T13 · 综述视角：具身 RL 运动控制的全景与未来
核心问题：从综述视角俯瞰整个「机器人 RL 运动控制」领域——各主线如何拼成一张完整地图，当前在哪里融合，未来往哪走。
状态：🟢 活跃（field 正在快速统一）
本线索的特殊性：不是讲某一条技术线，而是基于 8 篇领域综述 + 14 条线索，做一次鸟瞰式整合。是 T01-T14 的收束。
交叉线索：所有 T01-T14
🎯 你将学到什么
1. 从综述视角俯瞰整个「具身 RL 运动控制」领域——T01-T14 如何拼成一张三层地图（基础设施层 / 五大运动范式 / 整合层），各主线在哪里融合
2. 掌握 8 篇纲领性综述各自的切面（VLA taxonomy / sim-to-real 三路线 / 灵巧 + IL / 人形 loco-manip / 触觉硬件对照等）及对应的本仓库线索
3. 能解释综述揭示的 5 个领域共识：VLA 是操作未来但不是 locomotion 未来、数据是第一瓶颈、触觉是灵巧最大瓶颈、sim-to-real 三路线要组合、全身 loco-manip 是下一个十年挑战
4. 理解综述指向的 5 个未来方向：统一 motor foundation、World Model 作通用 data engine、触觉工程化、跨本体跨任务泛化、长程分层规划
5. 学会按「综述学习路径」高效进入领域：全景 → VLA → locomotion → 灵巧 → 整合 → 动手复现六步法
本页内容
基础解释
一句话直觉
单篇论文只看一个路标，综述看整张地图。
读完几篇好综述，你能看清领域在往哪融合。
综述之于单篇论文，就像地图之于路标。
路标告诉你眼前这一步。
地图告诉你这条路通向何方。
从基础理解
要解决的问题
给整个具身运动控制领域一个鸟瞰坐标系 📎。
看清哪些是地基，哪些是范式，哪些是整合层。
本线索不是讲某一条技术线，而是基于多篇综述俯瞰全景。
领域在从分头走向融合
近三年的综述本身揭示了一个趋势 📎。
早期的综述按方向分，移动、操作各写各的。
最新的综述开始讲"全身整合"和"大模型加运动小脑"。
领域正在从分头发展走向融合统一。
三层地图
把主要技术线索放在综述坐标系里，能看出三层 📎。
- 底层是基础设施。数据集和模拟到真机迁移决定整个领域的上限。
- 中层是五大运动范式。移动、操作、动作先验、动作生成、遥操作。
- 顶层是整合层。大模型加运动小脑的分层、世界模型、灵巧手。所有最新综述的焦点都在这层 📎。
方法核心（大白话）
综述最值钱的是它跨论文提炼的"共识"。
共识一：大模型管操作，强化学习管移动，分层是必然。
共识二：数据是第一瓶颈。合成数据补量，但补不了物理一致性和触觉。
共识三：触觉是灵巧操作的命门。
共识四：模拟到真机的三路线要组合用，不是单选。
共识五：全身整合是下一个十年挑战。
一句话类比
综述之于单篇论文，就像地图之于路标。
地图帮你决定下一步该往哪条路走。
一、综述地图（我们参考的 8 篇 + 12 篇候选）
近三年具身智能/机器人运动控制领域出现了一批高质量综述，它们各自聚焦一个切面，合起来正好拼出全景：
| 综述 | 切面 | 对应我们的线索 |
|---|---|---|
| VLA for Embodied AI [Ma 2024, arxiv:2405.14093] | VLA 三条主线（组件/控制策略/高层规划）taxonomy | T06 |
| Robotics with Foundation Models [2402.02385] | robot+FM 全景，重点 manipulation | T06/T10 |
| Comprehensive Survey on Embodied AI [2407.06886] | 具身 AI 全景（感知/学习/控制/数据） | 全部 |
| Humanoid Locomotion & Manipulation (HLM) [2501.02116] | 人形 loco-manip + 触觉硬件对照 | T07/T11 |
| Dexterous via Imitation Learning [2504.03515] | 灵巧操作+IL，含触觉/数据集 | T11 |
| Dexterous & Embodied Manipulation [2507.11840] | 灵巧+具身操作发展史 | T11 |
| Large VLM-based VLA for Manipulation [2508.13073] | VLM-based VLA 系统 taxonomy | T06 |
| Sim-to-Real Transfer Survey [2009.13303] | sim-to-real 权威综述（DR/DA/SysID 三路线） | T01 |
