最近很多人都在聊 VLA、机器人大模型、端到端控制。这些方向当然很重要。因为它们让机器人第一次有机会从“固定程序执行”走向“根据视觉和语言理解任务”。但如果真的把机器人放到工厂、实验室或者真实操作台前你会很快发现一个问题机器人看懂任务和机器人把任务做稳中间还差着很长一段路。比如一个很常见的动作把一个零件插进夹具里。模型可能知道零件在哪里也知道应该往哪个方向插。但真正执行时机械臂会遇到关节限位、奇异点、轨迹不连续、电机跟踪滞后、视觉误差、夹具公差、接触力不确定等一堆问题。所以我越来越觉得具身智能不是只有“大脑”就够了。大模型负责让机器人“知道要做什么”。但运动控制系统要负责让机器人真的做得到、做得稳、做得准、做得安全。01VLA 输出动作不等于机器人能直接执行很多时候我们讨论 VLA 或者机器人策略模型时会说模型输出了一个动作。但这里的“动作”通常不是可以直接发给电机的东西。它可能是末端位姿目标。一段关节轨迹。一个 action chunk。一个夹爪开合指令。或者一个更抽象的操作意图。比如“手往杯子方向移动一点。”“末端沿着这个方向靠近。”“夹爪闭合。”“把物体放到目标区域。”这些动作从策略角度看是合理的。但从真实机器人控制角度看还远远不够。因为机器人不是一个理想的光标。你不能只告诉它“去这里”它就一定能平滑、稳定、准确地过去。中间至少还要经过一整套执行链路语言 / 视觉指令 │ ▼ VLA / Policy │ ▼ 动作表示末端目标 / 关节目标 / action chunk │ ▼ 轨迹生成平滑、限速、时间参数化 │ ▼ IK / QP / MPC可达性、奇异点、关节限位、碰撞约束 │ ▼ 低层控制位置环、速度环、电流环 │ ▼ 真实机器人延迟、摩擦、柔性、标定误差、接触力所以VLA 输出动作只是开始。真正难的是这个动作能不能被真实机器人稳定兑现。02真正的难点不是“想去哪”而是“怎么过去”对人来说拿一个东西、插一个零件、放一个杯子看起来都很自然。但对机械臂来说每一步都不是一句话能解决的。比如模型给了一个末端目标“把末端移动到这个位置。”听起来很简单。但控制系统马上要面对几个问题。第一个问题这个位置机械臂能不能到能到还不够还要看是以什么姿态到、用什么关节构型到。同一个末端位置机械臂可能有很多种关节姿态。有些姿态很舒服。有些姿态接近关节限位。有些姿态快伸直了接近奇异点。有些姿态虽然能到但后面再动 1 mm 就会非常难受。所以 IK 不是简单地“求一个解”。更工程一点说IK 要解决的是在很多可能的解里面选一个稳定、连续、可执行、对后续动作也友好的解。第二个问题轨迹是不是连续很多模型输出的是离散动作。但真实机械臂不喜欢突然跳变。末端目标突然变一点关节空间可能变化很多。如果不做平滑、不做限速、不做时间参数化机器人就可能出现一卡一卡。突然加速。关节抖动。末端轨迹不自然。甚至触发保护停机。这也是为什么真实系统里通常需要轨迹层。它不是为了“看起来优雅”。而是为了让动作在物理系统里可执行。第三个问题电机真的跟得上吗仿真里一个关节目标发出去机器人好像马上就到了。但真实机器人不是这样。真实电机有响应延迟。减速器有摩擦和间隙。结构可能有柔性。通信和控制周期也有延迟。低层伺服能力也有上限。所以你看到的“目标位置”和机器人真实 FK 算出来的“实际位置”中间经常会有误差。尤其是精细操作时这个误差不能被忽略。因为插入、装配、对位这类任务最后看的不是模型想得对不对而是机械臂有没有真的到那里。03插入任务最能说明这个问题我觉得插入任务特别适合用来理解具身智能落地。因为它不像“把东西拿起来”那么宽松。插入任务往往要求最后几毫米非常稳定。比如把一个零件插进夹具里把插头插进孔里把工件放进定位槽里。这种任务里VLA 可以帮你理解哪个是零件。哪个是孔位。大概应该怎么接近。什么时候该抓什么时候该放。但真正进入最后几毫米时问题就变了。这时不只是“看懂”。