从视觉—语言—动作模型到全身自主系统：研究进展、产业格局与 2026—2030 路线判断

 

具身智能 / 人形机器人
技术与产业前沿报告

从视觉—语言—动作模型到全身自主系统：研究进展、产业格局与 2026—2030 路线判断

国际论文、顶会、标准与企业一手资料综合研究

资料截止：2026年8月21日
版本：V1.0

 

阅读说明与研究方法

本报告面向技术决策、产业研究与战略规划。研究对象包括具身智能的通用方法论，以及以双足人形、轮式人形和双臂移动操作平台为代表的物理载体。检索优先级依次为：同行评审论文与会议正式论文、国际标准和政府文件、机构技术报告与开源项目、企业官方披露。对尚未同行评审的预印本和企业演示，均按较低证据等级处理。

证据等级	来源类型	报告中的使用方式
A	同行评审顶会/期刊、国际标准、官方统计	用于确认可复现方法、基准结果和合规要求
B	权威机构技术报告、开源模型/数据集项目页	用于追踪尚在快速演化的技术路线
C	企业官方产品、客户合作与部署披露	用于判断工程方向；不等同于独立验证
D	预印本、实验室演示与前瞻判断	仅作为弱信号，明确标注不确定性

 

检索窗口以 2023—2026 年为主，并回溯 RT-2、Diffusion Policy 等关键奠基工作。对“成功率”“吞吐”“量产”“订单”等口径，只有在原始来源明确说明测试任务、时间范围或商业合同性质时才引用；跨平台成功率通常不可直接横向比较。

一句话结论｜具身智能正在形成“语义推理层—视觉运动策略层—高频稳定控制层”的分层栈；人形机器人已越过纯运动展示期，进入制造与物流的窄任务商业验证期，但离无需人工看护、可跨场景迁移的通用劳动力仍有数量级差距。

 

目录

• · 执行摘要
• · 1. 范畴、技术栈与产业坐标
• · 2. 2024—2026 技术前沿
• · 3. 人形机器人硬件与系统工程
• · 4. 产业格局与商业化进展
• · 5. 核心瓶颈、风险与标准
• · 6. 2026—2030 趋势情景与行动建议
• · 附录：关键论文/项目导读与参考文献

 

执行摘要

核心判断

• · 范式已经改变：机器人软件从“感知模块 + 任务规划 + 手工控制器”的串联系统，快速转向由视觉、语言、状态和动作统一建模的 VLA/通用策略；但产品级系统并未抛弃传统控制，而是把学习策略置于有安全边界的分层控制栈中。
• · 全身自主是 2026 年最重要的前沿分水岭。Helix 02、Gemini Robotics 2 以及 WholeBodyVLA、OpenHLM 等研究信号，都在把移动、双臂操作、平衡与触觉从多个独立策略收敛为统一的 loco-manipulation（移动操作）问题。[16][17][31][32]
• · 数据而非参数量，是当前最硬的约束。Open X-Embodiment 的 100 万+轨迹、DROID 的 7.6 万条示范、π0 的约 1 万小时灵巧数据、Humanoid Everyday 的 1.03 万条轨迹，仍远小于互联网模型的数据规模，而且动作空间、传感器和机器人形态高度异构。[2][5][8][29]
• · “人类视频 → 机器人动作”是潜在的数据规模突破口，但形态差异、接触力不可观测、失败数据缺失和安全约束意味着视频不能直接替代机器人交互数据。近年的 H2O、HumanPlus、Human2LocoMan、Figure Go-Big 等工作说明跨具身迁移正在从表征预训练迈向动作迁移。[20][21][25][34]
• · 硬件竞争从“能走”转向“可维护地干活”。关键指标不再只是自由度和峰值扭矩，而是抓取覆盖率、触觉与掌内视觉、跌倒管理、热设计、电池换装、平均无故障时间、远程介入率、现场恢复时间和安全认证。
• · 商业化最先发生在棕地制造和物流。固定物料、标准料箱、可封闭区域和可计算节拍，使投资回报更可验证。Agility Digit 与 GXO 的多年 RaaS、Apptronik 与梅赛德斯-奔驰的试点、Boston Dynamics Atlas 在现代汽车体系内的部署，代表“单任务 → 多任务 → 同一硬件的软件复用”路径。[40][41][42]
• · 行业仍处在“受控场景可用、开放世界不稳”的阶段。实验室成功率经常掩盖了恢复时间、异常工况、人员靠近、物体破损、网络中断和长期漂移。VLA-Arena、SafeVLA、Sentinel 等工作显示，记忆化、长时序失败和安全盲区仍很普遍。[35][36][37]
• · 中国的竞争优势更偏向供应链、成本下降速度和场景密度；美国优势更偏向基础模型、资本、芯片/仿真平台和头部软件团队；欧洲与日本在工业客户、精密机电、安全标准与系统集成上更强。最终胜负不会由单一整机参数决定，而由“数据闭环 × 可靠性工程 × 制造良率 × 客户集成”共同决定。

