v0 · 完整正文
研究综述
研究边界
本文考察 2025 年 7 月 14 日至 2026 年 7 月 14 日公开的具身感知研究,证据集中在视觉—语言—动作模型、三维与时序表征、主动感知、触觉/力觉、事件视觉、不确定性与闭环评测。这里不讨论导航规划本身是否成功,只问一个更基础的问题:机器人能否把真实世界转化为足以支持当前动作的、及时且可校验的状态表征。
因此,“有效解决”不能等同于图像分类、目标检测或单帧位姿估计达到高分。至少还要满足:关键状态在任务需要时可观测;跨视角与跨时间保持一致;缺失、遮挡和分布外输入能被识别;多模态融合不会引入更大污染;误判能够通过行动复核并撤销;最终收益能反映在闭环成功、安全与恢复上。本次选取 19 篇具有全文定位证据的代表论文。它能支持主要能力边界判断,但不代表所有传感器与机器人形态。
中心判断
具身感知尚未作为通用能力得到有效解决,但在“刚体、可见、静态、已标定、短时”的子空间里,视觉主导的感知已经相当成熟。 未解决部分不再主要表现为“模型认不出常见物体”,而是机器人不知道当前观测缺了什么、不知道预测何时不可信,也无法稳定获得接触、摩擦、滑移、遮挡后状态和动作后果等行动相关变量。过去一年的进展更像是在补齐观测闭环,而不是证明这一闭环已经闭合。
一、二维语义进步没有消除物理状态的不可观测性
视觉基础模型已经能提供强语义先验,但物理操作要求的不只是“这是什么”。深度、尺度、六自由度位姿、接触位置、摩擦、柔性形变和滑移决定动作能否执行,其中许多变量在普通 RGB 中根本不可直接观测。
Lift3D-VLA 的出发点正是二维视觉预训练在几何约束、遮挡、接触和动态一致性上会丢失信息;显式三维几何与动态表征能改善操作。类似地,3PoinTr 表明点轨迹监督仍受可见性、遮挡、深度估计和本体分割约束,短暂消失的关键物体点不能简单从监督中删除。这两项工作支持三维与时序建模的价值,也反向说明单帧视觉语义没有解决行动状态估计。
触觉证据更直接。You Only Touch Once 利用单次触觉接触补充弱光、遮挡、反光或透明表面下不可靠的视觉位姿估计;TouchWorld 把滑移、力不匹配和接触稳定性视为需要快速反馈的隐变量。若这些状态已经能被视觉稳定获得,触觉通道就不会持续带来显著收益。因而,过去一年的多模态进展本身就是“感知仍不完整”的正面证据。
二、主动感知解决了“去哪里看”,还没有解决“如何持续相信”
具身感知与离线视觉的根本差别,是观测分布由动作决定。机器人可以通过移动相机、改变抓取姿态或触碰物体来制造新证据。这使主动感知成为重要进展。
OA-NBV 证明移动机器人能够选择下一最佳视点以绕开人体遮挡;ActiveVLA 也显示主动改变观察视角可以改善精细三维操作。但两个结果都有明确边界:前者主要处理单步视点选择,不等于完整的多视图状态融合;后者在最困难的组合泛化任务上仍显著退化。
这一区分很重要。一次“再看一眼”可以消除局部歧义,但通用具身感知还要求系统把多个不同时刻、不同坐标系、不同质量的观测合并成可持续更新的信念,并在新证据到来时撤销旧判断。当前论文更多证明了主动取证可行,尚未证明长期证据管理已经稳定。
三、多模态不是把更多传感器接到同一个模型
视觉、触觉、力觉和事件流提供互补信息,但也带来时间同步、空间标定、采样频率和置信度不一致。HapTile 强调,多模态示教必须处理时间戳、动作—状态一致性、触觉标记跟踪与回合切分,否则模型会混淆接触信号和动作真值。RGB-S 把触觉接触投影到图像域,在遮挡条件下改善空间对齐,但收益依赖于显式建模运动学和标定误差。
更值得警惕的是“模态污染”。Tactile-WAM 指出,接触任务中的视觉未来可能看起来合理却物理上不完整,但无约束地加入触觉也会污染视频与动作预测。这说明融合不是信息量的单调增加:一个错位、延迟或硬件特定的模态,可能比缺失模态更危险。
事件视觉提供另一种互补路线。Event-VLA 利用事件流对照明变化更鲁棒、对运动更敏感的特性改善动作预测。该结果支持在特定失效模式下补模态,而不是得出“RGB 已被替代”或“所有任务都应多传感”的结论。
四、感知可靠性的核心缺口转向“不确定性是否可用于行动”
机器人不可能在所有输入上都看对,因此更现实的问题是:系统是否知道自己可能看错,并据此停止、复核或恢复。近一年多项工作开始把置信度放回闭环。Perturbation-Based Uncertainty 从隐藏激活扰动中提取分布外风险信号;Uncertainty Quantification for Flow-Based VLA 用速度场分歧识别动作预测不可靠性。
