具身智能（Embodied AI）旨在发展能够具备物理形态、并能在真实环境中进行感知、决策、行动与学习的智能系统，这为通用人工智能（AGI）的实现提供了一条有前景的路径。尽管经过数十年的探索，具身智能体在开放动态环境中执行通用任务时，仍然难以达到人类水平的智能。近年来，大模型的突破性进展彻底革新了具身智能，显著增强了其在感知、交互、规划与学习方面的能力。 本文对大模型赋能的具身智能进行了全面综述，重点聚焦于自主决策与具身学习。在决策方面，我们探讨了分层决策与端到端决策两类范式：具体而言，大模型如何增强分层决策中的高层规划、低层执行与反馈机制；以及大模型如何提升视觉-语言-行动（Vision-Language-Action, VLA）模型以支持端到端决策。在具身学习方面，我们介绍了主流的学习方法，并深入阐述大模型如何提升模仿学习与强化学习。首次地，我们将**世界模型（World Models）**纳入具身智能的综述，介绍其设计方法及其在增强决策与学习中的关键作用。 尽管该领域已取得了实质性进展，但仍然存在诸多挑战。本文最后对这些挑战进行了讨论，并展望了未来可能的研究方向。 附加关键词与短语：具身智能，大模型，分层决策，端到端，模仿学习，强化学习，世界模型

1 引言

具身智能（Embodied AI）[209] 旨在发展具备物理形态的智能系统，使其能够在真实环境中进行感知、决策、行动与学习。该领域认为，真正的智能源于智能体与环境的交互，因此为实现通用人工智能（AGI）[184] 提供了一条前景可期的路径。尽管具身智能的探索已经持续了数十年，但要赋予智能体类人水平的智能，使其能够在开放、非结构化且动态的环境中执行通用任务，仍然面临巨大挑战。 早期的具身智能系统[21, 200] 基于符号推理与行为主义，依赖僵化的预编程规则，因而表现出有限的适应性与表层智能。尽管机器人已广泛应用于制造、物流和特定操作，但它们的功能依然局限于可控环境。机器学习[133]，尤其是深度学习[99] 的进展，为具身智能带来了重要转折点。基于视觉引导的规划和基于强化学习的控制[173] 显著降低了智能体对精确环境建模的依赖。然而，这些模型往往依赖任务特定的数据集进行训练，在泛化性与可迁移性方面仍然存在不足，限制了其在多样化场景下的适应能力。 近年来，大模型[149, 150, 182, 183] 的突破性进展显著提升了具身智能的能力。凭借更强的感知、交互与规划能力，这些模型为通用型具身智能体[137] 的发展奠定了基础。然而，大模型赋能的具身智能仍处于萌芽阶段，在泛化性、可扩展性以及无缝环境交互方面依旧面临挑战[177]。因此，亟需对近年来大模型赋能具身智能的研究进行全面、系统的综述，以揭示其差距、挑战与机遇，从而推动 AGI 的实现。 通过对相关领域的系统调研，我们发现现有研究分散、主题复杂，但缺乏系统性分类。已有综述大多聚焦于大模型自身，例如大语言模型（LLM）[29, 151, 225] 与视觉语言模型（VLM）[104, 113, 191]，而较少关注大模型与具身智能体的协同作用。即便有些综述涉及该方向，它们也往往集中于特定组件，如规划[188]、学习[7, 26, 204]、模拟器[201]与应用[157, 201, 209]，而缺乏对整体范式及各组件如何交互以提升智能的系统性分析。此外，一些较早的综述遗漏了最新进展，尤其是自 2024 年以来迅速兴起的视觉-语言-行动（Vision-Language-Action, VLA）模型[117]与端到端决策。例如，综述 [119] 对 VLA 模型进行了详细介绍，但缺少与分层范式的比较以及对学习方法的深入探讨。同时，由于该领域发展迅速，早期的综述[48, 220] 已难以跟上最新研究。 在本文中，我们聚焦于大模型赋能的具身智能中的决策与学习，对相关研究进行分析与分类，厘清最新进展，指出尚存挑战与未来方向，为研究者提供清晰的理论框架与实践指导。我们与相关综述的对比见表1。 本文的主要贡献如下： 1. 从具身智能视角探讨大模型赋能。 在分层决策方面，具身智能涉及高层规划、低层执行与反馈增强，我们据此对相关工作进行回顾与分类。在端到端决策方面，具身智能依赖于 VLA 模型，因此我们综述 VLA 模型及其增强方法。在具身学习方面，我们重点考察模仿学习（IL）与强化学习（RL）：在 IL 中，大模型如何赋能策略与网络构建；在 RL 中，大模型如何赋能奖励函数设计与策略网络构建。 1. 全面综述具身决策与具身学习。 本文不仅回顾了大模型赋能下的分层与端到端决策范式并进行对比，还系统性地讨论了具身学习方法，包括模仿学习、强化学习，以及迁移学习与元学习。此外，我们首次将**世界模型（World Models）**纳入具身智能的综述，探讨其在决策与学习中的作用。 1. 采用水平与垂直结合的双重分析方法。 水平分析比较了多种方法，包括不同类型的大模型、分层与端到端决策、模仿学习与强化学习，以及多样化的具身学习策略；垂直分析则追踪核心模型或方法的演化过程，阐述其起源、进展与开放问题。这一双重方法论既提供了宏观综述，也带来了对主流方法的深入洞察。

本文的组织结构如图1所示：第2节介绍具身智能的概念，综述大模型并讨论其通用能力提升，随后分析大模型与具身智能的协同关系。第3节探讨分层决策范式，详细阐述大模型如何增强动态高层规划、低层执行与基于反馈的迭代优化。第4节聚焦端到端决策，先介绍并分解 VLA 模型，再探讨在感知、动作生成与部署效率方面的最新增强，并在最后与分层决策进行系统对比。第5节介绍具身学习方法，特别是大模型增强的模仿学习与强化学习。第6节讨论世界模型及其在具身智能决策与学习中的作用。第7节总结开放挑战与未来前景，第8节给出结论。