成熟度判断（截至 2026-08）

能力域	研究成熟度	产品成熟度	关键缺口
平地双足运动	高	中高	长周期可靠性、跌倒安全、复杂地面
受控场景料箱搬运	中高	中	节拍、人工介入率、与 WMS/MES 集成
桌面双臂操作	中高	中低	长尾物体、遮挡、力控与失败恢复
灵巧手精细操作	中	低	耐久、标定、触觉数据、成本
全身移动操作	中	低	高维耦合、碰撞、安全与长时序
开放世界家庭任务	中低	很低	环境长尾、成本、隐私、安全与服务网络
跨机器人通用策略	中	低	动作空间统一、形态迁移、标准化评测

 

决策含义｜未来 24 个月不宜把“通用人形”作为单一采购品类，而应把项目拆成任务可行性、现场工程、安全认证、数据闭环和单位经济性五个并行门槛。可复制部署的领先指标是：连续自主运行小时、每千次动作人工介入、任务切换成本与全生命周期每有效工时成本。

 

 

1. 范畴、技术栈与产业坐标

1.1 什么是具身智能

具身智能不是“给机器人接入一个大语言模型”。其核心是智能体通过身体与环境闭环交互，把视觉、触觉、本体感觉、语言和历史状态转化为可执行动作，并利用动作后果继续更新状态估计与策略。身体形态、执行器带宽、传感器位置、接触动力学和安全约束都会改变可学习的策略空间。因此，同一模型在机械臂、轮式双臂和双足人形上的能力并不等价。

人形形态的产业价值来自兼容以人为尺度设计的棕地环境：门、楼梯、货架、工具和工位无需整体重建。但这是一种“系统适配优势”，不是所有任务的机械效率最优解。对于平整地面上的高吞吐搬运，AMR 加机械臂往往更稳定；对于单一高节拍工序，专机和工业机械臂通常更便宜。人形的经济性建立在同一平台能跨任务复用、减少改造、覆盖用工缺口，而不是在单任务上战胜专机。

1.2 现代具身系统的五层栈

层级	主要输入/输出	主流技术	工程要求
语义与任务层	语言、场景、目标 → 子任务/潜变量	VLM/LLM、具身推理、检索、规划	可解释、拒绝危险指令、长时记忆
视觉运动策略层	图像/状态/指令 → 动作块	VLA、行为克隆、扩散/流匹配策略	低延迟、闭环纠偏、跨对象泛化
技能与全身层	目标位姿/潜变量 → 全身参考	分层RL、运动模仿、MPC、技能库	步态—双臂—躯干协同
实时控制层	参考轨迹 → 力矩/电流	WBC、阻抗控制、CBF、安全滤波	200 Hz—1 kHz、确定性、硬约束
机电与运维层	电机/传感/电池/网络	关节模组、触觉、BMS、诊断	可靠性、热管理、可维修、安全认证

 

注：该分层为本报告综合框架。Figure Helix 02 披露的 S2/S1/S0（语义—视觉运动—1 kHz 稳定控制）与此高度同构，但属企业自报架构。[16]

1.3 为什么 2024—2026 成为拐点

• · 多模态基础模型提供语义与空间先验，使机器人能理解开放词汇指令和陌生物体；
• · 扩散策略、流匹配与动作分块改善连续控制的多峰分布建模和长动作预测；
• · Open X-Embodiment、DROID、LeRobot 等将数据格式和开源训练栈逐步公共化；
• · Isaac Lab、MuJoCo、Genesis、Cosmos 等仿真/世界模型工具提高并行训练和合成数据效率；
• · 低成本双臂遥操作、动作捕捉、外骨骼和人类视频迁移降低示范数据成本；
• · 电驱关节、谐波/行星减速、力矩感知、轻量材料和供应链规模化使整机成本快速下降。

2. 2024—2026 技术前沿

2.1 VLA：从动作 token 到连续动作专家

RT-2 把机器人动作表示为语言 token，证明互联网视觉—语言知识可以迁移到机器人控制；Open X-Embodiment/RT-X 进一步证明跨 22 种具身、100 万+真实轨迹的联合训练能够产生正迁移。[1][2] 随后路线分化：OpenVLA 以 7B 开源 VLM 为骨干，Octo 以 93M 扩散策略强调跨输入和动作空间适配，π0 使用流匹配动作专家输出高频连续动作，SmolVLA 则将模型压缩到约 4.5 亿参数并强调异步推理和消费级硬件。[3][4][5][6]

