点击下方卡片，关注“具身智能之心”公众号
作者丨 Artem Lykov等
编辑丨具身智能之心
本文只做学术分享，如有侵权，联系删文
更多干货，欢迎加入国内首个具身智能全栈学习社区：具身智能之心知识星球(戳我)，这里包含所有你想要的。
出发点与动机
当前机器人操控领域存在两大关键瓶颈：一是主流视觉-语言-动作（VLM）模型（如RT-1/RT-2、OpenVLA）依赖任务与平台特定微调，换机器人或环境后鲁棒性骤降；二是基于世界模型的方法（如DreamGen）需依赖专门训练的预测模型（如Cosmos Predict），且训练数据需精心筛选机器人-场景对，通用性受限。
为解决这些问题，有研究团队提出PhysicalAgent——一个融合迭代推理、扩散视频生成与闭环执行的机器人操控框架。其核心思路是：用基础模型（视觉语言模型、扩散视频模型）承担感知与推理的“重活”，仅保留轻量级机器人适配层负责执行，最终实现跨形态、跨任务的通用操控，同时通过迭代修正提升执行鲁棒性。
架构设计：泛化性的核心逻辑
该框架的核心原则是感知与推理模块不绑定特定机器人形态，仅需为不同机器人训练轻量级骨骼检测模型（计算开销小、数据需求低）。这种设计的合理性源于三点：
视频生成模型的天然优势：主流视频生成模型（如Wan 2.2、Seedance 1.0 Pro）预训练了海量多模态数据（含视频、第一视角活动记录），已隐含对物理过程、物体交互的理解；且支持API调用，无需本地训练即可快速集成，模型更新时直接替换即可。 人类式推理的对齐：视频生成模型能通过文本指令生成“执行过程的视觉想象”，与人类思考动作的方式一致——无需了解机器人内部结构，仅通过指令即可生成合理动作的视觉描述。 跨形态泛化的实现：如figure 2所示，同一感知-推理 pipeline 能为三种不同形态的机器人（双臂UR3、Unitree G1人形、仿真GR1）生成不同操控任务（如捡球、开笔记本、传递保温杯）的视频，无需针对特定机器人重训，直接证明了架构的跨形态适配能力。
视觉语言模型（VLM）的grounding推理作用
VLM是该框架的“认知核心”，通过多次调用实现“指令-环境-执行”的grounding，而非单次规划。具体作用分为四步：
任务分解：接收自然语言指令与初始场景图像后，将高level任务拆分为原子子任务（如“抓取物体”“稳定容器”“插入插槽”），搭建抽象规划与具体执行的桥梁。 场景上下文描述：为每个子任务生成带约束的文本提示（需包含物体空间关系、物理约束、机器人适配性），用于指导后续扩散模型生成可行的动作视频。 执行监控与修正：每次执行后，VLM对比“执行前-执行后”的图像，判断子任务完成情况，并输出三种决策：继续执行下一个子任务、重试当前动作、返回高层重新规划——这种闭环逻辑是长任务鲁棒性的关键。 模型无关性：框架不绑定特定VLM，实验中主要使用Gemini Pro Flash，但GPT-4o、Claude-3.5 Sonnet、QwenVL等模型均可直接替换，降低对单一模型的依赖。
扩散基世界模型：动作生成的新范式
该框架的核心创新是将“动作生成”重构为“条件视频合成”，而非传统的直接学习控制策略。具体逻辑如下：
核心原理：使用现成的“图像-视频”基础模型（实验中用Wan 2.2），输入机器人当前相机帧与文本指令（来自VLM的子任务描述），生成物理合理的短动作视频——视频需包含物体动态、接触事件、场景因果关系（如“抓取杯子→移动到桌面”的连贯过程）。 与现有方法的差异：对比DreamGen等依赖专门预测模型的方法，该框架直接使用通用“图像-视频”模型，无需为特定机器人-场景对训练模型，大幅降低泛化门槛。 三大优势：
降低部署成本：新机器人仅需训轻量级适配层，无需重训“图像-视频”模型； 快速迭代：当更优的“图像-视频”模型（如Seedance 1.0 Pro、Google Veo 2）出现时，直接替换即可，无需改动适配层； 可解释性：生成的视频可被人类检查，便于发现安全风险（如“动作可能碰倒物体”），提升人机协作安全性。
机器人适配层：从视频到电机指令的落地
生成的动作视频需转化为机器人能执行的电机指令，这一步是框架中唯一需机器人特定适配的部分，流程如figure 3所示：
关键点提取：用微调后的YOLO11-Pose模型，从合成视频的每帧中提取机器人关节关键点——以双臂机器人为例，每臂需提取6个关节+1个抓手的关键点，共28个坐标特征；再计算关节间长度（12个特征），最终形成40维特征向量/帧。 回归器预测电机指令：用“多输出回归器”（基于HistGradientBoostingRegressor，超参数为 max_iter=500、learning rate=0.1、min samples leaf=20、early stopping=True）将40维特征映射为低level电机指令。适配层训练细节：
数据量：每个新机器人仅需约1000个样本，30分钟即可收集完成； YOLO11-Pose训练：预训练后训150轮，batch size=8，图像尺寸=1280，早停耐心=50；优化器参数为 lr0=0.01、momentum=0.937、weight_decay=0.0005，热身3轮；用RTX 4090的4个worker训练，冻结前10层以保留预训练特征；兼容性：支持第三人称与第一视角相机，适配不同机器人的感知配置。
实验验证：效果与泛化性
实验分两类，分别验证“跨形态/感知模态的泛化性”与“迭代执行的鲁棒性”。
实验1：形态与感知模态研究
目标：验证该框架是否优于任务特定基线，以及跨形态泛化能力。 设置： 平台：双臂UR3、Unitree G1人形、仿真GR1； 任务：13个操控任务（如盒子操作、捡球、按按钮、开冰箱等）； 基线：ACT、RVT-LF、PerActLF、PerAct2； 流程：每个任务-平台对生成30个视频并执行， success rate按二分类统计。 关键结果： 方法影响：ANOVA分析显示，该框架的success rate显著优于基线（ F(4,60)=5.04，p=0.0014），验证了扩散视频生成思路的有效性；平台影响：ANOVA显示平台对性能无显著影响（ F(2,36)=2.01，p=0.1485）——虽G1人形机器人的中位数success rate最高（因与人类数据对齐），但差异未达统计显著水平，说明框架跨形态泛化能力稳定，推翻了“特定形态更优”的初始假设。
实验2：物理机器人的迭代执行
目标：验证迭代“Perceive→Plan→Reason→Act” pipeline在物理场景的鲁棒性。 设置： 平台：物理双臂UR3、物理Unitree G1人形； 任务：10个固定操控任务； 流程：生成计划与视频→执行→评估结果→可恢复则重规划，最多10次尝试； 指标：最终success rate、首次尝试success rate、成功所需迭代次数、生存曲线（n次迭代后未完成任务比例）。 关键结果：
最终success rate：两个平台均达80%； 首次尝试success rate：UR3为30%，G1为20%； 迭代次数：UR3平均2.25次，G1平均2.75次； 生存曲线：如figure 6所示，前3次迭代后未完成任务比例骤降，4次迭代后几乎所有可完成任务均成功——证明迭代修正能有效弥补首次执行的不足，是提升鲁棒性的核心。
参考
[1]PhysicalAgent: Towards General Cognitive Robotics with Foundation World Models
