具身智能与大型语言模型研究综述库：Awesome Embodied Robotics and Agent

当机器人开始"思考"：一个研究者的发现之旅

2023年夏天，一位名叫 Haonan Zhang 的研究者（GitHub @zchoi）在 GitHub 上创建了一个项目。彼时，ChatGPT 刚刚掀起大语言模型的热潮，而具身智能（Embodied AI）——让 AI "长出身体"、在真实或虚拟环境中执行任务——还是一个小众但暗流涌动的研究方向。他没有想到，两年后这个项目会积累超过 1800 颗星，成为该领域最受欢迎的开放资源库之一。

这是一个什么样的项目？ 简单来说，它是一个持续更新的"论文超市"，专门收录具身智能与大型语言模型（LLM/VLM）交叉领域的研究论文、benchmark、数据集和代码实现。作者将其命名为"Awesome"——这是 GitHub 社区对高质量资源合集的约定俗成的命名惯例，意味着"权威精选"。

图1：项目维护者 Haonan Zhang 的 GitHub 头像

---

为什么这个领域值得关注？

具身智能是什么？ 打个生活化的比方：传统的大语言模型就像一个"纸上谈兵"的智者——它读过百万本书，能回答各种问题，但从来没有拿起过工具、走进过厨房、或者在陌生房间里找到自己的路。而具身智能的目标，是让 AI 不仅能"想"，还要能"做"——操作机械臂抓取物体、在家庭环境中导航、按照自然语言指令完成复杂的多步骤任务。

这个方向的爆发，背后有三个关键技术的汇合：

1. **视觉-语言模型（VLM）**的成熟，让机器人能"看懂"环境并理解人类指令
2. **大语言模型（LLM）**的推理能力，让机器人能规划复杂任务序列
3. 低成本机器人硬件（如 Unitree、Hover）降低了实验门槛

该项目的 README 中引用了一张趋势图，展示了近年来具身智能研究的爆发式增长曲线，尤其以 2023-2024 年最为显著。

---

项目内容全解析：14个研究子领域

这个列表的组织方式非常清晰，按照研究主题分为 14 个板块，每个板块下收录了数十到上百篇精选论文。以下是各板块的核心内容：

1. Survey（综述论文）

综述类论文是了解一个领域最快速的途径。项目收录了多篇高质量综述：

• A Survey on Efficient Vision-Language-Action Models（2025年10月，同济大学）——最新最全的 VLA 高效化综述
• A Survey on Vision-Language-Action Models for Embodied AI（2024年3月，港中文+华为诺亚方舟实验室）
• Large Multimodal Agents: A Survey（2024年2月）
• A Survey on Self-Evolution of Large Language Models（2024年1月，北大+阿里+南洋理工）

这些综述覆盖了从基础模型到自我进化能力的全栈研究，适合刚进入该领域的研究者建立全局认知。

2. Vision-Language-Action Model（VLA 模型）

这是最核心、最活跃的板块，收录了当前最前沿的视觉-语言-动作模型：

• π0 / π0.5（Physical Intelligence，2024-2025）：当前最知名的开源机器人控制模型家族。π0 基于流匹配（Flow Matching）技术，能够控制机器人执行多样化操作任务，已在实际机器人上验证有效。
• OpenVLA：开源的视觉-语言-动作模型，代表了"人人都能用的 VLA"的趋势。
• D2E（ICLR 2026）：在桌面数据上进行视觉-动作预训练，可迁移到具身 AI 场景，来自斯坦福、首尔国立大学和 MAUM.AI。
• ABot-M0（阿里巴巴 CV Lab）：基于动作流形学习的 VLA 基础模型。

3. Self-Evolving Agents（自我进化智能体）

让 AI 智能体在实践中自我学习、自我改进：

• AGENTGYM（复旦大学）：在多样化环境中进化 LLM-based 智能体。
• Symbolic Learning Enables Self-Evolving Agents：探索符号学习与自我进化的结合。

4. Advanced Agent Applications（高级应用）

将具身智能应用于移动设备操控、自动驾驶、游戏等场景：

• Mobile-Agent-v2（阿里巴巴）：多智能体协作的手机操控助手，已在 ICLR 2024 Workshop 发表。
• CRADLE：在《荒野大镖客2》游戏中训练 LLM 智能体——研究者用它来低成本验证智能体的复杂推理能力。