代表系统	时间/出处	动作建模	数据规模/特点	关键意义与限制
RT-2 / RT-X	2023–24	离散动作 token	OXE：100万+轨迹、22种具身	证明跨具身与网络知识迁移；高频精细控制受限
Octo	RSS 2024	Transformer + 扩散	80万轨迹；25个数据集	93M 开源、易微调；主要仍是机械臂
OpenVLA	CoRL 2024	7B VLM + 动作 token	OXE 混合数据	开放权重与训练；算力/延迟较大
π0	2024 技术报告	VLM + flow matching	约1万小时、7种配置、68任务	连续动作与灵巧长任务强；私有数据占主导
SmolVLA	2025 开源报告	小型VLM + 流匹配	少于3万 episodes	450M、异步执行；平台和任务范围较窄
Gemini Robotics 1.5/2	2025–26 技术报告	具身推理 + VLA + 全身	未完整公开	强语义/跨具身/全身；核心数据与权重封闭
Helix 02	2026 企业披露	S2/S1/S0 分层 VLA	未公开	端到端全身移动操作；需独立基准验证

 

当前共识不是“模型越大越好”，而是语义模型与动作专家解耦。语义层可低频运行，动作层以 10—200 Hz 预测动作块，稳定层以数百 Hz 至 1 kHz 处理平衡、接触和安全。这既符合不同信息的自然时间尺度，也有利于边缘部署、故障隔离与认证。

2.2 数据工程：从机器人孤岛到混合数据飞轮

机器人数据昂贵的根源在于每个样本包含真实时间成本、硬件磨损和安全风险。数据还具有强具身依赖：关节数、相机、坐标系、控制频率与末端执行器不同。Open X-Embodiment 使用 RLDS 对异构数据做统一封装；DROID 通过 50 名采集者、564 个场景与 84 个任务获得 7.6 万条示范；LeRobot 把数据、策略和低成本硬件放到同一开源生态。[2][8][9]

数据来源	优势	结构性偏差	适合用途
真实遥操作	动作标签准确、接触真实	昂贵、成功示范偏置、操作者风格偏差	精细操作、后训练、评测
人类第一视角视频	规模巨大、场景多样	无机器人动作/力、身体差异	视觉表征、任务分解、跨具身预训练
仿真/合成数据	可并行、可覆盖失败和危险态	sim-to-real、视觉与接触误差	运动控制、长尾、预训练、安全测试
自主执行日志	直接对应部署分布	早期能力弱、数据污染风险	在线迭代、故障挖掘、运维优化
网络图文/视频	语义知识广	缺少可执行性与物理因果	物体/语言理解、先验与规划

 

前沿判断｜真正可持续的数据飞轮不是“采更多成功视频”，而是自动识别失败/低置信片段 → 人类纠正或远程接管 → 重新标注动作与结果 → 离线评估 → 小流量部署。数据价值应按覆盖稀有状态和降低介入率计量，而非只按小时数。

 

2025—2026 年的显著趋势是混合训练：RSS 2025 的 Sim-and-Real Co-Training 报告在机械臂与人形任务上，仿真数据使真实任务表现平均提高 38%；HumanoidMimicGen 通过少量源示范与全身规划自动生成移动操作数据，在其基准上较仅真实数据训练提高 20%。这些结果支持“真实数据校准 + 仿真扩大覆盖”，但仍需在每一具体硬件上验证。[26][30]

2.3 全身运动：从步态控制到语言驱动的移动操作

2024 年 HumanoidBench 显示，主流强化学习算法在高维全身操作任务上普遍困难，而有稳健底层行走/伸手策略的分层基线明显更强。[18] 这解释了产业系统为何采用层级结构：直接从语言到电机力矩在数据效率、安全和实时性上都不现实。

研究前沿主要沿三条路线推进。第一，运动模仿与强化学习结合：H2O、HumanPlus 把人类动作重定向到人形，并用 RL 解决可行性与平衡；第二，sim-to-real 动力学对齐：ASAP 以两阶段方法学习现实与仿真的残差动作，在 Unitree G1 上验证敏捷技能；第三，语言或视觉语义条件化：LangWBC 用语言直接驱动全身行为，WholeBodyVLA/OpenHLM 则尝试把视觉、语言与全部自由度统一起来。[19][20][21][22][31][32]

难点	为什么难	前沿解法	仍未解决
高维耦合	手臂动作改变质心与足底受力	分层策略、全身参考、残差RL	统一策略的稳定性与样本效率
接触切换	脚、手、物体接触非光滑	接触随机化、力控、MPC/CBF	软物体与多点接触建模
仿真差异	摩擦、背隙、柔性、延迟难建模	系统辨识、域随机化、残差动力学	长期磨损和温度漂移
长时序	走—抓—搬—放需持续状态记忆	层级潜变量、视觉记忆、动作块	错误累积、恢复策略、任务终止判断

