具身智能

Embodied Intelligence EI
具身智能是指具备物理形态并能够与环境进行交互的人工智能系统。它强调智能的形成不仅依赖于计算能力，还依赖于身体（Embodiment）与环境的相互作用。具身智能需要智能体通过传感器和执行器与环境实时交互，从而实现动态学习和适应环境。

所有具身智能框架都围绕着一个核心闭环：“感知-思考-行动” (Perception-Cognition-Action Loop)。但与传统AI不同，具身智能强调这个环路是通过身体与物理世界直接交互来闭合的。

它强调智能体通过物理身体与环境进行交互，从而实现感知、决策和行动的能力，这种智能强调：

• 感知和运动的耦合（Perception-Action Coupling）
• 学习在环境中体现（Learning by Interacting）
• 身体在认知中起核心作用（Cognition is Embodied）

特性

• 具身性（Embodiment）：智能体拥有物理身体，且其认知能力依赖于身体形态（如机械结构、传感器配置）与环境的相互作用。
• 情境性（Situatedness）：智能体的行为必须置于真实物理环境中评估，而非脱离环境的抽象任务。
• 涌现性（Emergence）：高级智能（如规划、推理）从低层感知-动作循环中涌现。

核心技术框架

感知-动作闭环（Perception-Action Loop）

感知-动作循环：这是具身智能的核心机制之一。智能体通过感知环境中的信息（如视觉、触觉等），然后根据这些信息做出决策并执行动作，再通过环境的反馈调整自身行为，从而形成一个闭环系统。
流程：传感器数据 → 环境理解 → 决策 → 执行器控制 → 环境反馈。
关键技术：
多模态感知：融合视觉、触觉、力觉、听觉等（如触觉传感器GelSight）。
实时运动控制：基于动力学模型的轨迹优化（如MPC控制）。

学习范式

学习与适应性：具身智能体通常采用强化学习、进化算法或深度学习等技术，通过反复试错来找到最佳行为策略。这种学习机制使得智能体能够在未知环境中不断调整和优化自身行为。

• 强化学习（RL）：主流算法：PPO、SAC、Hierarchical RL。具身RL的特殊性：稀疏奖励、长周期任务、Sim2Real迁移。
• 模仿学习（Imitation Learning）：从人类演示中学习（如行为克隆、逆强化学习）。
• 自监督学习：通过环境交互自动生成标签（如预测下一帧图像）。

Affordance

世界模型

具身智能理论认为，智能体的世界模型并非天生拥有，而是通过与环境的互动逐步建构起来的。这种模型帮助智能体理解环境，并做出适应性决策。

具身智能的框架
Visual-Locomotion-Affordance