人形机器人系列专题之具身模型:RT-2→OpenVLA→π系列的架构演进
核心观点
科技大厂加速布局具身模型,通用模型能力持续向物理世界延伸。基础模型厂商、科技巨头依托在通用模型开发、多模态理解、算力平台与模型工程化方面的积累,持续向具身智能领域布局拓展,为机器人处理开放式指令和复杂场景提供更强基础。Google以Gemini Robotics ER2与Robotics2.5衔接高层推理和动作执行;NVIDIA以Cosmos、GR00T2和Isaac Lab推进世界预测、动作生成与仿真训练协同;OpenAI GPT-6Astra已被机器人公司用于探索机器人动作生成及高层规划;Anthropic Fable5.2在仿真双臂评测和真机操作中能力明显提升;Apple通过HALO衔接任务规划、全身运动生成与运动跟踪,探索人形机器人分层自主执行。我们认为,科技大厂持续入局有望加速具身智能技术突破,大厂的通用模型、算力平台与工程化能力为具身模型研发提供更强支撑,有望加快模型迭代及机器人应用落地。
VLA模型将视觉观测与语言指令转化为机器人动作,成为具身模型重要技术路线。VLA是视觉-语言-动作模型,将环境理解和任务目标转化为动作输出,当前已成为具身模型的重要架构。VLA模型可分为一段式和分层架构,一段式架构在统一模型内完成理解与动作预测,强调统一表征和联合学习;分层架构通过子任务或中间目标连接高层规划与低层执行,强调任务分解与模块协同。
通用模型具有较强的高层规划能力,推动具身模型S2/S1/S0分层协同。面向复杂、长时序任务,分层协同有助于兼顾高层推理与实时响应,提升技能复用和执行调整能力。通用大模型在语义理解、任务分解与复杂推理方面的能力,为System2层理解任务目标、规划操作步骤和调整执行策略提供支撑;System1层将高层目标转化为具体动作,System0层负责实时运动控制,形成从通用认知到物理执行的协同链路。我们认为,随着通用模型能力持续提升,高层规划与动作执行分工的价值将进一步显现,推动S2S1S0的分层架构在复杂、长时序任务中加快应用,兼顾任务泛化、技能复用与实时响应,拓展机器人自主作业的能力边界。
π系列VLA模型分层架构逐步完善,高层规划与动作执行分工更加清晰,提升复杂任务自主执行能力。π系列是Physical Intelligence推出的代表性VLA模型,我们深度研究了π模型的持续迭代过程,梳理其在模型架构、训练方法与任务能力上的演进:π0采用视觉语言主干+动作专家架构,分别负责理解场景与指令、生成机器人动作;π0.5增加子任务预测,将任务拆解与动作生成结合;π*0.6在训练环节引入价值模型,帮助动作策略学习更有效的操作;π0.7进一步配置独立的高层规划模型与世界模型,通过子任务指令和目标图像引导动作生成。我们认为,π系列呈现出分层架构逐步完善的演进方向,高层规划与动作执行的分工更加清晰,并通过世界模型提供目标引导,兼顾复杂任务规划与具体动作生成,提升机器人自主执行能力。
风险提示:具身智能模型进展不及预期、具身机器人出货量不及预期、具身数据采集进度低于预期、具身模型技术路线变化、行业竞争加剧。