 

2.4 灵巧操作：触觉和“物理顺应性”回归中心

纯视觉策略在遮挡、反光、透明、柔性和微小接触任务上存在天然盲区。2025 年 Communications Engineering 的研究表明，仿生分布式柔顺性本身可以提高人形手开放环操作的鲁棒性，提示“物理智能”能减轻算法负担。[27] 产业硬件也在加入指尖触觉、掌内摄像头和力矩估计：Figure 03/Helix 02 披露其指尖可感知克级力并利用掌内视觉处理头部相机遮挡，但这些指标仍属企业披露。[16]

灵巧手的关键矛盾是自由度、负载、速度、耐久、成本与可维护性。五指手有利于复用人类工具和视频，但多电机、线缆和传感器显著增加故障点；三指夹爪通常更稳健。预计工业首批部署将以可快速更换的任务型手爪为主，家庭/通用场景才会逐步采用高自由度手。

2.5 世界模型、具身推理与在线纠错

具身推理的目标是预测动作后果、理解三维空间、识别任务进度并在异常时重规划。Gemini Robotics-ER 将空间推理和具身规划与动作模型分开；2025 年 NeurIPS 的 RoboScape 等工作探索物理信息世界模型；Robot-R1 用强化学习提升低层空间和运动推理。[12][13][33] 产业价值不在于生成“漂亮视频”，而在于用于数据合成、策略预检、反事实失败搜索和部署前数字验收。

但世界模型若缺少可校准的不确定性，可能把视觉合理性误当成动力学正确性。对接触密集任务，应将世界模型用于候选动作排序和风险预警，而不是独立替代实时力控。

2.6 边缘推理与开放生态

机器人不能完全依赖云端：网络抖动、隐私与安全要求决定运动控制必须本地闭环。SmolVLA 的异步推理将感知计算与动作执行解耦；Gemini Robotics On-Device 强调本地运行；NVIDIA GR00T/Isaac/Cosmos 试图提供从合成数据、训练到边缘部署的一体化平台。[6][14][15] 开源生态的竞争焦点已从单一模型权重扩展到数据格式、仿真资产、标定工具、遥操作硬件和基准。

3. 人形机器人硬件与系统工程

3.1 机电架构的关键选择

子系统	主流路线	主要权衡	选型指标
关节执行器	无框电机 + 减速器 + 编码器/力矩估计	扭矩密度 vs. 背隙、热与成本	连续扭矩、峰值时间、效率、寿命
减速器	谐波、行星、摆线、准直驱	精度/体积 vs. 冲击与可维护性	回差、效率、抗冲击、国产化
手部	夹爪、三指、五指腱驱/直驱	通用性 vs. 可靠性	抓取覆盖、指尖力、循环寿命
感知	头部/腕部/掌内视觉、LiDAR、触觉、IMU	冗余 vs. 带宽、标定与成本	遮挡恢复、时间同步、漂移
能源	可换电锂电、BMS、站内充电	续航 vs. 重量与安全	有效工时、换电时间、热失控保护
计算	x86/ARM + GPU/NPU + 实时MCU	算力 vs. 功耗和散热	端到端延迟、确定性、降级模式

 

公开规格只能说明硬件上限，不能代表可持续能力。例如 Unitree G1 官方标称约 35 kg、23—43 个关节电机、约 2 小时续航、标准版起价 1.35 万美元，并明确提醒行业仍处早期探索、部分功能仍在开发。[43] 对采购而言，连续负载、热降额、摔倒次数、维修件交期与软件开放度比峰值视频更重要。

3.2 可靠性工程：从 Demo 到 10 万次循环

商业机器人必须把概率性 AI 行为转化为可管理的运营风险。Agility 披露 Digit 在 GXO 现场已搬运超过 10 万个料箱，这类长周期、重复流程指标比单次复杂演示更接近可部署性证据；但仍需客户侧独立披露利用率、介入率和全成本。[40]

• · 硬件：关节寿命、线缆磨损、手指耐久、跌倒冲击、电池循环与热降额；
• · 软件：模型版本回滚、行为回归测试、传感器失效检测、日志可追溯；
• · 现场：自动充/换电、远程运维、备件、故障隔离、人工安全接管；
• · 流程：与 MES/WMS/PLC 的任务握手、工位状态同步、异常工单与责任边界。

3.3 人形并非唯一最优载体

形态	优势	劣势	优先场景
双足人形	楼梯/跨障、兼容人类空间、工具复用	控制复杂、能效低、跌倒风险	多楼层棕地、任务需全身高度变化
轮式双臂	稳定、续航长、载荷高	楼梯与门槛受限	平整厂房、医院、仓库、家庭主层
移动底盘+机械臂	生态成熟、模块化、ROI清晰	人类工具适配有限	搬运、拣选、巡检、机台上下料
固定工业臂/专机	节拍与精度最高、安全边界清晰	柔性低、改造成本高	高产量稳定工序

