突发：70强项目观察之具身未来：机器人走进现实世界，关键不只是完成动作

机器人叠一件衣服、抓起一个物体，或者在仿真地图中完成一段巡逻，都可以成为一个精彩 Demo。

但一旦进入真实世界，问题会迅速变复杂：物体位置会变化，光照和材质并不恒定，抓取偏差可能影响后续动作；地形也可能从平路切换到坡面和障碍，感知、规划与运动控制必须持续协同。

因此，具身智能真正要解决的，不只是“机器人能不能动起来”，而是能否在动态、并不完全可控的物理环境中持续感知、判断和行动，最终完成一项完整任务。

GOAI「具身未来 Embodied Future」20 支决赛团队分别进入双臂协作操作和全地形巡逻两类任务。

从这些项目可以看到，具身智能正在从单次能力演示走向更完整的系统能力，闭环控制、三维空间理解、环境泛化和长任务执行，也由此成为共同面对的关键问题。

围绕“如何让机器人真正完成持续任务”，20 个项目呈现出几条具有代表性的技术演进路径。

趋势一：从一次动作预测，走向持续观察和持续重规划 现实环境不会因为机器人已经生成计划就停止变化。

TwinFlow-XR1 同时输入头部相机、双手腕相机、语言指令和双臂状态，由视觉语言模型理解场景和任务，动作专家承担连续动作预测，并在执行过程中持续重新观察环境、更新后续动作。

Lion-VLA 采用统一模型覆盖 12 类双臂任务，推理过程中每执行 8 步重新观察并规划，通过更短的闭环周期在动作连续性和纠偏之间取得平衡。

GOAI residual inference 则在基础 VLA 输出之后增加残差动作修正：系统结合机器人最近几步状态，对基础动作进行补偿，并限制修正幅度；遇到未支持任务则停止输出。

🔗 原始来源

如果你要核对细节，可以再看原文： InfoQ AI原文链接