5. LLMs with RL or World Model（强化学习与世界模型）

• UniSim（ICLR 2024 杰出论文奖，UC Berkeley + Google DeepMind）：学习交互式真实世界模拟器，一篇解决数据稀缺问题的里程碑工作。
• KALM（NeurIPS 2024）：用 LLM 生成数据来做离线强化学习。

6. Planning and Manipulation（规划与操控）

• RoboSpatial（CVPR 2025 Oral，NVIDIA）：教 2D/3D 视觉-语言模型理解空间关系，是机器人操作的关键能力。
• RoboRefer：用视觉-语言模型进行机器人空间指代理解。

7. Multi-Agent Learning（多智能体协作）

多机器人如何分工合作？这一板块收录了协同学习相关研究。

8. Vision and Language Navigation（视觉-语言导航）

智能体在真实或虚拟环境中按照自然语言指令移动：

• CANVAS（ICRA 2025）： commonsense-aware 导航系统，来自 MAUM.AI 和延世大学。
• NavSpace（ICRA 2026）：评估智能体空间智能的新 benchmark，刚于 2026年5月加入列表。

9. Benchmark（评测基准）

评测是进步的标尺。该板块收录了各种具身 AI 评测基准，帮助研究者标准化评估方法。

10. Simulator（仿真器）

真实机器人训练成本高，仿真器是核心基础设施。Isaac Sim、Habitat 等主流仿真器均被收录。

---

图2：高效 VLA 综述的框架图。 该图将 VLA 研究系统性地分为三个核心支柱：（1）高效模型设计——包含高效架构和模型压缩技术；（2）高效训练——覆盖高效的预训练和后训练策略；（3）高效数据收集——包括高效数据收集和增强方法。此外还综述了 VLA 基础、关键应用、挑战与未来方向。

---

项目特点与学术价值

优点

1. 覆盖面极广：从 2023 年至今的具身智能主流研究几乎无遗漏，特别关注 VLM/LLM 与机器人结合的方向。
2. 更新及时：作者持续追踪最新顶会论文（CVPR、ICLR、NeurIPS、CoRL、ICRA），平均每1-2个月更新一次。
3. 信息结构化：每个条目包含论文链接、arXiv ID、发表会议/时间、GitHub 仓库和项目主页，方便直接访问。
4. 作者关联性强：维护者 Haonan Zhang 本身是具身智能领域活跃研究者，所选论文质量有保障。

局限性

1. 非代码项目：这是一个纯 Markdown 文档，没有任何可运行的代码或 Docker 部署包，无法直接进行实验复现。
2. 英文为主：所有论文引用均为英文，对中文读者有一定语言门槛。
3. 不提供摘要：每篇论文仅给出标题和链接，缺乏核心贡献的简要总结——这对于快速筛选文献不太友好。
4. 偏向 VLA 方向：对非视觉的纯语言规划类智能体收录较少，侧重视觉-语言-动作的融合路线。

---

适合谁使用？

用户类型	推荐程度	原因
AI/机器人研究方向的研究生	极高	建立领域认知、找论文、追踪前沿
想要快速了解具身智能的开发者	高	按需查阅各子领域精选论文
产品/投资经理	中	快速了解行业技术现状
想复现论文代码的工程师	低	无代码，需另行搜索 GitHub

---

行业趋势观察

从 2023 年到 2026 年，这个列表见证了几个重要趋势的演变：

1. 从"纯导航"到"通用操控"：早期具身智能大量集中在室内导航任务，近两年操作类任务（抓取、装配家务）研究显著增加，特别是 VLA 模型的突破。
2. 从"单一智能体"到"多智能体协作"：多机器人协同任务成为新的研究热点。
3. 从"仿真"到"真实世界迁移"：UniSim 等工作试图解决仿真到现实的差距（Sim2Real）问题。
4. 模型效率成为核心挑战：随着模型越来越大，如何高效训练和部署 VLA 成为 CVPR 2025 等顶会的核心议题——这催生了大量模型压缩和高效训练的研究。

---

总结

Awesome Embodied Robotics and Agent 是具身智能与大型语言模型交叉领域最值得收藏的开放资源库之一。它以"开放论文索引"为核心价值，虽然不是可以直接运行的项目代码，但对于研究者来说是追踪前沿、构建知识图谱的利器。项目由独立研究者维护，更新稳定，在 GitHub 上获得了超过 1800 颗星和 98 个 Fork，体现了社区对其质量的认可。

如果你正在进入具身智能领域，或者想了解 AI 如何"长出身体"，这个项目是一个极佳的起点。建议配合论文原文阅读，才能真正理解每项工作的技术细节。