但全局异常分数仍不够。PATCH 指出,整幅图像的异常或帧级变化,未必与当前动作将要经过的执行区域有关;监控必须绑定当前动作段。这意味着“模型能输出一个 uncertainty”不等于感知可靠性已经解决,只有当不确定性能改变停止、换视角、降速或恢复决策时,它才成为有效感知能力。
开放词汇模型还暴露了系统性误导问题。Rethinking Embodied Navigation via Relational Inductive Bias 显示,相似外观产生的误检、难以撤销的静态先验和缺少行动验证,会持续污染地图与决策。VLM-LLM Navigation Bottlenecks 则发现,独立感知精度提升会出现边际饱和,而误检与框形变仍能主导失败。因此,平均精度提高与高风险错误消失是两个不同命题。
五、成功率掩盖了感知是否“安全有效”
如果机器人最后完成了任务,传统指标往往判定成功;但柔性物可能已经过度形变,物体可能短暂滑落,夹爪可能施加过大力量。SoftVTBench 明确把安全交互、滑移、掉落与形变从任务完成中分离。它提醒我们:若评测只看终态,感知对接触风险的失败会被控制器偶然补偿所掩盖。
TACO 和 TacForeSight 进一步说明,视觉难以发现的局部接触扰动需要触觉或力反馈,并且扰动恢复必须有专门数据。由此可以推断,感知的验收单位应从“单帧预测”转向“动作段内状态是否足以避免不可恢复失败”。
条件、分歧与可证伪边界
在以下条件下,“具身感知已基本可用”是合理工程判断:目标为常见刚体;光照稳定;视角和遮挡受控;相机、机械臂与工具坐标系经过标定;动作速度低;任务依赖的接触变量少;运行时长不足以累积明显漂移。固定工位分拣、标准件抓取和可视化良好的简单装配,可能已经进入这个区域。
结论不适用于透明或反光物、严重遮挡、软体与易碎物、紧配合插入、动态人机交互、跨传感器换件以及长期无人运行。若未来系统能在这些条件下跨硬件复现,并满足以下三点,本判断才会被推翻:第一,在分布外与缺失模态下保持校准良好的置信度;第二,主动获取新证据并撤销错误状态;第三,多模态收益在真实闭环安全、恢复和连续运行指标上稳定成立。
可操作的感知验收框架
| 层级 | 需要回答的问题 | 建议指标 |
|---|---|---|
| 可观测性 | 任务关键状态是否被任一模态看到 | 遮挡恢复率、接触/滑移检出、六自由度位姿误差 |
| 对齐与融合 | 多模态是否同步且不互相污染 | 时间残差、标定投影误差、模态缺失退化、融合消融 |
| 置信度 | 系统是否知道何时不可信 | 校准误差、分布外检出、误停与漏停 |
| 主动验证 | 能否通过动作消除歧义 | 再观测成功率、错误证据撤销率、信息增益 |
| 闭环结果 | 感知改善是否真正改变行为 | 安全成功、恢复率、滑移/掉落、过力、人工接管 |
研究空白与下一步
第一,长期漂移、磨损、传感器换件和跨实例泛化仍缺少统一基准。第二,多数主动感知工作关注下一视点,长期信念更新与反证机制仍弱。第三,不确定性方法需要从离线相关性走向真实动作干预,证明它能减少碰撞、过力和不可恢复失败。第四,多模态研究需要报告“何时不该融合”,包括错位模态对已有视觉策略的负迁移。
结论
近一年文献不支持“具身感知已经有效解决”的总体判断。它支持一个分层结论:常见刚体和受控视觉条件下的语义与几何感知已较成熟;开放世界中的遮挡恢复、接触状态、跨模态对齐、置信度、主动验证与长期维护仍未闭合。真正的突破不只是让机器人看见更多,而是让它知道当前状态是否足以行动、何时需要补证据,以及如何在看错之后安全地修正。
References
- 3PoinTr
- ActiveVLA
- OA-NBV
- Lift3D-VLA
- TouchWorld
- RGB-S
- HapTile
- Event-VLA
- Perturbation-Based Uncertainty for Failure Detection in VLA Models
- Uncertainty Quantification for Flow-Based VLA Models
- PATCH
- You Only Touch Once
- Tactile-WAM
- TACO
- TacForeSight
- SoftVTBench
- Exploring Bottlenecks in VLM-LLM Navigation
- Rethinking Embodied Navigation via Relational Inductive Bias