附录 术语表与平台对照
附录 术语表与平台对照
把本教程里出现的核心术语与主流仿真、真机平台集中在这里，方便你在动手实践时快速查阅。术语表按"感知 / 决策 / 控制 / 学习"四类组织，平台表按"仿真 / 真机 / 中间件"三类列出。
核心术语
| 术语 | 释义 |
|---|---|
| 具身智能（Embodied AI） | 强调智能体通过身体与环境的感知-行动闭环产生智能，而非纯抽象计算 |
| 离身智能（Disembodied AI） | 将智能视为可剥离于物理载体的抽象计算能力，如纯符号推理 |
| 感知-行动闭环（Perception-Action Loop） | 智能体感知环境、执行动作、再感知结果的持续耦合过程 |
| SLAM | 同步定位与建图，让机器人在未知环境中同时估计自身位姿并构建地图 |
| 场景图（Scene Graph） | 用图结构表达场景中物体、属性与关系的语义表示 |
| VLA（Vision-Language-Action） | 视觉-语言-动作模型，把视觉、语言指令与动作统一建模的具身基础模型 |
| 运动规划（Motion Planning） | 在满足约束的前提下，规划从起点到目标的无碰撞运动轨迹 |
| 阻抗控制（Impedance Control） | 控制末端位置与接触力之间的动态关系，实现柔顺操作 |
| 强化学习（RL） | 通过与环境交互试错、以奖励信号驱动策略优化的学习范式 |
| 模仿学习（IL） | 从人类示范中学习动作策略，包括行为克隆与逆强化学习 |
| Sim2Real | 仿真到现实的迁移问题，解决策略在仿真训练后在真实环境的性能下降 |
| 域随机化（Domain Randomization） | 在仿真训练时随机化视觉与动力学参数，让策略对现实差异鲁棒 |
平台对照
| 平台 | 类型 | 特点 | 适用场景 |
|---|---|---|---|
| Isaac Sim | 仿真 | NVIDIA 出品，物理与渲染强，支持大规模并行 | 机器人 RL 训练、Sim2Real |
| MuJoCo | 仿真 | 轻量、动力学仿真快，学术与工业界常用 | 运动控制、强化学习研究 |
| PyBullet | 仿真 | 开源、易上手，接口简单 | 快速原型、教学验证 |
| ROS / ROS 2 | 中间件 | 机器人软件框架，提供通信、驱动、工具链 | 真机系统集成与多模块协作 |
| MoveIt | 中间件 | 运动规划框架，集成规划与碰撞检测 | 机械臂运动规划 |
| Franka / UR | 真机 | 协作机械臂，力控能力强 | 柔顺操作、力控研究 |
| 四足/人形平台 | 真机 | 具身智能热门载体，运动与操作结合 | 移动操作、通用具身任务 |
记忆口诀：感知靠多模态融合与 SLAM，决策靠 VLA 与规划记忆，控制靠运动规划与阻抗，学习靠 RL/IL 与 Sim2Real。选型时先定任务（操作还是移动），再定仿真（Isaac Sim 或 MuJoCo），最后用 ROS 把真机串起来。
仿真平台对照
| 平台 | 开发方 | 渲染/物理引擎 | 主要特点 | 典型用途 |
|---|---|---|---|---|
| MuJoCo | DeepMind | 自有物理引擎 | 高速、接触稳定 | 机械臂操作、运动控制研究 |
| Isaac Sim / Isaac Lab | NVIDIA | PhysX + RTX渲染 | 场景逼真、支持GPU并行 | 大规模并行训练、域随机化 |
| Habitat / Habitat 2.0 | Meta AI | 照片级渲染 | 大规模场景数据集 | 导航、交互任务研究 |
| SAPIEN | 上海交大 | PhysX | 铰接物体丰富 | 物体操控、关节推理 |
| Robosuite / RoboMimic | 伯克利 | MuJoCo | 任务模板多、易于上手 | 模仿学习、RL基线 |