候选（待补下）：Teleoperation of Humanoid Robots Survey [Darvish 2023, T-RO, arxiv:2301.04317]、World Models for Embodied AI Survey [2510.16732]、Robot Learning in Era of Foundation Models [2312.07843, Neurocomputing 2025]。
关键观察：这些综述本身揭示了一个事实——领域正在从「分头发展」走向「融合统一」。2023 年的综述还按方向分（locomotion 综述、manipulation 综述各写各的），2025 年的综述（HLM、Comprehensive Embodied AI）已经开始讲「全身整合」「VLA + WBC」。
💡 核心洞察：综述本身从「按方向分」走向「讲整合」是领域成熟的信号——2023 年 locomotion/manipulation 综述各写各的，2025 年综述开始讲「全身整合 / VLA + WBC」，这意味着「分头发展」范式正在被「融合统一」范式取代。
二、从综述视角看 14 条线索如何拼成地图
把我们的 T01-T14 放在综述坐标系里，能清楚看到三层结构：
第一层 · 基础设施层（决定上限）
- T02 数据集基础设施：OpenX/AMASS/Isaac Lab 是一切的地基。综述 [2407.06886] 指出「数据规模仍是最大瓶颈」。
- T01 Sim-to-Real：综述 [2009.13303] 系统化了 DR/DA/SysID 三路线，被引 1672 次。所有真机工作都绕不开。
第二层 · 五大运动范式（本仓库主体）
- T12 敏捷 Locomotion + T01：四足/人形移动。综述 [2501.02116] 把这部分定位为「人形的下半身」。
- T05 Diffusion Policy + T06 VLA：操作策略。综述 [2405.14093] 的核心——VLA 三条主线。
- T04 AMP→BFM：motion prior 是连接 MoCap 数据和 RL 的桥梁，是 HLM 综述 [2501.02116] 强调的「motor foundation」。
- T08 动作生成：综述 [2407.06886] 把它归为「synthetic data 来源」。
- T07 人形 Teleop：综述 [Darvish 2023, arxiv:2301.04317] 专门讲这条，是数据采集管道。
第三层 · 整合层（当前最热）
- T10 VLA + WBC 分层：所有 2025 综述的焦点。HLM 综述直接说「全身 loco-manip 是下一个十年挑战」。
- T09 World Model：综述 [2407.06886] 把它列为「下一代 data engine」。
- T11 灵巧手：综述 [2504.03515][2507.11840] 专攻，强调触觉是最大瓶颈。
三、综述揭示的 5 个「领域共识」
读这 8 篇综述，能提炼出当前学术界的5 个共识（几乎所有综述都同意的）：
共识 1 · VLA 是操作的未来，但不是 locomotion 的未来
所有 VLA 综述 [2405.14093][2508.13073][2402.02385] 都把 VLA 定位为「manipulation policy」。locomotion 仍由 RL WBC（T01/T12）主导，VLA 只做高层语义。原因：locomotion 需要高频（100Hz+）和强物理一致性，VLA 推理慢、离散化精度不够。这印证了我们 T10 的判断——VLA + WBC 分层是必然。
💡 核心洞察：VLA 是 manipulation 的未来但不是 locomotion 的未来——这一领域共识的物理根源是「频率 + 物理一致性」双约束：locomotion 100Hz+ 与强接触物理容不下 7B VLA 的数百 ms 推理，注定要由 RL WBC 主导、VLA 只做高层语义，这正是 VLA+WBC 分层（T10）必然成立的根。
共识 2 · 数据是第一瓶颈，合成数据是解法之一但不是全部
综述 [2407.06886][2312.07843] 都把「数据规模」列为第一挑战。机器人数据比 LLM 少 4-5 个数量级。合成数据（Cosmos/Genie/GR00T Mimic）能补量，但综述 [2507.11840] 指出合成数据补不了物理一致性和触觉。最可能的胜出方案是「合成预训练 + 真实遥操作微调」（与我们 T02 的判断一致）。
共识 3 · 触觉是灵巧操作的最大瓶颈
灵巧综述 [2504.03515][2507.11840] 和 HLM 综述 [2501.02116] 都强调：没有触觉反馈，精细操作（易碎物、滑动检测、力度调节）几乎无解。HLM 综述还给了 Shadow Hand/Allegro+DIGIT/BioTac 的硬件对照表。这印证了我们 T11 的核心论点。
