具身智能顶会大爆发！李飞飞新作斩获最佳论文，这波操作太秀了！

今天再和大家分享两篇具身智能方向的文献，探究其最新动态。具身智能作为脑科学、机器人学与AI的三体交汇点，正经历着"感知-决策-行动"闭环的技术重构。传统机器人依赖预设程序完成固定动作，而新一代系统通过视觉语言模型（VLM）理解环境语义，借助强化学习在试错中积累具身经验。

当前具身智能研究呈现三大趋势：其一，大模型驱动的感知升维，如VLMs赋予机器对“半满的水杯”“倾斜的椅背”等场景的语义理解；其二，模块化架构设计，通过分层技能库实现从“开门”到“组装家具”的任务级迁移；其三，仿真-现实协同进化，基于物理引擎的百万级场景预训练大幅降低真实环境试错成本。尽管面临动态环境适应性、实时计算负载等挑战，该领域在医疗康复、太空探索等场景的落地潜力已引发IBM、波士顿动力等巨头竞逐。

小编为大家整理了24篇具身智能方向的前沿文章，都是大佬团队出品，开源的都附上了代码方便复现，希望能给各位的论文加加速。

点击【AI十八式】的主页，获取更多优质资源！

【论文1】《Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills》

方法介绍

• 基础模型（Foundation Model, FM）：用于高级认知任务，如指令理解、任务规划和推理。

• 模块化技能库（Modular Skill Library）：提供稳定的行走和灵巧操作技能。

• 连接器（Connector）：轻量级的视觉-语言模型（VLM），用于将FM的高级语言计划转换为可执行的技能命令，并协调行走和操作技能。

创新点

1. 分层代理框架：将FM与模块化技能库结合，通过连接器模块实现高效执行。

2. 连接器模块：填补了FM语言计划与低级技能执行之间的空白，增强了机器人在现实世界中的决策能力。

3. 主动视觉：利用双目RGB相机提供主动视觉，增强了机器人在导航和操作任务中的灵活性和效率。

论文链接：[2503.12533] Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills

project：Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills

【论文2】《Gemini Robotics: Bringing AI into the Physical World》

方法介绍

• Gemini 2.0：作为基础模型，提供多模态理解和推理能力。

• Gemini Robotics-ER（Embodied Reasoning）：扩展Gemini的多模态推理能力到物理世界，增强空间和时间理解。

• Gemini Robotics：基于Gemini Robotics-ER，通过机器人动作数据微调，实现直接控制机器人。

创新点

1. Embodied Reasoning（ERQA基准）：评估多模态模型的物理世界理解能力。

2. Gemini Robotics-ER：展示强大的物理世界推理能力，包括3D感知、指向、轨迹和抓取预测。

3. Gemini Robotics：连接Gemini的推理能力与机器人动作，实现复杂操作任务的直接控制。

4. 零样本和少样本控制：通过代码生成和上下文学习，实现机器人任务的快速适应。

   

论文链接：[2503.20020] Gemini Robotics: Bringing AI into the Physical World

点击【AI十八式】的主页，获取更多优质资源！