| Webots | 开源 | ODE | 机器人型号丰富 | 移动机器人教学与仿真 |
真机平台与硬件
| 平台 | 形态 | 主要特点 | 适合场景 |
|---|---|---|---|
| Franka Emika Panda | 7自由度机械臂 | 力控好、开源接口多 | 桌面操作研究 |
| UR 系列 | 6自由度机械臂 | 部署成熟、负载多样 | 工业与科研 |
| Boston Dynamics Spot | 四足机器人 | 移动能力强、负载接口开放 | 巡检、导航 |
| Unitree 系列 | 四足/人形 | 成本低、开源、运动能力突出 | 足式运动与RL研究 |
| Tesla Optimus / 小鹏等 | 人形机器人 | 面向通用任务 | 具身智能产业落地探索 |
常用中间件与工具链
- ROS / ROS 2：机器人操作系统，提供通信、驱动、导航等基础设施，是机器人开发的事实标准。
- Gym / Gymnasium：强化学习环境接口规范，将"状态-动作-奖励"封装为标准交互。
- RLlib / Stable-Baselines3：强化学习算法库，内置 PPO、SAC、DQN 等主流算法。
- 领域随机化（Domain Randomization）：在仿真中随机化材质、光照、纹理与物理参数，使策略迁移到真机时更鲁棒。
- 遥操作（Teleoperation）：人工示教采集机器人轨迹数据，是模仿学习与 VLA 训练的主要数据来源。
- Sim2Real：从仿真到真机的迁移过程，是具身智能训练范式中的核心环节。
术语速查补充
- 具身智能（Embodied AI）：智能体通过身体与真实物理环境交互获得智能，强调感知-决策-行动的闭环。
- VLA（Vision-Language-Action）：视觉-语言-动作多模态模型，直接由视觉与语言指令生成机器人动作。
- 模仿学习（Imitation Learning）：从专家演示中学习策略，包括行为克隆与逆强化学习。
- 强化学习（RL）：通过与环境的试错交互最大化累积奖励，是具身智能训练的核心范式之一。
- Sim2Real 迁移：把仿真环境中训练的策略部署到真机，是当前具身智能落地的关键挑战。
- 世界模型（World Model）：对环境动态的预测模型，帮助智能体在行动前推演结果。
- 长程任务（Long-horizon Task）：需要多步推理与规划、跨越长时间尺度的复杂任务。
学习路径与资源建议
入门具身智能建议按"仿真先行、真机验证"的路径推进：先在 MuJoCo 或 Robosuite 中跑通一个简单的机械臂抓取任务，熟悉 Gym 接口与 PPO 算法；再用 Isaac Sim 做视觉策略的域随机化训练，体会 Sim2Real 的关键难点；有硬件条件后再尝试遥操作采集数据、训练行为克隆模型。理论学习上，建议优先掌握 VLA 模型的结构演进（RT-1、RT-2、OpenVLA）、强化学习的基本算法（PPO、SAC）以及模仿学习的代表性工作，再结合论文阅读理解前沿进展。
常见误区提醒
具身智能研究中有几个常见误区值得警惕：一是把"仿真效果好"直接等同于"真机可用"，忽略了 Sim2Real 鸿沟——材质、摩擦、延迟的差异会让策略失效；二是忽视数据来源的多样性，仅用单一环境训练导致泛化能力差；三是把大模型的对话能力误当作运动控制能力，实际上 VLA 需要专门的行动 Token 与运动数据训练；四是低估真实系统的工程复杂度，机械臂的标定、通信延迟与安全保护往往比算法本身更耗时。理解这些误区，能帮助你更务实地评估一篇论文或一个方案的可落地性。
结语
本附录汇集了具身智能的核心术语、主流平台与学习路径，是正文学习与动手实践之间的速查手册。建议在阅读正文各章时随时回查术语定义，在动手实验时对照平台表选择合适的仿真环境与硬件，并结合常见误区提醒审视自己的研究方案。具身智能是人工智能通往物理世界的关键一步，掌握这套术语与工具生态，是进入该领域的第一级台阶。