**具身智能（Embodied AI）**被视为通往通用人工智能（AGI）的关键路径，但传统方法在开放、动态环境中仍面临泛化瓶颈。近两年来，**大模型（LLM、LVM、LVLM、MLM、VLA 等）**的爆发为具身系统带来了新的感知、推理与学习能力。

电子科大最新综述（论文链接在文末）系统梳理了大模型如何赋能具身智能的两大核心——自主决策与具身学习，并首次将**“World Model”**纳入统一框架，为研究者提供了全景式路线图。

1. 大模型 × 具身智能：整体框架

Fig-1 论文整体架构｜图 1：综述章节组织，涵盖分层/端到端决策、具身学习、World Model

表 1：对比现有综述，本文首次同时覆盖五大维度

2. 自主决策两大范式

2.1. 分层决策（Hierarchical Decision-Making）

Fig-5 分层决策流程：感知 → 高层规划 → 底层执行 → 反馈增强

2.2. 高层规划：让大模型"写剧本"

• 结构化语言：LLM 生成 PDDL 规划，LLM+P、PDDL-WM 用外部验证器纠错。
• 自然语言：SayCan、Text2Motion 用 RL 值函数或几何检查器过滤不可行动作。
• 编程语言：Code-as-Policy、Instruct2Act 将指令直接转为可执行 Python 代码。

2.3. 底层执行：从 PID 到扩散策略

• 传统 PID/MPC 与 LLM 调用 CLIP、SAM 等视觉 API 结合，实现模块化控制。
• 最新工作（π₀、Octo）用扩散模型输出连续轨迹，兼顾平滑与精准。

2.4. 反馈闭环：三种来源

1. Self-Reflection：Re-Prompting、Reflexion 让 LLM 自评自改。
2. 人类反馈：YAY Robot、IRAP 在线接受语言纠正。
3. 环境反馈：Inner Monologue、DoReMi 把多模态观测转成自然语言再规划。

2.5. 端到端决策：Vision-Language-Action (VLA) 模型

Fig-9 VLA 端到端框架｜图 9：VLA 直接映射多模态输入到动作

2.6. VLA 的三板斧

组件	作用	代表模型
Tokenizer	视觉/语言/状态/动作统一编码	RT-2、OpenVLA
融合模块	Cross-Attention 融合跨模态信息	Octo、Diffusion-VLA
De-Tokenizer	离散或连续动作解码	π₀、TinyVLA

2.7. 三大增强方向

1. 感知增强：BYO-VLA 运行时去噪、3D-VLA 引入点云。
2. 轨迹优化：Diffusion-VLA 用扩散头生成平滑轨迹；π₀ 采用流匹配提速。
3. 成本降低：TinyVLA 知识蒸馏 + 量化，边缘端 30 ms 推理。

2.8. 主流 VLA 对比

表 2：主流 VLA 一览（节选）

3. 具身学习：从模仿到强化，大模型全面提效

Fig-12 具身学习方法论｜图 12：模仿学习、RL、迁移学习、元学习协同示意图

3.1. 模仿学习：扩散 & Transformer 双轮驱动

• 扩散策略：Diffusion Policy、3D-Diffusion 用 U-Net 建模多模态动作分布，抗噪声、长程一致。
• Transformer 策略：RT-1、ALOHA、Mobile ALOHA 用 Decision Transformer 结构，端到端输出动作序列。

3.2. 强化学习：大模型解决两大痛点

痛点	大模型解法	代表工作
奖励函数设计难	GPT-4 自动生成密集奖励	Eureka、Text2Reward
策略网络表达弱	扩散/Transformer/LLM 作为策略	Diffusion-QL、GLAM、LaMo

4. World Model：决策与学习的新引擎

图 16：World Model 在决策与学习中的双重角色

4.1. 四大设计路线

1. Latent Space：RSSM → Dreamer 系列，低维潜空间预测。
2. Transformer：Genie、IRIS 用自注意力建模长程依赖。
3. Diffusion：UniPi、Sora 直接在像素空间生成未来帧。
4. JEPA：LeCun 提出非生成式联合嵌入预测架构，强调常识推理。

4.2. 两大应用场景

• 决策：在"脑内"模拟验证动作，降低真实交互成本（UniSim、NeBula）。
• 学习：提供虚拟交互环境 + 合成数据，提升样本效率（SynthER、SWIM）。

5. 论文地址

Large Model Empowered Embodied AI: A Survey on Decision-Making and Embodied Learning