具身智能机器人正在成为人工智能落地物理世界的重要方向，但它涉及机械、电子、控制、人工智能等多个学科，术语密集且极易混淆：VLA 和 VLM 差在哪里？大小脑架构是标准还是比喻？行星减速器和行星滚柱丝杠是不是一回事？六维力传感器和关节扭矩传感器各自测什么？Sim2Real 和域随机化又是什么关系？

本文围绕具身智能机器人的常见术语，按“具身智能概念—关节执行器—感知传感器—运动控制—学习训练—规模化运维”六个层面进行系统整理和辨析，帮助读者快速建立清晰的概念地图，避免望文生义。

具身智能（Embodied AI）。让人工智能拥有可以感知和作用于真实世界的物理载体。传统大模型主要处理文字、图片、声音等数字信息，具身智能则进一步要求机器能够根据环境作出动作，所以通常涉及“感知—决策—行动”的完整闭环。机器人是具身智能最主要的载体，但无人机、无人车等自主无人系统也可以具有具身智能属性。

人形机器人与多形态机器人。人形机器人模仿人的身体结构，通常具有双腿、双臂和躯干；多形态机器人则包括轮式、四足、履带式、飞行、水下以及各种仿生机器人。人形的优势是更容易适应原本为人设计的环境，多形态机器人则往往针对特定任务优化，并不是所有场景都需要做成人形。

自由度（DOF，Degree of Freedom）。描述机器人能够独立运动多少个方向或关节变量的指标。比如一个只能绕一个轴旋转的关节通常是1个自由度，一个拥有多个关节和手指的灵巧手可能达到十几个甚至二十多个自由度。自由度越多，通常意味着动作空间越丰富，但机械结构、控制算法和成本也会相应增加。

大小脑架构。目前解释机器人控制架构时常见的一种说法。“大脑”主要负责环境理解、语言理解、任务规划和决策，“小脑”主要负责步态、平衡、关节控制和运动执行。它不是严格统一的技术标准，而是一种便于理解的分层架构表述。

VLM与VLA。VLM是Vision-Language Model，即视觉语言模型，重点是让模型同时理解图像和语言，例如识别桌面上有哪些物体、理解“拿起红色杯子”是什么意思。VLA是Vision-Language-Action，即视觉—语言—动作模型，在VLM基础上进一步加入动作输出，让模型不仅能“看懂”和“听懂”，还要给机器人生成下一步动作。当前不少通用机器人模型都在向VLA演进，英伟达GR00T也采用了视觉、语言和动作融合的路线。

具身基础模型。面向机器人的通用大模型，希望机器人从大量不同任务、不同环境甚至不同本体的数据中学习可迁移能力，而不是每换一个任务就重新开发一套算法。它与普通VLA并不是完全不同的两个类别，很多具身基础模型本身就是VLA架构，只是更强调大规模预训练和跨任务泛化。

世界模型（World Model）。强调让AI学习“世界是怎么运行的”。它不只是识别当前环境，还尝试预测“如果机器人这样做，接下来可能发生什么”，因此可以用于规划、推演和生成训练数据。简单区分：VLM重点是理解，VLA重点是从理解走向动作，世界模型更强调对环境变化和未来状态的预测。

端到端（End-to-End）。经常与VLA一起出现。传统机器人往往把感知、定位、规划、控制拆成很多独立模块，端到端则希望模型直接从传感器和任务输入生成动作输出。端到端不等于“完全取消所有中间模块”，现实机器人往往仍然会保留安全控制、底层伺服等独立系统。

执行器（Actuator）。机器人把电信号变成实际运动的核心部件。一个完整执行器通常不只有电机，还可能包括减速器、编码器、传感器、驱动器等。机器人能不能走、跑、抬手、抓东西，很大程度上都取决于执行器。

旋转执行器与线性执行器。旋转执行器直接输出旋转运动，常见组合是电机加减速器；线性执行器则输出直线推拉运动，常见方式是电机带动丝杠，把旋转运动转化为直线运动。当前人形机器人并不存在所有关节必须采用同一种路线的情况，两种方案都可以根据膝、髋、肩、肘等不同结构使用。舍弗勒等厂商在人形机器人方案中也同时布局旋转减速器和滚珠/滚柱丝杠线性执行器。

