综述:工业运营中的具身人工智能:系统性文献综述

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:Embodied AI in industrial operations: A systematic literature review

【字体: 大 中 小 】 时间:2026年08月28日 来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 12.3

编辑推荐:

  对42项近期具身人工智能(Embodied AI, EAI)工业研究进行了PRISMA引导的综述。通过四个关键特征定义了正式的工业EAI术语。提出了一种对机器人形态进行分类的操作-移动性矩阵。发现研究主要关注固定的协作机器人(cobot)以及视觉/语言输入。强

  
对42项近期具身人工智能(Embodied AI, EAI)工业研究进行了PRISMA引导的综述。通过四个关键特征定义了正式的工业EAI术语。提出了一种对机器人形态进行分类的操作-移动性矩阵。发现研究主要关注固定的协作机器人(cobot)以及视觉/语言输入。强调了关键的部署瓶颈:解耦的基础模型、精度限制。
  1. 1.
    Introduction
    人工智能(AI)驱动的技术已无处不在。这一浪潮最初主要由基于大语言模型(LLM)的自然语言聊天系统的成功推动,尤其是2022年的ChatGPT。然而在过去两年中,兴趣已显著扩展,不再局限于离身AI,而是日益转向具身人工智能(EAI),特别关注人形机器人。虽然LLM主要作为终端用户的聊天机器人和虚拟助手,但EAI的例子最显著地体现在用于家庭辅助的移动服务机器人中。在EAI背景下,当前论述突显了一种潜在的范式转变,设想生产环境中手动任务的自动化或根本转型。尽管目前实际的广泛工业用例仍然罕见,但一些早期试点项目已展示出巨大潜力。制造公司正越来越多地探索EAI,以自动化先前被认为经济上不可行的任务。EAI的核心新颖性在于其能够学习和适应复杂操作,而无需传统方法(如传统编程)所需的大量工作。通过提供这种灵活性,这些系统可能有助于缓解劳动力持续短缺问题。这种工业潜力的日益认可也反映在学术文献中。2020年至2025年间,致力于EAI的原始研究文章和综述论文数量激增。这种增长强调了EAI从理论概念向应用机器人研究主要焦点的过渡。在制造中的人机协作中,最近的工作针对意图感知、基于模仿的技能转移和协作装配。评估EAI在制造中的可行性需要分析五个核心组件:特定的工业应用施加了严格的精度和安全约束;物理形态决定了系统的能力;所选的学习策略决定了系统获取技能的方式;需要专门的数据集和仿真来弥合领域差距(如仿真到现实差距);多样化的输入模态对于将环境感知映射到可靠执行至关重要。现有综述论文的主题范围概述显示,其强烈关注孤立的EAI组件,而非工业运营中的更广泛应用。例如,几项近期工作提供了EAI框架或对象中心操作的概述,但未考虑工业环境的严格操作约束。其他综述严重集中于基础模型在机器人中的作用,但往往抽象掉了不同形态或领域特定训练管道的物理现实。即使简要承认了工业用例,分析仍高度概括。因此,多模态、数据集、学习范式和工业运营所需形态硬件的关键交叉点尚未被系统综合。为解决已识别的文献综述空白,本文特别关注工业背景。与先前调查不同,本综述系统检查了EAI的所有核心技术组件,包括物理形态、输入模态以及感知、学习和动作的基础机制。通过综合这些元素,本文为从业者和研究人员提供了EAI现状的概述。具体贡献包括:术语和架构:明确定义工业EAI的核心特征并详述其结构组件;操作-移动性矩阵:提出一种基于形态的操作灵巧度和移动能力对EAI硬件进行分类的 taxonomy;系统性文献综述(SLR):进行了PRISMA引导的综述,以评估EAI在工业运营(从制造、装配和物流到维护、修理和大修(MRO))中的状态。SLR结果分为两类:工业EAI当前景观(映射当前研究在工业应用、研究重点和物理形态上的分布,同时评估EAI术语在该领域的应用)和挑战(通过分析感知-动作耦合、不同感觉模态和输出的集成以及主流训练范式,识别了阻碍可扩展工业部署的主要技术挑战,例如对解耦基础模型的过度依赖))。本文其余部分结构如下:第2节建立EAI的术语和物理分类;第3节详述PRISMA引导的综述方法;第4节呈现SLR结果;第5节综合核心见解;第6节给出挑战和结束语。
  2. 2.