而是末端位置够不够准姿态有没有对齐关节有没有接近奇异点轨迹是不是还在抖夹具有没有公差视觉定位有没有偏差接触后是继续硬推还是柔顺调整如果没插进去系统怎么判断失败、怎么退出、怎么重试这些不是单靠一个大模型就能自然解决的。更合理的系统应该是分层的VLA / 大模型 负责理解任务、识别目标、生成高层动作意图 Planner / 状态机 负责拆解步骤、选择接近方向、判断成功失败 运动规划 / IK / MPC 负责生成连续、可达、受约束的轨迹 低层控制 负责稳定跟踪处理延迟、摩擦、扰动和执行误差 视觉 / 力觉闭环 负责修正真实世界的不确定性这才更接近一个可以落地的机器人系统。04为什么我不太喜欢简单说“控制精度要 0.5 mm”很多精细操作场景里大家会提一个指标“机械臂控制精度要做到 0.5 mm。”这个目标本身没有问题。但我觉得更重要的是先问清楚这里的 0.5 mm到底指什么它可能至少有三种含义。第一种是绝对精度。也就是机器人系统认为自己到了 A 点真实世界里它也确实到了 A 点。这个很难。因为它依赖机器人本体标定、相机标定、手眼标定、工具坐标系、关节零位、结构误差等一整套东西。第二种是重复精度。也就是每次执行同一个动作机器人都能回到几乎同一个位置。这个对工业任务非常关键。因为很多场景并不要求机器人天生知道世界坐标下的绝对位置而是要求它每次动作稳定、可复现、可补偿。第三种是任务精度。也就是在视觉、力觉、夹具约束、柔顺控制和状态机共同作用下最后任务能成功完成。对插入任务来说我更倾向于看任务精度。因为最后 0.5 mm 很少是靠“纯开环位置控制”硬打出来的。更靠谱的方式通常是靠视觉把大方向找准。靠重复性保证每次动作稳定。靠轨迹和 IK 保证过程不抖。靠力觉或柔顺处理接触误差。靠状态机判断是否插入成功。靠失败恢复避免越错越推。所以我不太认为“VLA 一个机械臂”就自然等于“能完成高精度插入”。中间缺的是一整套把智能意图变成稳定动作的工程系统。05运动控制不是大模型时代的旧东西有一种误解是大模型来了传统机器人控制是不是就不重要了我觉得恰恰相反。越是想让机器人进入真实环境运动控制越重要。因为真实环境不是数据集。真实环境里会有物体位置偏差。桌面高度偏差。夹具装配误差。相机识别误差。末端执行器磨损。关节跟踪滞后。接触力突变。人突然进入工作空间。这些问题不是靠一句“端到端”就会消失。端到端策略可以学习行为。但真实系统仍然需要约束、保护、反馈和可解释的执行层。否则模型输出一个动作底层就无条件执行其实是很危险的。一个更成熟的机器人系统应该既能利用大模型的泛化能力也能保留控制系统的确定性和安全边界。这两者不是互相替代的关系。更像是大模型负责提高机器人的上限。运动控制负责守住机器人的下限。上限决定它能不能变聪明。下限决定它会不会乱动、会不会撞、会不会在关键任务里失控。06我更看好的方向模型智能 控制系统我觉得未来真正能落地的具身智能不会是单纯“大模型一路端到底”。更可能是一个分层融合系统。大模型负责理解任务。策略模型负责生成动作意图。运动规划负责保证路径合理。IK / MPC 负责处理约束。低层控制负责真实跟踪。视觉和力觉负责在线修正。状态机负责成功、失败、重试和退出。这套系统看起来没有“一个模型解决一切”那么性感。但它更像真实机器人会走的路。因为机器人不是只活在视频里。它最终要面对电机、减速器、末端工具、工装夹具、摩擦、间隙、延迟、碰撞和接触。这些东西都很具体。也很诚实。它们不会因为模型参数变大就自动消失。07最后所以我觉得讨论具身智能时不应该只问“模型能不能看懂”还应该问“机器人能不能稳定执行”“轨迹是不是连续”“IK 解是不是舒服”“接近奇异点怎么办”“电机跟不上怎么办”“最后 1 mm 靠什么完成”“失败了怎么退出和重试”这些问题听起来没有大模型那么热闹。但它们决定了机器人能不能真正落地。VLA 很重要。但 VLA 不是终点。它更像是给机器人装上了一个更强的大脑。而运动控制、轨迹规划、IK、MPC、力控、视觉闭环和状态机才是让这个大脑真正连接到身体的神经系统。机器人从“想做”到“做稳”中间差的不是一个按钮。而是一整套工程能力。