在过去的十年中，机器人在感知、控制和学习方面取得了显著进展。传感、执行和计算技术的进步使得机器人能够实现敏捷的动作，处理高维感官输入，并在日益复杂的环境中工作。与此同时，人们越来越清楚地意识到，机器人的持续发展不能仅依靠算法。要让机器人能够自主且可靠地与人类和物理世界互动，就需要在传感、感知、规划、控制以及实体化等方面进行精心整合。具身人工智能正是为了解决这一挑战而出现的，它强调闭环互动，即智能源于物理实体、所学表征与现实世界反馈之间的持续交互。
在本期《IEEE机器人自动化杂志》的特刊中，我们并非将具身人工智能视为某种特定的算法方法，而是将其作为一种统一视角，用来理解如何将智能嵌入机器人系统。从这一视角来看，智能是由物理实体、任务约束、传感方式以及互动动态所塑造的，而非作为抽象的计算实体存在。因此，具身人工智能注重系统级设计，通过让学习、建模和控制与硬件共同发展，从而在物理世界中实现稳健的性能。
本期特刊收录的文章涵盖了这一视角的诸多方面，包括腿部运动、灵巧操作、软体机器人、医疗干预、辅助系统、自主导航以及长期技能学习等。有两篇综述分别介绍了真实环境中的具身腿部运动以及灵巧和具身操作的相关情况[A1]、[A2]。这两篇综述共同指出了与稳健性、物理互动、传感以及实体化相关的常见问题，这些问题也是本期众多技术研究要解决的焦点。
贯穿本期特刊的一个核心主题是硬件与人工智能之间的相互依存关系。物理实体决定了能够感知哪些信息、如何产生力量以及哪些行为是可行的。而学习则决定了系统能够多有效地利用这些物理能力。本期中的研究并未将智能视为独立于实体化的存在，而是展示了机械设计、执行机构、传感以及控制目标如何从根本上影响学习成果。例如，通过利用柔顺性和形态结构来简化操作[A3]，为软体执行器建立基于物理特性的模型[A9]，以及设计用于支持不同形态下具身学习的模块化机器人平台[A5]。
具身人工智能本质上是跨学科的，并以系统为导向。尽管基于学习的方法日益强大，但要将感知、学习和控制整合到可靠的机器人系统中仍是一项重大挑战。那些需要灵巧操作、大量互动以及人机协作的任务，仍然要求人们仔细考虑不确定性、安全性以及物理约束。历史上，由于担心样本效率和安全性，机器人领域对基于学习的方法，如深度强化学习，采用得较为谨慎。但随着模拟技术、目标设计以及结构化策略的进步，人们已经认识到，当基于物理模型和约束时，学习可以成为具身系统中实用的一部分[1]、[2]、[3]。
在涉及与人类物理互动的领域，从模拟到真实的训练方法也变得越来越实用。在医疗机器人领域，高精度的数字孪生体和模拟器使得在部署之前就能开发和验证与组织及内部解剖结构互动的自主行为，本期特刊中介绍的心脏介入系统就是例证[A4]。在可穿戴机器人领域，通过在模拟环境中进行无需实验的学习，就可以实现有效的外骨骼辅助功能，而且无需收集大量人类受试者的数据，这既保证了安全性，又具备实用性[4]。这些进展表明，当模拟与注重实体化的目标以及物理约束相结合时，它可以成为具身学习中一种强大且实用的工具。
本期特刊反复强调的一个观点是，有效的具身智能并不需要过于复杂的模型或庞大的神经网络。相反，经过精心选择的状态表征、基于物理的目标以及规模适中的模型，就能够实现出色的实际应用性能。这一观点与物理智能以及基于模型的强化学习领域的总体趋势相符，在这些领域中，结构、实体化以及反馈循环在塑造行为和减少不必要的复杂性方面起着关键作用[A10]、[A11]、[A12]、[A13]、[5]、[8]。数据驱动的学习只有在与适当的物理先验、模型以及约束相结合时才能发挥最大作用，而不能单独使用。
大型语言模型以及基础模型理念正在通过实现新的抽象形式、互动方式以及任务定义，开始影响具身系统。在本期特刊中，这类模型主要作为高级组件，用于补充注重实体化的感知、控制以及规划功能。例如，有语言引导的交互式导航[A7]以及语言辅助的远程操控[A6]，其中的物理执行仍然以机器人动力学和传感为基础。这些研究都表明，仅靠数据驱动的学习并不足以实现可靠的物理互动；准确的模型、物理先验以及兼顾约束的控制对于确保安全性、效率以及实时响应能力而言依然至关重要[6]、[7]。
展望未来，具身人工智能研究面临着若干尚未解决的挑战，包括原则性的硬件与人工智能协同设计、提升任务和实体化场景间的泛化能力，以及在对真实环境中的安全性和稳健性进行系统评估。要解决这些挑战，就需要机器人技术、人工智能及相关学科之间持续开展协作。
归根结底，具身人工智能的目标并非孤立地开发算法，而是创造能够为人类带来实际益处的机器人系统。提升生活质量、增强安全性、实现医疗干预，以及在条件艰苦或危险的环境中协助人类，这些都是衡量其成功与否的标准。本期特刊中的各项研究都体现了这一目标，强调了实体化、集成性以及与现实世界的关联性，这些都是具身人工智能研究的典型特征。