    Fundamentals
    在呈现SLR之前,建立对本工作中构成EAI的共同理解。首先介绍EAI术语的历史演变,概述其定义。然后检查EAI系统的架构。进一步,通过沿操作-移动性矩阵对它们进行分类,探索EAI系统可以存在的不同物理形态。本节为后续SLR评估工业运营中的当前EAI方法提供了必要的术语和结构。
2.1. Terminology and characteristics
近年来,EAI已成为跨不同研究领域(从认知科学到基础模型和先进机器人)的概念,但这种广泛采用导致其定义显著碎片化。不同作者经常使用该术语描述完全不同的范式,常常严重偏离其最初预期含义。为应对这种模糊性并为SLR建立基线,研究了该概念的历史演变。追溯EAI至其理论起源,为本文其余部分奠定了定义基础。早在1950年,Turing就认为,与其试图编程成人级智能机器,不如生产模拟儿童思维的机器并教育它至成人级智能。后来,Brooks指出人类级智能不能分解为可建模的子块。Smith将其表述为具身假设,即“智能出现在代理与环境的互动中,并且是感觉运动活动的结果”。虽然Brooks使用名词embodiment,Smith谈及具身智能代理;但具身(人工)智能的特定术语定义是模糊的。表2列出了各种EAI“定义”和特征。在早期工作中,该术语被认识论地使用并形成构建智能系统的方法论,包括生物启发和物质基础方法的更重影响。后来,随着2010年代中期深度学习革命,该术语特别用于描述与虚拟智能系统的物理存在,而在基础模型兴起后,将其用作区别于“互联网AI”(学习仅发生在虚拟数据上)获得了重要性。无论早期或后期工作,EAI系统都具有某种形式的形态存在于现实世界中。此外,智能从与环境的互动中涌现,这一特征将EAI与物理AI区分开来,在物理AI中形态与学习的耦合不是强制的。因此,物理AI是一个总括类别,定义了具有某种物理表示的智能系统,无论是否有形态,允许通过学习实现更高水平的智能。虽然一些近期工作用单一宽泛句子定义EAI,其他工作允许在定义EAI系统时不同程度地满足多个特征。本文将遵循后一种方法,并根据描述系统为何具身智能的特定特征来定义EAI。因此,可以回顾具有略微不同EAI定义和特征的文献,并将它们映射到本文的定义。这些标准将用于系统回顾文献,而不是检查“硬性”要求,将评估每篇论文解决EAI特定维度的程度。有意偏离了将具身智能等同于生物启发机制或其他集成的的定义,因为这些方法和概念与工业领域现实世界用例的正在进行的研究和开发相去甚远。基于先前的概述、历史发展和EAI术语的表现,本文将使用以下四个特征作为其余部分的工作定义:(A) 形态:物理或模拟身体的必要性。没有身体,智能保持“离身”(例如纯LLM)。(B) 学习:除了形态,学习是实现更高智能水平的基本模块。如果环境或形态内没有学习,该领域过渡到物理AI,例如训练好的感知栈控制机器人,而机器人类型可交换。进一步区分为:(B.a) 具身学习:专注于在特定形态约束和能力内学习(例如运动技能、关节限制),这通常需要高保真仿真或现实世界训练。(B.b) 环境交互:通过积极参与外部刺激学习。(C) 感知与动作耦合:这是Brooks和Smith的EAI假设的结果,包括:(C.a) 动态感觉运动反馈:感知不是静态的;它作为代理动作的直接结果而改变(例如安装在机器人上的“自我中心”相机与静态天花板相机),包括触觉感知和本体感觉。(C.b) 模型级集成:耦合发生在架构本身内。感知(输入)和动作(输出)之间的“智能”深度集成,而不是经典机器人中可见的模块化、可交换“规划器”块。(D) 情境智能:代理在特定上下文中理解其环境的能力。例如,展示情境性的吸尘机器人不仅感知“间隙”(门口);它理解从一个房间移动到另一个房间的语义转换。这意味着更高水平的时空意识。采用这四个特征作为本综述的EAI工作定义,将它们视为分级维度而非二元要求:系统可以在不同程度上具身智能,每篇综述研究根据实现这些特征的程度进行评估。
2.2. System components