 

采购原则｜先定义任务，再选择身体。只有当任务需要跨工位移动、双臂协作、高低位覆盖或人类工具兼容，并且场地改造成本较高时，人形溢价才可能成立。

 

4. 产业格局与商业化进展

4.1 市场底座：工业自动化仍是主战场

IFR《World Robotics 2025》显示，2024 年全球新安装工业机器人 54.2 万台，连续第四年超过 50 万台；在役存量约 466.4 万台。亚洲占新增部署 74%，中国单年安装 29.5 万台、占全球 54%，且中国厂商在本土市场份额首次升至 57%。这些数字不是人形机器人销量，但说明自动化客户、集成商、零部件和运维体系已经形成，为人形的工业验证提供了场景底座。[38]

区域/国家	2024 年工业机器人安装	结构特征	对人形产业的含义
全球	542,000	连续四年 >50万台	成熟客户体系，但专机竞争强
中国	295,000（54%）	本土厂商份额 57%	场景密度、成本与供应链优势
日本	44,500	机器人制造与精密机电强	零部件、客户与质量体系优势
美国	34,200	集成商多、AI/资本强	软件、模型与高价值场景领先
韩国	30,600	制造自动化密度高	电子/汽车场景与大企业导入
欧洲	85,000	安全标准、汽车与机械强	系统集成与合规能力突出

 

来源：IFR World Robotics 2025；口径为工业机器人，不含对人形的单独统计。[38]

4.2 全球代表性路线

企业/平台	形态与路线	已披露进展	证据判断
Agility Digit	双足 + 任务型手；RaaS/物流	GXO 多年协议；自报搬运10万+料箱	商业现场较强，但任务窄、客户成本未公开
Boston Dynamics Atlas	全电双足；工业全身操作	2026 产品版，现代汽车与 DeepMind 部署计划	工程积累深；规模数据待观察
Figure 03 / Helix 02	五指人形；分层全身VLA	4分钟洗碗机、触觉精操、多机协作演示	前沿强；主要为公司自测
Apptronik Apollo	模块化电驱；工业多用途	奔驰/Jabil合作；Google DeepMind伙伴	产业伙伴强；现场量化数据有限
1X NEO	软包覆家用人形；数据优先	NEO Gamma 开始内部家庭测试	家庭定位明确；安全与自主度待验证
Unitree G1/H1	高性价比通用硬件平台	G1 起价低、开发者生态活跃	硬件普及快；应用软件需二次开发
优必选 Walker S	工业人形；汽车厂场景	多家车企训练/示范工厂披露	中国工业场景先发；财务披露可跟踪
NVIDIA GR00T生态	模型+仿真+算力平台	GR00T N1.x、Isaac、Cosmos	可能成为中立底座；依赖伙伴真实落地

 

说明：企业披露均为 C 级证据；“演示”“试点”“商业部署”“批量交付”在本报告中严格区分。[15][16][39][40][41][42][43][44][45]

4.3 商业化的四阶段门槛

1. 阶段 0｜实验室演示：单机、受控物体、视频剪辑可接受；目标是证明能力存在。

2. 阶段 1｜客户 PoC：限定区域和任务，人工看护；目标是验证安全、节拍和集成。

3. 阶段 2｜付费部署：持续运行、SLA/服务、明确责任；目标是证明客户愿意长期付费。

4. 阶段 3｜可复制扩张：跨站点、跨班次、软件复用；目标是让部署边际成本下降。

当前行业整体位于阶段 1 与阶段 2 之间。Digit/GXO 是少数公开进入多年 RaaS 的案例；多数厂商仍以联合开发、试点和意向订单为主。Figure、Google DeepMind 等的能力演示更能代表技术上限，而非当前商业平均水平。

4.4 单位经济性：应以“有效自主工时”计价

硬件售价不是核心经济口径。真正的每有效工时成本应包含折旧/租赁、现场集成、能源、维护备件、远程操作员、停机损失、安全设施和软件服务，再除以实际完成且无需人工返工的工时。

建议公式｜每有效自主工时成本 =（年化设备与软件 + 集成摊销 + 运维 + 远程介入 + 停机损失）÷（计划工时 × 利用率 × 自主完成率 × 质量合格率）。

 