共识 4 · Sim-to-real 三路线要组合
sim-to-real 综述 [2009.13303] 系统化了三路线（DR / Domain Adaptation / System ID），明确说实际工程是组合使用。这与我们 C-sim2real-methods.md 的辨析完全一致。
共识 5 · 全身 loco-manipulation 是下一个十年挑战
HLM 综述 [2501.02116] 和 Comprehensive Embodied AI 综述 [2407.06886] 都把「人形全身 loco-manipulation」列为当前最重要的开放问题。难点在于：上半身操作（VLA）和下半身移动（WBC）的频率、reward、sim-real 难度本质不同（T10/T12 都讨论过）。
💡 核心洞察：全身 loco-manipulation 是下一个十年挑战的本质原因是上半身 VLA 与下半身 WBC 在「频率 / reward / sim-real」三维度上完全异构——这不是「把两个 solved problem 接起来」的工程问题，而是「两种本质不同的控制范式如何统一」的科学问题，所以被多篇综述列为 5 年内最大开放点。
四、综述指向的 5 个「未来方向」
方向 1 · 统一 motor foundation model
HLM 综述提出：未来可能需要一个「统一 motor foundation model」同时覆盖 locomotion、manipulation 与灵巧手。当前 BFM（T04）主要覆盖 locomotion/motion tracking；GR00T N1.7 等产业 VLA 则在跨本体 manipulation、长程任务与部署工具链上推进。二者尚不能证明已形成统一模型，全身闭环控制仍需以 T10 的系统工作单独检验。
方向 2 · World Model 作为通用 data engine + 评估器
综述 [2407.06886] 把 World Model 列为「下一代基础设施」。1X World Model 的「用 WM 评估 policy」思路被多篇综述引用。但仍开放：WM 会幻觉（WPE 问题，T09）。
方向 3 · 触觉传感的工程化
灵巧综述指出，触觉硬件（DIGIT/GelSight/BioTac）已成熟，但触觉 + RL/IL 的整合仍 primitive。Tac2Motion、Visuotactile Skills 是早期探索。
方向 4 · 跨本体 + 跨任务泛化
所有 VLA 综述都把「跨本体泛化」列为终极目标。OpenX 证明了跨本体正向迁移，但「跨形态」（机械臂 → 人形）仍未解决。
方向 5 · 长程任务 + 分层规划
综述 [2405.14093] 的「高层任务规划」整条线。π0.5、Hi Robot、RT-H 都在做。本质是「System-2 慢思考怎么分解任务」。
五、本仓库 14 条线索 vs 综述的覆盖度自检
| 综述强调的 | 我们线索覆盖 | 缺口 |
|---|---|---|
| VLA taxonomy（组件/策略/规划） | T06 ✅ | — |
| Sim-to-real 三路线 | T01 ✅ + C-sim2real ✅ | — |
| 灵巧操作 + 触觉 | T11 ✅ | 触觉硬件细节可加深 |
| 数据集基础设施 | T02 ✅ | — |
| World Model | T09 ✅ | — |
| 抓取（grasping） | T14 ✅ | 综述 [2507.11840] 强调 GraspNet/AnyGrasp/Dex-Net，已独立成线 |
| 人形硬件平台 | 部分有 | H1/G1/Figure 散见，缺整合线索 |
| contact-rich manipulation | T11 部分 | 综述 [2506.13498] 专门讲，可补 |
| VLA 高层规划（非动作） | T06 部分 | SayCan/Code-as-Policies/VoxPoser 散见，可整合 |
曾被视为缺口、已补：抓取（grasping）是独立大方向，技术栈与灵巧操作完全不同（几何 vs 动态协调），曾长期被混入 T11；现已独立为 T14，呼应综述 [2507.11840] 对 grasping vs dexterous 的明确切分。
💡 核心洞察：抓取（grasping）从「最大缺口」到「独立成线 T14」的过程本身就是领域成熟的信号——综述 [2507.11840] 把 grasping（几何）与 dexterous（动态协调）明确切分后，本仓库相应地把 T14 从 T11 中分出，使 14 条线索对 manipulation 的覆盖从「灵巧一极」扩展为「抓取 + 灵巧双极」。