EAI系统形成了一个多层架构,旨在将可能的人类目标转化为物理执行。将架构分解为上下文边界、硬件组件/接口、模块化软件层和启用组件。上下文组件建立了系统的操作范围和边界条件。硬件组件充当调解环境、用户和软件组件之间信息传输的物理边界。用户和感知接口旨在捕获外部人类意图和动作以及物理现象。软件栈作为认知管道,处理摄取的数据以计算物理代理。根据系统设计,这些层可以严格模块化、部分耦合或完全端到端集成,如RT-2、OpenVLA和π0等模型。首先,交互和感知层将原始传感器和文本输入转化为结构化语义任务表示或其他嵌入。接下来,认知和规划层将任务目标与环境状态结合,将高级任务分解为一系列可操作的原语或状态。最后,动作层计算在子状态之间转换所需的连续低级控制轨迹。在制造范围内,概述的分解可能与其他框架(如认知数字孪生(CDT))显示出相似性。CDT被描述为“其物理孪生作为整体的数字表示、增强和智能伴侣”,并“增强了某些认知能力并支持执行自主活动”。然而,数字孪生(DT)作为现实世界物理资产的数字复制品,及其认知标记的扩展,以根本不同的方法构思。CDT由孪生关系构成:它是特定物理资产、过程或系统的数字对应物,其认知基于该指称的模型、本体和过程知识。数字部分、认知、推理的边界由人类建模。EAI系统被认为无需建模虚拟复制品;它是具身代理本身,并且根据工作定义,其智能必须通过受形态约束并受与环境交互驱动的学习获得(标准B和C)。根据定义,DT和CDT的数字对应物由人类如何将系统和智能分解为单个块来塑造,而EAI假设要求系统自己学习,例如只是一个大型神经网络(NN)而没有关于世界如何工作和交互的任何建模先验,而是在训练中学习。进一步的启用组件提供了在现实世界部署之前训练所需的基础设施和数据。通用策略如RT-1和OCTO在大规模多机器人数据集(如Open X-Embodiment)上训练,而物理精确仿真器(如NVIDIA Isaac Lab、SAPIEN、Meta Habitat)促进了安全的强化学习(RL)和仿真到现实迁移。一旦认知管道生成了必要的控制信号,信息通过执行硬件流回物理世界。控制接口和形态负责实现计算的物理变化。控制接口将动作层输出的数字命令转化为物理执行器状态变化。
2.3. Physical embodiments
EAI的主要定义特征是形态,将其与离身AI区分开来。虽然公众论述经常将EAI等同于人形机器人,但现实包含了更广泛的系统。为了对这些不同的物理形式进行分类,图3沿两个主要维度映射EAI系统:移动性(从固定到非结构化地形导航)和操作性(从零物理交互到高度灵巧的对象处理)。基于图3中的编号簇,这些形态如下:簇0(无形态):纯数字实体如头像或聊天机器人。簇1:自动导引车(AGV)和社交机器人。簇2:无抓手的无人机(UAV)和四足机器人。簇3:带有简单抓手的传统工业机械臂。簇4:移动机器人和自动叉车。簇5:带有基本抓手的人形机器人、UAV和四足动物。簇6:带有复杂多指末端执行器或多机器人设置的固定工业臂。簇7:带有先进抓手的移动操作器。簇8:高度灵巧的人形机器人。
  1. 3.
    Review method
    SLR基于PRISMA指南和推荐。在图4中使用PRISMA流程图记录。在进行综述之前,开始初始规划并使用PICO框架定义范围以制定研究问题(RQ)。随后是使用查询相关记录的搜索字符串组合。定义并应用了研究选择标准以减少文献量。在数据提取之前,使用一组评估问题额外评估了论文与本研究的关联性。
3.1. Research scope using PICO
PICO框架最初用于循证医学研究,可用于分解手头问题并帮助制定研究问题,以实现全面集中的搜索策略。使用为计算机科学编制的PICO元素及其相应术语,并识别了与本研相关的每个PICO组件的关键词和同义词。请注意,对于干预组件,还添加了“人形”作为“具身AI”的同义词,因为它是该领域最可能的形态。
3.2. Research questions
基于PICO范围,制定了以下研究问题以指导本综述:1. 在工业系统的当前科学文献中,术语EAI是如何表征、定义和应用的?2. EAI的主要研究重点、用例和工业应用是什么?3. 在工业背景下,EAI系统主要利用哪些物理形态?4. 核心学习组件在系统架构中如何耦合,以及使用/实现了哪些输入和输出模态?5. 仿真环境在多大程度上被利用,以及主流的训练策略是什么?