当任务种类少、节拍高且环境稳定时，专机通常更优；人形的经济价值来自减少工位改造、覆盖跨区域任务、以软件复用新增技能，以及在夜班/危险/难招聘岗位提高有效产能。

4.5 中美欧日的结构性差异

维度	中国	美国	欧洲/日本
优势	制造链完整、成本迭代快、场景和政策密度高	AI基础模型、芯片/云、资本与创业人才	精密机电、工业客户、安全标准、集成与质量
短板	高端传感/软件生态、原创基准、全球服务	制造成本、供应链本土化、工业部署人才	大模型平台和风险资本相对分散
典型策略	整机降本 + 场景示范 + 集群	模型/平台牵引 + 龙头客户联合开发	从工业可靠性和合规切入
胜负手	良率、核心部件、数据共享机制	通用模型、开发平台、生态锁定	认证、系统集成、长期运维

 

中国工信部《人形机器人创新发展指导意见》提出到 2025 年创新体系初步建立、整机实现批量生产，到 2027 年产业加速规模化，并明确“大脑、小脑、肢体”、数据、仿真、核心部件、场景和安全治理任务。[46] 政策能够加速供给和场景开放，但也可能造成同质化、重复投资与“以出货代替有效部署”，应以真实利用率和客户续约校验。

5. 核心瓶颈、风险与标准

5.1 七个尚未解决的技术瓶颈

• · 开放世界泛化：对未见物体有语义认识，不等于知道正确抓取点、力和失败恢复。
• · 长时序可靠性：若单步成功率为 99%，连续 100 个关键步骤全部成功的理想化概率也仅约 36.6%。
• · 安全与能力冲突：过度保守的安全滤波降低节拍，纯学习策略又缺少可证明边界。
• · 全身接触建模：足底、手掌、物体和环境多点接触导致非光滑高维动力学。
• · 数据质量：成功示范占比过高、失败/恢复数据稀缺、标注不一致、跨具身偏差。
• · 评测碎片化：不同硬件、任务、提示、物体和人工介入规则使成功率不可比。
• · 长期机电漂移：磨损、温度、电池、标定和地面摩擦变化会让离线策略逐渐失配。

5.2 安全：必须是独立于能力模型的系统属性

ISO 10218-1/2:2025 覆盖工业机器人及系统集成的安全要求，但 ISO 10218-1 明确不适用于公众可接触的服务机器人和消费品；个人护理机器人仍参考 ISO 13482，服务机器人安全标准也在演进。[47][48] 这意味着工业封闭区的人形部署与家庭/公共空间部署面临不同合规路径。欧盟《机械法规》还将与高风险 AI 安全组件要求衔接。[49]

安全层	控制措施	验证指标
机械本体	限力/限速、圆角软包覆、制动、跌倒管理	最大接触力、停止距离、跌倒包络
实时控制	关节限位、CBF/安全滤波、碰撞避免	最坏时延、约束违反率、降级可用性
任务与语义	危险指令拒绝、区域/对象权限、双重确认	越权率、误拒率、提示攻击测试
运行监控	异常检测、进度监测、不确定性、自动停机	故障提前量、漏报/误报、恢复时间
运营治理	风险评估、版本控制、日志、培训、保险	审计覆盖、变更追踪、事故闭环
网络与数据	身份、加密、更新签名、隐私最小化	渗透测试、供应链SBOM、数据留存

 

研究上，SafeVLA 通过约束学习探索安全—任务性能权衡，VLSA/AEGIS 将控制障碍函数作为可插拔安全层，Sentinel 结合动作一致性与 VLM 任务进度监控识别失败。[35][36][37] 共同方向是：生成式策略负责提出动作，独立安全层保留否决权。

5.3 评测应该从“成功率”升级为运营指标组

指标组	核心指标	为何重要
任务能力	成功率、质量合格率、周期时间	衡量任务价值
自主性	每千动作介入数、远程操作分钟/小时	识别“隐藏的人力”
可靠性	MTBF、MTTR、连续自主小时	判断是否能跨班次
泛化	新物体/新布局/新指令/新站点性能	区分记忆与迁移
安全	近失、接触力、停止距离、危险指令通过率	进入人机共域的门槛
经济性	每有效工时成本、部署周期、技能切换成本	验证规模化 ROI

 

VLA-Arena 的结果提示现有模型容易记忆训练分布、对视觉/结构变化不对称地脆弱，并在安全和长时序组合上表现不足。[36] 未来基准必须报告失败类型、人工介入规则和置信区间，而不只是平均成功率。

6. 2026—2030 趋势情景与行动建议

6.1 基准情景：工业多用途先行，家庭通用延后

阶段	技术形态	商业特征	主要不确定性
2026–27	分层全身策略；触觉/掌内视觉普及；仿真+真实共训	汽车/3PL/电子制造扩大付费试点	安全认证、连续运行、交付能力
2028–29	跨站点技能迁移改善；远程介入平台成熟	RaaS 与按有效工时计费增加	ROI、责任与保险、数据权属
2030 左右	少数平台实现多任务同机复用	工业规模部署形成；家庭仍为高价早期产品	开放世界可靠性、成本和社会接受

