感知-行动回路的具体实现。该机器人配备RGB-D相机、激光雷达、六维力传感器和双臂系统，任务是从货架上抓取指定物品并放入运输箱。
初始现象与目标：机器人需要在一个动态变化的仓库环境中完成抓取任务。初始阶段，机器人对货架物品的精确位置、抓取姿态、物品重量均不确定。目标是在30秒内完成一次成功抓取，且不碰撞货架或其他障碍物。
关键输入数据与参数：
- RGB-D相机：30fps，分辨率1280×720，深度范围0.3-3m
- 激光雷达：10Hz，扫描范围30m，精度±3cm
- 力传感器：采样率1kHz，量程±100N
- 机械臂：6自由度，末端重复定位精度±0.5mm
- 底盘：全向轮，最大速度1.5m/s
分析判断过程：系统采用分层感知-行动回路设计。底层回路（100Hz）处理力传感器数据，实现柔顺控制——当末端接触物品时，根据力反馈调整姿态，防止损坏物品。中层回路（10Hz）融合RGB-D与激光雷达数据，进行实时目标检测与抓取点估计。上层回路（1Hz）执行任务规划，决定先移动底盘还是先调整机械臂。
实际操作步骤：
- 底盘移动到货架前1.2m处，激光雷达建图定位，RGB-D相机获取货架全景。
- 目标检测网络（YOLOv7）识别目标物品，输出2D包围框；深度图映射为3D点云，估计物品中心位置。
- 抓取姿态生成器基于物品点云计算最优抓取角度（考虑力闭合条件）。
- 机械臂执行抓取，力传感器实时监测接触力。若力超过阈值（如5N），则切换为阻抗控制模式，降低速度并调整姿态。
- 抓取成功后，底盘移动至运输箱位置，机械臂释放物品。
结果对比与复盘：采用完整感知-行动回路后，抓取成功率从开环控制的62%提升至91%。失败案例中，80%源于目标物品被部分遮挡导致点云不完整。复盘发现，通过增加主动感知策略（机械臂末端相机绕物品旋转30°获取补充视角），可将成功率进一步提升至96%。代价是单次抓取时间增加约2.5秒。
2.6 常见误区与总结复盘
在具身智能系统设计中，初学者常陷入以下误区：
- 误区一：将感知与行动割裂设计。许多团队先独立开发感知模块，再开发控制模块，最后拼接。这导致感知模块输出的表征形式（如高维特征向量）与控制模块需要的输入（如低维状态估计）不匹配。正确做法是从行动需求反推感知需求，即“行动驱动的感知设计”。
- 误区二：忽视具身性约束的模型复杂度。在仿真中训练的策略直接部署到真实机器人时，往往因未建模的动力学特性（如摩擦、延迟）而失效。这要求世界模型必须包含域随机化或系统辨识环节。
- 误区三：将环境交互等同于数据采集。被动地记录传感器数据并不构成有效的环境交互。有效的交互必须包含主动探索策略，即智能体选择那些能最大化信息增益或最小化不确定性的动作。
- 误区四：智能体分类的线性思维。认为反应式→模型预测→学习式是“进化”关系，新架构完全取代旧架构。实际上，现代系统普遍采用混合架构，不同层次使用不同机制，各司其职。