图片来自Springer

在过去的十年间，以深度学习为核心的机器学习研究取得了显著进展，彻底改变了计算机视觉和自然语言处理等各种应用。不同于传统机器学习方法仅依赖预先构建的数据集进行模式识别和预测，作为具身智能基石的具身学习，旨在赋予智能体环境感知和决策的能力。它能够通过与环境的物理交互以及来自传感器的反馈进行学习，从而使机器人能够适应新情况。它强调了机器人的具身性(embodiment)以及通过物理交互和实践经验获取知识的重要性。它的数据来源十分广泛，包括传感器输入、机器人躯体动作和即时的环境反馈。具身学习机制是高度动态的，通过实时交互和反馈循环持续改进行为和操作策略。具身学习在机器人学中至关重要，因为它赋予机器人更强的环境适应性，使其能够应对变化的条件并执行更复杂和艰巨的任务。

当前学术界已经提出了大量的具身学习方法，而本综述则主要聚焦于面向以物体为中心的机器人操作任务。该任务的输入是从传感器收集的数据，输出是供机器人执行操作任务的策略和控制信号。其目标是使机器人能够高效、自主地执行各种以物体为中心的操作任务，同时增强其在不同环境和任务中的通用性和灵活性。由于物体和操作任务的多样性、环境的复杂性和不确定性，以及实际应用中的噪声、遮挡和实时性等挑战，该任务极具挑战性。

图 1(a) 展示了一个典型的机器人操作系统。该系统包含一个配备摄像头等传感器和夹爪等末端执行器(end-effector)的机械臂，使其能够操作各种物体。该系统的智能性围绕三个关键方面展开，对应于图 1(b) 中所示的三种具身学习方法：1) 先进的感知能力，涉及利用不同传感器捕获的数据来理解目标物体和外部环境；2) 精确的策略生成，需要分析感知到的信息以做出最优决策；3) 任务导向性，通过优化操作执行过程以保证系统能够适应特定任务。

 图 1 机器人操作系统示意图(左)及面向以物体为中心的机器人操作的具身学习方法分类(右)。

近年来，学术界围绕上述三个关键方面展开了广泛的研究，特别是随着大语言模型(LLMs)、神经辐射场(NeRFs)、扩散模型(diffusion models)和3D高斯泼溅(3D Gaussian splatting)等技术的蓬勃发展，催生了许多创新性解决方案。然而，针对该前沿领域的系统性综述仍显匮乏。本综述旨在系统地回顾前沿进展，总结遇到的挑战以及未来的研究方向。