具身规划

引言 想象一下，我们对一个家务机器人说：“嘿，帮我把客厅打扫一下，然后把那杯喝了一半的水倒掉。” 对于人类，这是一个非常简单的指令，但对机器人而言，这背后却隐藏着巨大的挑战。它需要理解什么是“客厅”，如何识别“喝了一半的水”，并规划出“先去客厅”、“找到杯子”、“拿起杯子”、“走到厨房水槽”、“倒水”、“放回杯子”等一系列连贯、合理的动作。

这个过程，正是具身人工智能（Embodied AI）研究的核心——构建能够在物理世界中感知、交互并完成任务的智能体。其中，具身规划（Embodied Planning）扮演着智能体“大脑”的关键角色。

那么，究竟什么是具身规划？

我们可以把它理解为：一个将高层次、多步骤的用户指令（例如“打扫房间并将所有物品归位”）有效地分解为机器人能够理解并顺序执行的一系列底层原子动作（如“移动到桌子前”、“抓取杯子”）的过程。这要求模型不仅具备高级推理和理解能力，还需要将抽象的语言概念与物理世界的感知和行动紧密“具身”结合。同时，它还要能应对执行过程中可能出现的异常和不确定性，以确保规划的鲁棒性和可落地性。

传统的AI规划方法虽然为此奠定了理论基石，但在处理模糊的自然语言、运用常识以及融合多模态信息方面，始终存在一些难以逾越的局限。近年来，大型语言模型（LLM）和多模态大模型（MLLM）的出现，为解决这些长期存在的难题开辟了新的路径。

这篇笔记将系统梳理具身规划的发展脉络。我们会先回顾奠定基础的经典规划方法，然后重点探讨由大模型驱动的现代研究，剖析其核心策略与挑战，并对领域的未来趋势进行讨论。