六、给研究者的「按综述学习」路径
基于综述的覆盖广度，推荐这个学习路径（比单读论文高效）：
- 入门全景：读 Comprehensive Embodied AI [2407.06886] → 建立全景
- 进阶 VLA：读 VLA Survey [2405.14093] + 我们 T06 → 理解 VLA 三主线
- 进阶 Locomotion：读 Sim-to-Real Survey [2009.13303] + 我们 T01/T12 → 理解 sim2real
- 进阶灵巧：读 Dexterous via IL [2504.03515] + 我们 T11 → 理解灵巧操作
- 前沿整合：读 HLM [2501.02116] + 我们 T10 → 理解全身 loco-manip 挑战
- 动手复现：参考我们
papers/P-*.md的 15 篇深度笔记 + 附录 C 复现路线
七、本仓库的综述 PDF 清单（本地）
存于 research/papers_pdf/，命名 Survey-*.pdf：
- Survey-VLA-EmbodiedAI_2405.14093.pdf（VLA 首篇完整综述）
- Survey-Robotics-Foundation-Models_2402.02385.pdf
- Survey-Embodied-AI_2407.06886.pdf
- Survey-Humanoid-LocoManip_2501.02116.pdf（含触觉硬件对照表）
- Survey-Dex-Imitation_2504.03515.pdf
- Survey-Dex-Embodied-Manip_2507.11840.pdf
- Survey-VLM-VLA-Manipulation_2508.13073.pdf
- Survey-SimToReal_2009.13303.pdf（1672 引用，最权威）
完整清单（含 12 篇未下候选）：research/surveys/SURVEY_LIST.md
八、开放问题（综述共识 + 我的判断）
- 统一 motor foundation model 何时出现：HLM 综述把它列为方向，不是时间承诺。BFM（T04）与 GR00T N1.7 分别覆盖运动先验和跨本体操作的部分能力；是否能在同一模型中稳定处理 locomotion + manipulation，仍缺少可复现实机证据。
- World Model 评估能否替代真机：1X WM 给了希望，但 WPE 幻觉问题（T09）未解。综述 [2407.06886] 谨慎乐观。
- 触觉何时工程化：硬件已有，缺的是「触觉 + policy 的端到端学习」范式。预计 2026-2027 会有突破。
- 抓取 vs 灵巧操作的边界：综述 [2507.11840] 区分了 grasping（几何）vs dexterous（动态），但实际任务中两者交织。已由 T14 抓取线索独立覆盖。
2026 最新进展
2026 上半年是综述大年——4 篇纲领性综述 / 立场文献集中出现，把「field 如何统一」从描述性推向纲领性：
- VLA 数据中心综述（TMLR 录用）：VLA in Robotics: A Survey of Datasets, Benchmarks, and Data Engines [Wang et al., arxiv:2604.23001] 以「数据中心」视角系统综述 VLA 研究——从 datasets、benchmarks、data engines 三柱梳理，揭示保真度-成本权衡、组合泛化与长程推理评估的结构性空白、仿真/视频重建/自动任务生成 data engine 的共性 sim-to-real 缺陷。明确主张 VLA 的未来进展将更依赖「高保真数据引擎 + 结构化评估协议」的协同设计而非模型架构本身，提出 4 大开放挑战（表征对齐、多模态监督、推理评估、可扩展数据生成）。是 2026 VLA 数据基础设施方向的纲领性综述——把本线索第三节共识 2「数据是第一瓶颈」从直觉推到可操作的「数据引擎协议」。
- WAM 综述：定义「World Action Model」新范式：World Action Models: The Next Frontier in Embodied AI [Wang et al., arxiv:2605.12090]（复旦）首次系统综述 World Action Models（WAMs）——将预测状态建模与动作生成统一为联合分布，建立 Cascaded vs Joint WAMs 分类法，按生成模态、条件机制、动作解码细分；并系统分析数据生态与评估协议（视觉保真度、物理常识、动作合理性）。为 WAM 这一类新范式（VLA × 世界模型融合）提供首个统一概念框架——把本线索第四节方向 2「World Model 作为通用 data engine」从「未来方向」变成「当下综述主题」，是 2026 世界动作模型方向的奠基性综述。
