IEEE2025具身智能EmbodiedAI综述从模拟器到研究任务的调查分析报告英文版15页_2mb

本文旨在对具身人工智能（Embodied AI）的最新进展进行综述，从模拟器到研究任务，提供一个全面且同步的分析。具身AI相较于传统的互联网AI，强调通过与环境的交互学习，而非依赖于全局数据集，这种范式转变被认为是实现通用人工智能（AGI）的关键方向。当前，具身AI研究主要围绕三个核心任务：视觉探索、视觉导航和具身问答（QA），但缺乏系统综述。

文章首先评估了九种具身AI模拟器，涵盖过去四年开发的工具，如DeepMind Lab、AI2-THOR、iGibson等。这些模拟器根据环境建模方式分为游戏场景（使用3D资产）和现实场景（基于物体与环境的真实扫描）。模拟器的物理特性分为基础（如碰撞、刚体动力学）和高级（如布料、流体物理）。物体类型分为数据驱动（基于现有数据集）和资产驱动（购买3D模型），前者更易收集但质量难以保证。控制器接口包括直接Python API、虚拟机器人和虚拟现实（VR）三种形式。动作能力分为导航（N）、原子动作（A）和人机交互（H）。多智能体支持尚不成熟，仅少数模拟器具备此功能。

在研究任务方面，视觉探索通过主动感知和移动构建环境模型，并利用不同策略（如好奇心驱动、覆盖最大化）进行高效探索。其评估指标包括目标访问量、成功率、路径长度等。视觉导航则需结合环境交互与识别能力，任务可分为导航到特定点或对象。评估指标如路径长度比率、目标接近度和轨迹长度，同时涉及现实到仿真领域的迁移挑战。具身QA则需融合视觉、语言理解与任务规划，研究者通过多目标对比和交互式问答（如IQA）探索复杂任务，数据集如EQA和IQUAD被广泛用于语义导航与问答。

当前具身AI面临的主要挑战包括：1. 真实感不足，多数模拟器缺乏基于现实场景和先进物理特性的综合支持；2. 扩展性受限，现实扫描数据采集成本高，限制了大规模场景构建；3. 交互能力有限，游戏场景模拟器侧重精准操作，而现实场景模拟器则缺乏细粒度物体交互模块。此外，研究任务日益复杂，从视觉探索到具身QA涉及多模态数据和深度记忆管理，而传统强化学习方法难以覆盖此类需求，需采用混合策略与先验知识整合。文章提出需平衡物体功能（如多状态分类）与动作复杂度，并指出**现实到仿真（Sim2Real）**的领域迁移仍是瓶颈。未来方向包括提升模拟器的真实性、发展多智能体协作方法以及更高效的知识推理体系，以加速具身AI向真实世界的应用。