 

乐观情景下，人类视频迁移、合成数据和自动纠错显著降低数据成本，全身 VLA 在多个硬件上形成正迁移，工业部署在 2028 年前进入快速扩张。保守情景下，可靠性与安全认证进展慢、远程介入成本居高不下，人形被轮式移动操作和专机持续压制，行业经历并购与路线收缩。

6.2 技术研发路线建议

5. 架构：采用慢推理—快策略—实时安全三层解耦，明确每层频率、接口和可降级行为。

6. 数据：建立统一 episode 规范，记录成功、失败、接管、力/触觉、环境变化和版本元数据。

7. 评测：从单任务成功率转向连续 8—24 小时压力测试、跨站点复现与故障注入。

8. 安全：把 CBF/碰撞约束、动作监控、语义权限和物理急停做成独立“安全内核”。

9. 硬件：优先提高连续性能、手部寿命、标定自动化和现场可换模块，不追逐峰值自由度。

10. 开放性：支持 ROS 2/标准数据格式、模型回滚、日志导出与第三方安全审计，降低供应商锁定。

6.3 企业导入的 90 天验证框架

周期	关键活动	退出门槛
0–30 天	任务分解、危险分析、基线人工成本、场地和接口勘测	任务边界、数据口径、安全负责人明确
31–60 天	沙盒 PoC、失败注入、节拍/介入/能耗测试	达到最低成功率且无不可控危险模式
61–90 天	真实班次影子运行、WMS/MES 对接、维修演练	连续运行、介入率与单位经济性达标
扩展前	第二站点复现、版本回归、合同/SLA/数据条款	跨站点部署边际成本显著下降

 

6.4 投资与产业研究的领先指标

• · 客户从“签署合作”转为“付费续约/扩站点”，以及按有效工作量计费；
• · 真实现场连续运行小时、每千次介入、MTBF/MTTR，而非演示数量；
• · 同一硬件新增技能所需的数据小时、工程师周数和现场停机时间；
• · 关节/手部良率、供应商集中度、关键部件成本曲线与售后备件周转；
• · 训练数据中失败与恢复片段占比、自动发现高价值数据的能力；
• · 安全认证、保险承保、事故披露和第三方测试进展。

最终判断｜2026 年的真正前沿不是“机器人做到了某件新奇任务”，而是同一模型、同一硬件能否在陌生变化下持续完成任务，并在失败前知道自己不确定、触发安全降级、快速恢复。产业价值将从能力展示转向可验证的自主性、可靠性和单位经济性。

 

附录 A｜关键论文与项目导读

论文/项目	为什么重要	索引
RT-2	将动作离散为 token，验证网络知识向机器人控制迁移；VLA 范式起点。	[1]
Open X-Embodiment / RT-X	跨 22 种具身、100 万+真实轨迹的公共数据与正迁移证据。	[2]
Octo	RSS 2024；93M 开源扩散策略，强调跨观察/动作空间微调。	[3]
OpenVLA	7B 开源 VLA，建立可复现实验基线，同时暴露推理成本问题。	[4]
π0	流匹配连续动作专家，面向高频灵巧和长时序操作。	[5]
DROID	大规模“野外”机械臂数据集，突出场景与采集者多样性。	[8]
HumanoidBench	RSS 2024；揭示通用 RL 在全身任务上的明显短板。	[18]
H2O / HumanPlus	以人类动作驱动全身遥操作和数据采集，连接人类视频与人形策略。	[20][21]
ASAP	RSS 2025；通过动力学残差对齐改善敏捷技能 sim-to-real。	[22]
LangWBC	RSS 2025；语言直接条件化全身控制与组合动作。	[19]
HOMIE	RSS 2025；低成本外骨骼/手套/踏板方案建立全身数据闭环。	[24]
Sim-and-Real Co-Training	RSS 2025；系统化验证仿真与真实共训的收益。	[26]
Sentinel	CoRL 2024；运行时检测动作异常与任务无进展。	[37]
VLA-Arena / SafeVLA	把安全、干扰、外推与长时序纳入系统评测。	[35][36]
OpenHLM / HumanoidMimicGen	2026 预印本；分别代表全身原生 VLA 与自动数据生成前沿。	[30][32]

 

附录 B｜参考文献与一手资料

[1] Brohan et al. RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control, 2023. 链接

[2] Open X-Embodiment Collaboration. Open X-Embodiment: Robotic Learning Datasets and RT-X Models, ICRA 2024. 链接

[3] Octo Model Team. Octo: An Open-Source Generalist Robot Policy, RSS 2024. 链接

[4] Kim et al. OpenVLA: An Open-Source Vision-Language-Action Model, CoRL 2024. 链接