3.3. Search strategy
3.3.1. Relevant databases
为确保全面覆盖,在以下学术数据库中进行搜索:Scopus、IEEE Xplore、arXiv(预印本文章)。
3.3.2. Search string composition
用于获取PRISMA工作流步骤中初始文献语料库的最终搜索字符串是使用PICO分析中识别的关键词组成的。从表3中选择了最具代表性的关键词和同义词,组合成最终搜索字符串。由于引用的搜索词偶尔返回仅包含单个词的结果,在纳入PRISMA工作流之前应用了后搜索过滤步骤。检索和过滤后,554条Scopus记录、230条IEEE Xplore记录和79条arXiv记录保留为输入。
3.4. Study selection criteria
定义了包含文献的选择标准以进一步精炼初始查询的文献量。每个类别的标准和相应的PRISMA步骤在表4中汇编。时间范围约束直接应用于从相关数据库收集记录时。为减少文献量,决定排除未产生足够影响的文献,应用了基于中位数的引用计数过滤器。对于2025和2026年的出版物,未应用此标准以避免拒绝大量新文献。手动检查了文献类型、可用性和语言,然后进行更详细的相关性筛选。在最后一步中,应用了相关性评估清单。
3.5. Relevance assessment checklist
在最后筛选步骤之前引入了四个相关性评估(RA)问题,用于评估与我们研究主题的相关性。每个标准由所有作者使用二元评分系统评估。评分中的任何差异通过讨论解决以达成共识。如果所有RA问题都能回答“是”,则考虑纳入论文。RA1:工业背景;RA2:机器学习;RA3:某种形态的存在;RA4:论文性质。
3.6. Data extraction and synthesis
遵循PRISMA工作流评估的记录数量在图4中给出。在最后一步中,通过全文筛选评估了166条记录。在此步骤中,排除了15条记录。使用RA清单评估的151条记录的结果列表在表5中呈现。在此步骤中,由于不相关,另外排除了109条记录,因为至少一个RA问题回答为“否”。这留下了总共42条记录纳入本综述。
  1. 4.
    Results
    本节呈现SLR的结果。首先通过根据提出的定义评估EAI术语的使用,同时映射关键研究重点、工业应用和物理形态,提供一般研究景观的概述。在此景观分析之后,深入探讨底层技术方法。通过评估学习组件的耦合、多模态集成、仿真环境的作用和主流训练范式,提供了EAI系统工业环境当前部署的概述。
4.1. Use of the term EAI
在综述论文中,工业领域EAI术语和特征的使用不一致。许多工作采用EAI标签,同时始终满足具有物理或模拟形态的标准,但多项工作缺乏形态和环境内的学习机制。此外,没有工作详细阐述不同的EAI定义和特征。揭示了以下三个趋势:形态约束驱动EAI(标准B.a):当工作使用非标准形态时,比使用标准形态(如工业机器人和人形)时更频繁地使用具身学习。基础模型悖论(标准C.b):近期工作越来越多地包含LLM和VLM以驱动感知和推理。然而,当集成这些并使用人类可理解的输入和输出时,这些构建块变得可交换,与模型级集成假设矛盾。缺失的情境智能(标准D):虽然一部分综述文献成功展示了完整的感知-动作循环与具身或环境学习,但明显缺乏情境智能。大多数系统将传感器输入转化为电机输出,但主要作为反应式执行器运行,缺乏语义和时空意识。
4.2. Key research focuses
将调查文献分为六个核心簇:簇1:人机协作(HRC),将机器人转变为主动合作伙伴;簇2:基于基础模型的决策、规划、推理和控制,创建映射高级指令和视觉输入到可执行机器人控制信号的框架;簇3:自主制造、加工和装配任务,自动化专门的领域特定工业过程;簇4:机器人抓取、灵巧性和操作,处理交互的物理机制;簇5:移动性、导航和多代理系统,使自主代理能在动态工业环境中导航和自我组织;簇6:数据集和数据生成,呈现领域特定数据集、提出数据收集协议并解决仿真到现实挑战。分布显示HRC与自主制造和抓取等工作数量相等,表明基础研究与人类中心应用和特定工业操作之间的平衡焦点。然而,围绕基础模型集成的工作出现频率略高。
4.3. Industrial applications
在综述文献中,工业应用领域分布不均:装配是最突出的应用领域,其次是制造和过程导向的操作,而物流出现规律但较少,检查和维护相关场景仍然相对罕见。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号