无框力矩电机。人形机器人旋转关节中经常出现的电机。所谓“无框”，指的是没有传统电机完整的外壳、轴承和机座，主要提供定子和转子，让整机厂直接把电机集成进机器人关节。它的优势是结构紧凑、扭矩密度较高，方便关节一体化设计。

空心杯电机。主要特点是转子没有传统铁芯，因此转动惯量小、响应速度快，特别适合空间有限、要求快速精细动作的场合。它在人形机器人中最典型的应用是灵巧手。无框力矩电机和空心杯电机不是简单的大小版本关系：前者常用于肩、肘、髋等关节，后者更多出现在手指等微型执行机构。

谐波减速器。利用柔轮的弹性变形实现减速，由波发生器、柔轮和刚轮等核心结构构成，特点是体积紧凑、减速比高、回差小，因此广泛用于机器人精密关节。

RV减速器。采用以摆线针轮等机构为核心的多级减速结构，更强调高刚性、高承载和抗冲击能力。它在传统工业机器人腰部、肩部等重负载关节中非常常见。简单理解，谐波更适合对轻量、紧凑和精度要求较高的关节，RV更适合负载较大的场合，但实际选择仍然取决于具体机器人结构。

行星减速器。它利用太阳轮、行星轮和齿圈之间的啮合进行减速，优点是结构成熟、效率高、承载能力较好。它与“行星滚柱丝杠”虽然名字里都有“行星”，但完全不是同一种东西：行星减速器输出的是旋转运动，行星滚柱丝杠输出的是直线运动。

滚珠丝杠。把旋转运动变成直线运动的装置。在丝杠轴和螺母之间布置滚珠，电机转动丝杠后，滚珠滚动，使螺母沿轴向移动。相比普通滑动丝杠，它摩擦小、效率高，因此在机床、自动化设备和机器人中已经应用多年。

行星滚柱丝杠。也是把旋转变成直线运动，但中间不再依靠一圈滚珠，而是在丝杠和螺母之间布置多根带螺纹的滚柱，滚柱围绕丝杠运动。由于同时参与承载的接触区域更多，行星滚柱丝杠通常能够做到更高的负载能力和刚度，适合高推力、紧凑型线性执行器。博世力士乐给出的产品比较中，行星滚柱丝杠的负载能力和刚度等级都高于其滚珠丝杠产品。

所以滚珠丝杠和行星滚柱丝杠怎么选，可以简单记：滚珠丝杠技术成熟、效率高，制造和应用体系更加成熟；行星滚柱丝杠承载和刚度更高、单位体积可以输出更大的推力，但结构和制造工艺更加复杂。在人形机器人追求高功率密度的背景下，后者受到的关注明显增加，但两种方案并不是非此即彼。

反向式行星滚柱丝杠。行星滚柱丝杠的一种变形结构。传统方案通常由螺母沿丝杠运动，反向式结构通过重新安排丝杠、滚柱和螺母的运动关系，可以把整个线性执行器做得更加紧凑，因此在人形机器人腿部等对轴向空间要求较高的位置受到关注。它与普通行星滚柱丝杠的核心工作原理相近，主要区别在结构布置方式。

一体化关节模组。把电机、减速器、编码器、驱动器甚至力传感器整合成一个可以直接使用的关节模块。过去整机厂需要分别购买零件再设计关节，现在越来越多供应商直接提供模块化产品。它的核心价值不是某个单独零件性能更强，而是降低整机集成难度。

准直驱（QDD，Quasi-Direct Drive）。通常采用高扭矩电机配合较低减速比减速器。与传统高减速比关节相比，它的传动链更“直接”，回驱性和动态响应更好，因此在四足机器人和部分人形机器人上较常见。它并不等于真正的直驱，仍然存在减速机构。

灵巧手。机器人的末端执行器之一，重点不是“长得像手”，而是具有多个主动自由度，能够完成抓取、捏取、旋拧、操作工具等动作。夹爪通常只有一两个开合自由度，结构简单、可靠性高；灵巧手自由度更多、适应任务更复杂，但成本和控制难度也明显更高。