- WM for Robot Learning 综述：把 video generation 纳入机器人学习版图：World Model for Robot Learning: A Comprehensive Survey [Hou et al., arxiv:2605.00080] 综述世界模型在机器人学习中的应用，覆盖 video-generation-as-world-model（UniPi、Gen2Act）、DreamDojo 类通用机器人世界模型、以及 latent world-action model（Being-H0.7、VLA-JEPA）。代表 2026 上半年「video generation → world model → robot policy」的范式热潮——是理解 motion generation 如何外延到具身智能全局的重要综述，与本线索方向 2 直接对接。
- 「Robots Need More」立场论文：对 VLA scaling 至上范式的系统反思：Robots Need More than VLA and World Models [Karcini et al., arxiv:2606.06556]（ETH Hutter、Stanford Schwager、IIT Ajoudani、Darmstadt Peters 等联合署名）主张通用机器人智能不能只靠「更多数据 + 更大 VLA」。瓶颈在于缺乏把互联网非结构化行为数据转换为机器人监督信号的机制；提出下一代机器人需要的 4 个接口——data（自标注）、embodiment（重定向）、world-model（物理 3D 推理）、reward（视频/语言推断奖励）。对「VLA scaling 至上」范式提出系统反思——是 2026 机器人基础模型方向的关键立场文献，与本线索第三节共识 1「VLA 是操作的未来但不是 locomotion 的未来」相互呼应但更激进。
📌 关键要点
1. 领域正从「分头发展」走向「融合统一」——2023 年综述还按方向分（locomotion / manipulation 各写各的），2025 年综述（HLM、Comprehensive Embodied AI）已开始讲「全身整合」「VLA + WBC」
2. 三层地图结构：基础设施层（T02 数据 + T01 sim-to-real）决定上限、五大运动范式（T12 敏捷 + T05/T06 操作 + T04 motion prior + T08 动作生成 + T07 teleop）是主体、整合层（T10 VLA+WBC + T09 world model + T11 灵巧）是当前最热
3. 综述共识：VLA 是 manipulation 的未来但不是 locomotion 的未来（频率与物理一致性约束）、合成数据补量但补不了物理一致性与触觉、全身 loco-manip 是下一个十年挑战
4. GR00T N1.7 是跨本体操作、长程任务与部署工具链的重要产业 VLA；它与 BFM 的能力互补，但尚不是已验证的 locomotion + manipulation 统一模型
5. 2026 上半年是综述大年：VLA 数据中心综述、WAM 综述、WM for Robot Learning 综述、「Robots Need More」立场论文四篇纲领性文献把「field 如何统一」从描述性推到纲领性
九、涉及里程碑综述
2018-2025 主线 8 篇：
- [Ma 2024, arxiv:2405.14093] VLA for Embodied AI Survey —— VLA 首篇完整 taxonomy
- [2402.02385] Robotics with Foundation Models —— robot+FM 全景
- [2407.06886] Comprehensive Survey on Embodied AI —— 具身 AI 全景
- [2501.02116] Humanoid Locomotion & Manipulation —— 人形 loco-manip + 触觉
- [2504.03515] Dexterous via Imitation Learning Survey —— 灵巧+IL
- [2507.11840] Dexterous & Embodied Manipulation Survey —— 灵巧发展史
- [2508.13073] Large VLM-based VLA Survey —— VLM-VLA taxonomy