附录：相关文章
附录：相关文章
I. T. Kurniawan, W. Zhu, D. Owaki, 和 M. Hayashibe，“在真实环境中学习具身腿部机器人的运动能力：一项系统性综述”，《IEEE机器人自动化杂志》，第33卷，第1期，第8–23页，2026年3月，doi: 10.1109/MRA.2025.3639794。
G. Li, R. Wang, P. Xu, Q. Ye, 和 J. Chen，“灵巧且具身化的机器人操作的发展与挑战：一项综述”，《IEEE机器人自动化杂志》，第33卷，第1期，第24–38页，2026年3月，doi: 10.1109/MRA.2025.3642671。
E. Turco等人，“利用具身机械智能学习整理任务：夹持器设计有助于提升学习效果”，《IEEE机器人自动化杂志》，第33卷，第1期，第39–51页，2026年3月，doi: 10.1109/MRA.2025.3639825。
Y. Wang, M. Xu, W. Gaozhang, 和 H. A. Wurdemann，“从针对患者的数字孪生体到真实世界的模拟模型：自主右心导管插入术”，《IEEE机器人自动化杂志》，第33卷，第1期，第52–62页，2026年3月，doi: 10.1109/MRA.2025.3642745。
O. Kwon等人，“PAPRLE：即插即用的机器人肢体环境：一种用于机器人肢体的模块化生态系统”，《IEEE机器人自动化杂志》，第33卷，第1期，第63–73页，2026年3月，doi: 10.1109/MRA.2025.3647246。
H. Fei等人，“基于大型语言模型的单操作员双臂远程操控辅助机器人：一种灵活辅助系统的介绍与验证”，《IEEE机器人自动化杂志》，第33卷，第1期，第74–84页，2026年3月，doi: 10.1109/MRA.2025.3642669。
K. Zhou等人，“AINav：基于大型语言模型的自适应交互式导航”，《IEEE机器人自动化杂志》，第33卷，第1期，第85–100页，2026年3月，doi: 10.1109/MRA.2025.3639793。
H. Xu, X. Chen, Y. Lang, 和 Q. Ren，“基于视觉的政策学习在高速自主赛车中的应用：一种两阶段学习范式”，《IEEE机器人自动化杂志》，第33卷，第1期，第101–114页，2026年3月，doi: 10.1109/MRA.2025.3639812。
S.-Y. Lee, L. Z. Ya?ez, J. Rogatinsky, V. T. Vo, T. Shingade, 和 T. Ranzani，“简化液压软体机器人执行器中容积-流量-压力关系的数据驱动建模：一种实用且均衡的解决方案”，《IEEE机器人自动化杂志》，第33卷，第1期，第115–129页，2026年3月，doi: 10.1109/MRA.2025.3642670。
Z. Ajanovi?, R. Prakash, L. de Souza Rosa, 和 J. Kober，“顺序教学顺序任务（ST）2：教授机器人长期操作技能”，《IEEE机器人自动化杂志》，第33卷，第1期，第130–141页，2026年3月，doi: 10.1109/MRA.2026.3650853。
D. Dona’, G. Franzese, C. Della Santina, P. Boscariol, 和 B. Lenzo，“通过基于约束的残差学习实时生成接近最小能量轨迹：一种从最优解中学习的范式”，《IEEE机器人自动化杂志》，第33卷，第1期，第142–150页，2026年3月，doi: 10.1109/MRA.2025.3642672。
Y. Kadokawa, J. Frey, T. Miki, T. Matsubara, 和 M. Hutter，“DAPPER：一种具有可区分性意识的基于策略到策略的偏好强化学习方法，用于高效获取机器人技能”，《IEEE机器人自动化杂志》，第33卷，第1期，第151–166页，2026年3月，doi: 10.1109/MRA.2026.3650847。
Y. Yan 和 D. Lee，“跨实体模仿：学习用于多机器人控制的统一潜在空间”，《IEEE机器人自动化杂志》，第33卷，第1期，第167–179页，2026年3月，doi: 10.1109/MRA.2026.3651673。
