具身智能的核心技术栈包含哪些关键模块？

1. 感知技术栈

• 视觉感知：目标检测、语义分割、3D 重建、视觉定位（VSLAM）
• 力觉与触觉感知：力/力矩估计、接触检测、材质识别
• 多模态融合：将视觉、力觉、本体感知等异构数据融合为统一表征

2. 决策与控制技术栈

• 表示学习：学习环境与任务的紧凑表征，支撑下游决策
• 策略学习：通过模仿学习、强化学习等方法学习控制策略
• 运动规划：路径规划、轨迹优化、碰撞规避
• VLA 模型：端到端的视觉-语言-动作模型，实现从指令到动作的直接映射。其发展历经三代：第一代端到端 VLA（统一感知-理解-行动建模）、第二代增强型 VLA（融合世界模型，实现"行动前预测"）、第三代类脑 VLA（引入类脑机制，大脑/小脑/躯干分工协同）。代表性模型包括 Google RT-2（较早的端到端 VLA，将动作作为 token 输出）、π0（Physical Intelligence，采用流匹配生成连续动作）、OpenVLA（斯坦福，开源 7B 级 VLA 基础模型）、Figure Helix（面向人形机器人，可运行于嵌入式低功耗 GPU）。值得关注的是，世界模型正与 VLA 深度融合——如国产公司极佳视界 2025 年底开源的 GigaWorld-0，将世界模型生成的训练数据在 VLA 训练中的占比提升至约 90%，在新纹理、新视角、新物体位置等泛化维度上带来显著性能提升。

3. 训练与仿真技术栈

• 仿真训练平台：如 NVIDIA Isaac Sim，提供高保真的物理仿真环境
• 域随机化与域适应：解决仿真与真实环境的差异（Sim-to-Real 转移）
• 数据飞轮：通过真实数据反馈持续优化模型

4. 基础设施技术栈

• 边缘计算：满足实时推理的算力需求
• 云-边协同：复杂推理上云，实时控制在边
• 机器人操作系统（ROS）：提供标准化的软件框架与通信接口