- [2009.13303] Sim-to-Real Transfer Survey —— sim2real 权威（1672 引用）
2026 纲领性 4 篇（详见「2026 最新进展」节）：
- [Wang et al. 2026, arxiv:2604.23001] VLA in Robotics: Datasets/Benchmarks/Data Engines —— VLA 数据中心综述（TMLR 录用）
- [Wang et al. 2026, arxiv:2605.12090] World Action Models —— WAM 范式奠基性综述（复旦）
- [Hou et al. 2026, arxiv:2605.00080] World Model for Robot Learning —— WM 进入机器人学习版图
- [Karcini et al. 2026, arxiv:2606.06556] Robots Need More than VLA and World Models —— 对 VLA scaling 至上范式的系统反思（ETH/Stanford/IIT/Darmstadt 联合）
十、延伸
- 本仓库 14 条线索：T01-T14（本元线索是其余 13 条的收束）
- 综述清单：
research/surveys/SURVEY_LIST.md - 综述 PDF：
research/papers_pdf/Survey-*.pdf（8 篇） - T14 抓取线索：综述揭示的最大缺口已独立成线
可选复盘：常见误区
澄清："综述只是论文列表，没原创价值" —— 错。好综述的价值是跨论文的整合视角——把分散的进展拼成地图、提炼共识、指出缺口 。
"综述只是论文列表，没原创价值" —— 错。好综述的价值是跨论文的整合视角——把分散的进展拼成地图、提炼共识、指出缺口 📎。
综述是"地图绘制"，不是"路标清点"。
澄清："读了综述就不用读单篇论文" —— 反过来也不对。综述给坐标系和共识，单篇论文给机制和证据。两者互补：综述告诉你"这条路通向哪里"，单篇告诉你"这一步怎么落地"。
"读了综述就不用读单篇论文" —— 反过来也不对。综述给坐标系和共识，单篇论文给机制和证据。两者互补：综述告诉你"这条路通向哪里"，单篇告诉你"这一步怎么落地"。
学习路径是综述定方向、单篇定细节。
澄清："领域已经统一了" —— 还没。综述揭示的是"正在融合"的趋势，不是"已经统一"的事实 。比如抓取在本仓库仍是缺口，触觉加策略的范式还很原始。
"领域已经统一了" —— 还没。综述揭示的是"正在融合"的趋势，不是"已经统一"的事实 📎。比如抓取在本仓库仍是缺口，触觉加策略的范式还很原始。
"融合"是方向，不是现状。
可选复盘：检查点
综述相比单篇论文，多给了你什么？用"地图对比路标"的类比说。
查看参考答案
- 类比锚：单篇论文=路标（告诉你眼前这一步怎么走）；综述=地图（告诉你这条路通向哪里、和其他路怎么连）。
- 综述多给的东西：跨论文的整合视角——把分散进展拼成坐标系、提炼共识、指出缺口。
- 区别于论文列表：好综述的价值在'地图绘制'（结构+判断），不是'路标清点'（罗列论文）。
本线索把技术线索分成哪三层？每层举一个代表。
查看参考答案
- 三层：底层基础设施、中层五大运动范式、顶层整合层。
- 底层代表：数据集 / 模拟到真机迁移（决定上限）。
- 中层代表：移动、操作、动作先验、动作生成、遥操作（任举一个）。
- 顶层代表：大模型加运动小脑的分层 / 世界模型 / 灵巧手（任举一个，且是当前最新综述焦点）。
用自己的话复述综述提炼的任意三条共识。
查看参考答案
- 五选三即可：(1) 大模型管操作、强化学习管移动、分层是必然；(2) 数据是第一瓶颈，合成数据补量但补不了物理一致性和触觉；(3) 触觉是灵巧操作的命门；(4) 模拟到真机三路线要组合用不是单选；(5) 全身整合是下一个十年挑战。
- 复述要点：意思到位即可，不要求字面；但要把'为什么'或'代价'带出来（如合成数据补不了物理/触觉）。
为什么"读了综述就不用读单篇论文"是错的？两者各提供什么？
查看参考答案
- 综述提供：坐标系、共识、方向判断（地图）。
- 单篇论文提供：机制、证据、可复现的细节（路标的精确位置）。
- 为什么不能互相替代：综述的判断需要单篇的证据支撑，单篇的意义需要综述的坐标系来定位——少任一层都是盲人摸象。
综述揭示当前领域最大的几个缺口是什么？请举一个。
查看参考答案
- 可举任一：(a) 抓取在本仓库仍是独立大方向但基本空白；(b) 触觉加策略的端到端学习范式还很原始；(c) 全身 loco-manipulation 的统一（一个模型同时跑移动+操作）还没实现；(d) 世界模型评估能否替代真机仍未解。
- 要点：必须点出'这是个缺口/未解'，而不是已经解决的问题。