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。

---

01｜VLA 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。