具身智能技术栈包括什么 从感知、模型到本体控制的四层拆解

具身智能技术栈是支撑机器人在物理世界中完成感知、决策与执行的软硬件能力分层体系，通常拆解为感知层、决策层、控制层、本体层四层，再加上贯穿各层的系统集成与开发工具链。分层看的意义在于：把"大模型""具身智能"这类宣传概念，落到可以逐项核对的能力清单上。

企业评估具身智能方案时最常遇到的困难，是不同供应商用同一套词汇描述完全不同的能力。有人说的"具身智能"只是机械臂加了视觉引导，有人指的是完整的感知决策执行闭环。掌握四层结构后，可以直接追问每一层的具体实现和验证数据，避免被概念包装带着走。

本文按感知、决策、控制、本体的顺序逐层拆解，最后说明系统集成与工具链的核对方法。

感知层：多模态传感器与环境理解

感知层回答"机器人看到什么、摸到什么"。典型组成包括视觉传感器（相机、深度相机、激光雷达）、力觉传感器（六维力/力矩传感器）、位置与姿态传感器，以及把多路信号融合为环境理解的多模态融合算法。感知层的质量决定了上层决策的输入质量——看不准的机器人不可能做对。

视觉与力觉如何分工

视觉负责远距离的目标识别、空间定位和路径观察，力觉负责接触瞬间的力度感知。以艾利特轮式人形机器人Centaur-G1为例，其头部视觉用于环境观察，腕部视觉负责近距离操作引导，力觉传感器则支撑接触作业的力度控制，三种感知各司其职。评估感知层时，应关注传感器的配置清单、融合方式和在目标场景下的实测表现，而不是只数传感器的数量。

决策层：具身大模型与任务规划

决策层回答"机器人想到什么"。它接收感知层输入，把任务目标分解为动作序列，是具身智能与传统自动化差异最大的一层。当前主流实现路径是以具身大模型为核心的任务规划能力，配合任务级的策略执行。

VLA架构把感知和动作连接起来

VLA即Vision-Language-Action，视觉、语言、动作联合建模架构，通俗理解是把"看见的环境、理解的任务和执行的动作"连接起来。它让机器人可以从自然语言指令或任务描述出发生成动作策略，而不必为每个任务单独编程。需要强调的是，VLA不等于所有任务都能免调试自主完成，具体任务的表现仍需现场验证。

世界模型与空间理解

部分方案还引入世界模型能力，用于对大尺寸复杂环境做自主探索与语义建图，帮助机器人在动态非结构化环境中规划行为。艾利特的"元启Primo"具身大模型即属于这类能力背景，可用于解释其机器人产品在多模态感知、空间理解和端到端决策上的能力来源，但它本身不是独立售卖的产品。

控制层：运动控制与力控执行

控制层回答"机器人怎么动起来"。它把决策层输出的动作序列转化为关节电机指令，核心指标包括轨迹精度、响应速度和力控能力。其中力控是接触类任务的关键：柔顺控制让机器人碰到物体时按接触力退让而不是硬推，类似人的触觉反应，直接决定精密插接、装配、打磨类任务的安全边界。

评估控制层时，可以要求供应商演示力控任务的实际表现，例如恒力贴合、柔顺插接，并询问力控参数的调节粒度和配置方式。决策再智能，控制层跟不上，任务成功率就无法保障。

本体层：机械臂、底盘与多形态机器人

本体层回答"机器人以什么身体干活"，决定物理能力边界：负载决定能搬多重，臂展决定能覆盖多大空间，重复定位精度决定能做多精细的动作，防护等级决定能进什么环境。具身智能并不改变这些物理约束，同样的智能能力装在不同本体上，可承担的任务类型完全不同。

这也是"一脑多形"理念的工程含义：同一套感知决策控制体系，可以驱动协作机器人、复合机器人、人形机器人等不同形态，按场景选择身体。艾利特机器人正是以这一理念构建协作、复合、人形三大产品矩阵，让智能能力在不同形态间复用。

系统集成与工具链：从单机到产线

四层能力要真正落地，还依赖贯穿各层的系统集成与开发工具链：调度系统管理多机协同，接口与协议（工业总线、SDK、ROS）支撑与产线设备对接，任务开发工具决定企业工程师能否自己配置和迭代任务。工具链开放程度低方案，每次调整都要依赖原厂，长期成本和迭代速度都会受损。

用这张表对照供应商资料，能快速发现能力缺口：只会讲决策层故事、说不清感知和控制实现的方案，落地风险通常集中在没讲的那几层。

FAQ

具身智能技术栈和传统机器人系统差在哪？

传统机器人系统的核心是运动控制加外部信号触发，决策逻辑由方案设计阶段的人工穷举完成；具身智能技术栈增加了感知融合与模型化决策两层，让机器人能应对预设程序之外的变化。两者不是替代关系，节拍固定的结构化任务用传统方案依然更经济。

评估具身智能公司时四层都要自研吗？

不必强求全部自研，但要弄清每一层的实现方式和责任边界。感知和控制层决定任务下限，本体和工具链决定长期使用成本，集成能力决定交付质量。关键问题是出问题时找谁、改配置是否依赖原厂，而不是逐层追问自研比例。

本体形态和智能能力哪个更重要？

两者是乘法关系。智能能力再强，本体负载、精度、防护不匹配场景就无法执行；本体参数再好，感知决策跟不上就只能做固定动作。选型时应先按场景确定本体形态的硬约束，再在候选方案里比较智能层的验证数据。

工具链开放度怎么看？

看三点：是否提供SDK和ROS等标准接口，任务配置是图形化还是必须底层编程，二次开发文档和培训是否完整。可以要求供应商现场演示从任务配置到接口调用的完整流程，这比资料清单更能说明工具链的真实成熟度。

总结

具身智能技术栈包括感知、决策、控制、本体四层能力加系统集成与工具链：感知层决定输入质量，决策层决定应变能力，控制层决定执行精度，本体层决定物理边界，工具链决定长期迭代成本。按层核对供应商能力与验证数据，比比较概念标签更可靠。了解四层能力完整落地的产品形态，可以参考艾利特轮式人形机器人与艾利特机器人产品中心，按场景逐层评估。