编码器。主要解决“关节现在转到哪里了”。它把电机轴或机器人关节的位置、速度等机械运动转换成电信号，是闭环运动控制的基础。

绝对值编码器与增量式编码器。绝对值编码器的每一个位置都有对应编码，断电再启动通常仍能知道当前位置；增量式编码器主要记录相对位移脉冲，重新启动后往往需要寻找零点或参考位置。机器人关节对位置状态要求较高，因此绝对值编码器受到较多应用。主要区别，是能不能直接知道当前位置。

六维力传感器。测量的是三个方向的力和三个方向的力矩，也就是完整的六维“力/力矩”。它常装在手腕、脚踝等位置，用于判断机器人抓取、装配或与地面接触时受到的外力。

关节扭矩传感器。重点测一个关节轴上的扭矩，它和六维力传感器不是同一种东西。前者更关心“这个关节现在受了多大扭矩”，后者则可以获得空间中多个方向的受力状态。机器人做柔顺控制时，两类传感器都可能用到。

触觉传感器。更像人的皮肤，通常安装在手指、手掌或机器人表面，用来判断接触位置、压力分布、滑动等信息。六维力传感器告诉机器人“整体受了什么力”，触觉传感器则更关注“具体在哪里接触、接触状态怎么样”。

IMU（惯性测量单元）。通常由加速度计、陀螺仪等组成，用于感知机器人自身的加速度、角速度和姿态变化。双足和四足机器人需要不断判断身体有没有倾斜、旋转或失去平衡，IMU就是其中最基础的传感器之一。

RGB-D相机或深度相机。不仅拍摄普通彩色图像，还能获得物体与相机之间的距离信息，因此可以直接形成三维环境信息。普通RGB摄像头主要提供颜色和纹理，RGB-D则多了“深度”这一维，在机器人抓取、避障和空间定位中很常见。

激光雷达（LiDAR）。通过发射激光并测量返回信息获得周围环境距离，特别适合进行定位、建图和避障。它与深度相机都可以获取三维信息，但技术原理、量程、成本以及对光照环境的适应性不同。

本体感知（Proprioception）。机器人对“自己身体状态”的感知能力，包括关节位置、速度、扭矩、身体姿态等。编码器、IMU、关节力矩传感器等信息综合起来，就构成机器人的本体感知。相对应的相机、雷达等对外部环境的感知，通常称为外部感知。

运动控制器。负责把上层给出的动作目标转化成具体的关节控制命令。模型可能只告诉机器人“手移动到这个位置”，真正让几十个电机按照毫秒级节奏协同工作的，还是底层运动控制系统。

位置控制、速度控制和力矩控制。三种基本控制方式，位置控制关心关节最终转到哪里，速度控制关心运动多快，力矩控制则直接调节电机输出力矩。人形机器人为了获得更自然的运动和柔顺交互，通常不会只使用单一控制方式，而是根据任务组合使用。

ROS/ROS 2。机器人软件开发的一套通用工具和通信框架。它提供节点、消息、Topic、Service、Action等机制，让感知、规划、控制等不同软件模块能够互相通信。ROS名字里虽然有“Operating System”，但它并不是Windows、Linux意义上的完整操作系统。

EtherCAT。面向实时控制的工业以太网通信技术，常用于控制器、伺服驱动器、传感器之间的高速实时通信。ROS和EtherCAT并不是竞争关系：ROS更多处在软件和应用层，EtherCAT更多解决底层设备之间的实时通信，一台机器人完全可以上层跑ROS 2、下层通过EtherCAT控制各个关节。

模仿学习（Imitation Learning）。让机器人根据人类示范学习动作。比如人通过遥操作完成1000次拿杯子的任务，机器人利用这些示范数据学习“看到什么状态时应该采取什么动作”。它适合解决机器人从零开始探索效率太低的问题。

强化学习（Reinforcement Learning）。依靠奖励机制。机器人不断尝试动作，完成目标获得奖励，失败受到惩罚，再不断优化策略。简单说，模仿学习是“看别人怎么做”，强化学习是“自己试出来”。NVIDIA Isaac Lab等机器人学习框架都同时支持这两类训练方法。

遥操作（Teleoperation）。人直接远程控制机器人完成动作，现在一个重要用途就是采集高质量真机操作数据。遥操作不等于模仿学习：前者是数据怎么获得，后者是模型怎么利用这些数据学习。