[5] Black et al. π0: A Vision-Language-Action Flow Model for General Robot Control, 2024. 链接

[6] Hugging Face. SmolVLA: Efficient Vision-Language-Action Model, 2025. 链接

[7] Chi et al. Diffusion Policy: Visuomotor Policy Learning via Action Diffusion, RSS 2023. 链接

[8] Khazatsky et al. DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset, 2024. 链接

[9] Hugging Face. LeRobot documentation and dataset standard. 链接

[10] Li et al. Survey of Vision-Language-Action Models for Embodied Manipulation, 2025. 链接

[11] Mon-Williams et al. Embodied large language models enable robots to complete complex tasks, Nature Machine Intelligence, 2025. 链接

[12] Google DeepMind. Gemini Robotics technical report / launch, 2025. 链接

[13] Google DeepMind. Gemini Robotics 1.5, 2025. 链接

[14] Google DeepMind. Gemini Robotics On-Device, 2025. 链接

[15] NVIDIA. Isaac GR00T N1 and Physical AI platform, 2025. 链接

[16] Figure. Introducing Helix 02: Full-Body Autonomy, 2026. 链接

[17] Google DeepMind. Gemini Robotics 2 brings whole body intelligence, 2026. 链接

[18] Sferrazza et al. HumanoidBench, RSS 2024. 链接

[19] Shao et al. LangWBC, RSS 2025. 链接

[20] He et al. Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation (H2O), 2024. 链接

[21] Fu et al. HumanPlus: Humanoid Shadowing and Imitation from Humans, 2024. 链接

[22] He et al. ASAP: Aligning Simulation and Real-World Physics, RSS 2025. 链接

[23] Huang et al. Learning Humanoid Standing-up Control, RSS 2025. 链接

[24] Ben et al. HOMIE: Humanoid Loco-Manipulation with Isomorphic Exoskeleton Cockpit, RSS 2025. 链接

[25] Niu et al. Human2LocoMan, RSS 2025. 链接

[26] Maddukuri et al. Sim-and-Real Co-Training, RSS 2025. 链接

[27] Junge & Hughes. Spatially distributed biomimetic compliance, Communications Engineering, 2025. 链接

[28] Fu et al. Mobile ALOHA, CoRL 2024 proceedings. 链接

[29] Zhao et al. Humanoid Everyday dataset, 2025. 链接

[30] Lin et al. HumanoidMimicGen, 2026 preprint. 链接

[31] WholeBodyVLA: Unified Latent VLA for Whole-Body Loco-Manipulation, 2025. 链接

[32] OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation, 2026. 链接

[33] RoboScape: Physics-informed Embodied World Model, NeurIPS 2025. 链接

[34] Figure. Project Go-Big: Internet-Scale Humanoid Pretraining, 2025. 链接

[35] Zhang et al. SafeVLA: Safety Alignment via Constrained Learning, 2025. 链接

[36] Zhang et al. VLA-Arena: Benchmarking VLA Models, 2025. 链接

[37] Agia et al. Unpacking Failure Modes of Generative Policies (Sentinel), CoRL 2024. 链接

[38] International Federation of Robotics. World Robotics 2025. 链接

[39] Agility Robotics & GXO. Multi-year Digit RaaS agreement, 2024. 链接

[40] Agility Robotics. Digit moves over 100,000 totes, 2025. 链接

[41] Apptronik & Mercedes-Benz. Apollo commercial agreement, 2024. 链接

[42] Boston Dynamics. Atlas evolution from research to industrial humanoid, 2026. 链接

[43] Unitree. G1 official specifications. 链接

[44] 1X. Introducing NEO Gamma, 2025. 链接

[45] UBTECH. 2024 annual report / Walker S industrial deployment disclosure. 链接

[46] 工业和信息化部：《人形机器人创新发展指导意见》，2023。 链接

[47] ISO 10218-1:2025, Robotics — Safety requirements — Part 1. 链接

[48] ISO/TC 299 Robotics standards catalogue. 链接

[49] EU Regulation 2023/1230 on machinery; consolidated text. 链接

[50] NIST AI Risk Management Framework 1.0. 链接

附录 C｜术语表

术语	释义
VLA	Vision-Language-Action，视觉—语言—动作模型。
VLM	视觉—语言模型，负责语义、对象和空间理解。
WBC	Whole-Body Control，全身控制。
Loco-manipulation	移动与操作耦合的全身任务。
Action chunk	一次预测未来一段动作序列，以降低自回归延迟。
Flow matching	学习从噪声到连续动作分布的向量场。
Sim-to-real	从仿真训练迁移到真实机器人。
RaaS	Robotics-as-a-Service，机器人即服务。
MTBF / MTTR	平均故障间隔 / 平均修复时间。
CBF	Control Barrier Function，控制障碍函数，用于约束安全集。