引言

具身智能体（Embodied Agent）是一类通用型智能体，能够理解人类的自然语言指令，并在多样化的环境中执行广泛的任务。近年来，基础模型（Foundation Models） 的崛起极大推动了具身智能体的发展，使其在目标理解、子目标分解、动作序列规划以及状态转移建模（即从前置条件到结果效应的因果转变）等能力上取得显著突破。 我们将基础模型分为三大类： 1. 大语言模型（Large Language Models, LLMs）； 1. 视觉语言模型（Vision-Language Models, VLMs）； 1. 视觉语言动作模型（Vision-Language-Action Models, VLAs）。

在本教程中，我们将全面回顾支撑具身智能体的各类基础模型范式，并基于机器人学习的数学框架——马尔可夫决策过程（Markov Decision Process, MDP）——系统分析这些模型在智能体决策过程中的不同建模方式。通过这种结构化视角，我们旨在揭示智能体从感知到行动的决策机制。 本教程将系统综述基础模型在具身智能体领域的最新进展，对不同类型模型进行比较与设计空间分析，以指导未来研究方向。重点内容包括： * 低层次环境编码与交互（Lower-Level Environment Encoding and Interaction）：探讨基础模型如何实现多模态感知、动作执行及反馈闭环； * 长时序决策（Longer-Horizon Decision Making）：分析智能体如何通过分层规划与策略生成，实现跨任务、跨场景的可泛化决策。

本教程的目标是为研究者提供一个系统的理解框架，连接基础模型与具身智能体两大研究领域，推动智能体从感知、理解到行动的全链条智能发展。