动作捕捉（Motion Capture）主要记录人的身体或手部运动轨迹，再将其映射到机器人上。它和遥操作也有区别：动作捕捉重点是“记录人的动作”，遥操作强调“人实时控制机器人”，两者都可以用于采集训练数据。

合成数据（Synthetic Data）在仿真环境、生成模型等系统中人工生成的数据。它的价值主要是降低真实数据采集成本、扩展训练场景，但最终仍然需要解决仿真与真实世界之间的差异。

仿真平台。机器人在虚拟世界里的测试和训练环境。它需要模拟机器人结构、重力、碰撞、摩擦、相机和传感器等。NVIDIA Isaac Sim就是典型代表，可以用于机器人设计、仿真、测试和合成数据生成。

Isaac Sim和Isaac Lab。简单理解，Isaac Sim更偏底层仿真环境，负责把机器人和物理世界“模拟出来”；Isaac Lab是在此基础上面向机器人学习的训练框架，更强调强化学习、模仿学习以及大规模并行训练。

Sim2Real。把仿真环境中训练好的策略迁移到真实机器人。真正困难的地方是，虚拟世界和现实世界不可能完全一样，所以仿真里表现很好，并不代表真机一定好用。

域随机化（Domain Randomization）。解决Sim2Real差距的一种办法。在仿真训练时不断随机改变摩擦力、光照、物体尺寸、质量、位置等参数，让机器人不要只适应一种“完美环境”，而是提前面对大量变化。Isaac Lab等平台就支持利用物理仿真和域随机化提升Sim2Real效果。

数字孪生（Digital Twin）。更强调把一台真实设备、一条产线或一个工厂在数字空间中建立对应模型。仿真平台是一个更宽泛的工具概念，数字孪生则强调虚拟对象与具体真实对象之间存在对应关系，因此经常用于真实工厂部署前的测试和验证。

Diffusion Policy（扩散策略）。近几年机器人操作学习中经常出现的技术路线。它借鉴扩散模型的生成方式，根据视觉、状态等输入逐步生成一段连续动作。与简单预测“下一步动作”相比，它更适合表达一项任务可能存在的多种合理动作路径，目前主要用于机器人抓取和操作任务。

数据飞轮。指机器人部署以后产生真实运行数据，数据重新用于训练模型，模型能力提升后又推动机器人扩大部署，进而产生更多数据的循环。数据飞轮是一种描述“部署—数据—训练—再部署”循环的产业概念。

集群调度或舰队管理（Fleet Management）。解决的是机器人从“一台”变成“一群”之后的管理问题，包括任务分配、路径规划、交通协调、电量管理、故障监控等。单机控制解决一台机器人怎么动，舰队管理解决几十台甚至上百台机器人怎么协同工作。

OTA（Over-The-Air）。就是远程升级。机器人部署出去以后，可以通过网络更新软件、模型、算法和固件，而不需要工程师每次都到现场逐台操作。随着机器人越来越软件化，OTA已经成为规模化运维的重要能力。

BOM成本（Bill of Materials）。制造一台机器人所需要的全部物料成本，包括电机、减速器、丝杠、传感器、芯片、电池和结构件等。讨论“人形机器人什么时候能降到多少钱”，本质上很大一部分就是在讨论BOM怎么降。

负载（Payload）。通常指机器人在满足规定性能条件下能够携带或操作的最大载荷。它不能简单理解成“机器人力气有多大”，因为负载能力还与手臂伸展距离、运动速度、姿态以及安全要求有关。

重复定位精度与绝对定位精度。重复定位精度看的是机器人多次回到同一个目标位置时彼此有多接近；绝对定位精度看的是机器人实际到达的位置和理论要求的位置之间差多少。一台机器人可以重复性很好，但每次都稳定地偏离目标一点，因此两者不是同一个指标。

可靠性与连续工作时间。机器人偶尔完成一次动作，与在工厂每天长时间连续工作是两回事，因此MTBF（平均无故障时间）、故障率、开机率等指标会随着机器人进入规模应用而越来越重要。

RaaS（Robot as a Service，机器人即服务）。一种商业模式，客户不一定一次性购买机器人，而可以按照使用时间、工作量或服务结果付费。它与“卖机器人”最大的区别，是机器人厂商从一次性交付设备变成长期提供设备、软件和运维服务。