感知-决策-行动闭环

一句话定义

感知-决策-行动闭环（Perception–Decision–Action Loop）是具身智能的统一操作框架：系统以一定频率持续地"感知环境 → 更新信念 → 做出决策 → 执行动作"，并用新感知修正下一轮决策。

为什么重要

• 它是所有具身系统的最大公约数：无论是 PID 控制器、SLAM 导航栈还是 VLA 大模型，都可以映射到这个框架的某一层。
• 频率与延迟的分层设计是机器人系统架构的第一课——读懂任何机器人技术报告，先问"闭环跑在多少 Hz"。
• 端到端（VLA）与分层（LLM+技能库）的路线之争，本质是"把闭环交给一个模型还是拆成多级"。

前置知识

kp-001 什么是具身智能。

核心概念

一个典型机器人系统的频率分层：

两条关键性质：

• 开环 vs 闭环：开环执行预生成动作序列（轨迹重放），不做感知修正；闭环用实时观测修正动作。人类演示是闭环的，简单重放演示是开环的——这是演示数据利用的核心难点。
• 反应延迟（latency）：从感知到执行的总延迟决定系统对动态环境的响应能力。延迟过大时机器人像"反应慢半拍的人"，追不上移动物体。

原理与机制

为什么必须闭环？因为环境中存在扰动（推挤、滑移、光照变化）与模型误差（动力学参数不准）。闭环利用反馈误差 $e_t = r_{ref} - r_t$ 持续修正，使系统对扰动鲁棒。

为什么必须分层？因为不同子问题的信息量与时间尺度不同：

• 关节层只看编码器/电流，样本短、频率高、必须硬实时；
• 认知层看图像与语言，推理慢、但语义丰富。

端到端路线（如 VLA）试图把策略层与认知层合并：一个模型从图像+语言直接输出动作 token（kp-305）。其优势是端到端优化、泛化好；代价是需要海量数据，且高频控制难以直接由大模型承担——于是 2024 年后的主流设计是双系统（System 1 / System 2）：慢速大模型负责语义与规划（System 2，1~10 Hz），快速小模型负责高频动作生成（System 1，50~200 Hz），Figure Helix、NVIDIA GR00T N1 均采用此架构。

公式与图示

           ┌───────────────────────────────────────────┐
           │  认知层（VLM/LLM, ~1Hz）：任务理解与分解      │
           └──────────────┬────────────────────────────┘
                          ▼ 子目标/技能调用
           ┌───────────────────────────────────────────┐
           │  规划层（MPC/路径规划, 10~30Hz）：局部决策     │
           └──────────────┬────────────────────────────┘
                          ▼ 参考轨迹/目标
           ┌───────────────────────────────────────────┐
           │  策略层（VLA动作头/RL策略, 10~50Hz）           │
           └──────────────┬────────────────────────────┘
                          ▼ 关节指令
           ┌───────────────────────────────────────────┐
           │  伺服层（电流/位置环, 500~1000Hz）             │
           └───────────────────────────────────────────┘

离散时间闭环的最小形式：$a_t = \pi(o_t)$，$o_{t+1} = f(o_t, a_t) + w_t$，其中 $w_t$ 是环境扰动与传感噪声。闭环的意义：即使 $f$ 有误，$\pi$ 也能在下一拍纠正。

直观类比

• 开车：眼睛看路（感知，~10 Hz 有效刷新）、大脑决定变道（认知，秒级）、手脚打方向（执行，毫秒级）。没人会"想好全部动作再出发"——都是边走边修正。
• 走路时不看脚：步态由小脑闭环维持（无意识高频），路线由大脑决定（有意识低频）——生物界早就用了双系统架构。

实例与案例

• 机械臂抓取：视觉定位（10 Hz）→ 抓取位姿规划（1 Hz）→ 轨迹执行（关节层 1 kHz 闭环）→ 接触后力觉反馈修正（kp-203）。
• 四足机器人爬楼梯：状态估计（kp-105，200 Hz）→ MPC 步态调整（kp-205，50 Hz）→ 关节伺服（1 kHz）。
• Figure Helix（2025）：System 2（7B VLM，7~9 Hz）理解场景语言 → System 1（ visuomotor 策略，200 Hz）输出上肢动作，全流程跑在机载 GPU 上。

常见误区

• 误区一：频率越高越好。每层只需匹配其物理时间常数；盲提频率只会烧算力。关键是层间接口的延迟可控。
• 误区二：端到端=没有分层。多数"端到端 VLA"仍保留了伺服层，且内部往往有隐式的分层表示（slow/fast 双系统）。
• 误区三：闭环等于闭环回放演示数据。判断闭环与否，看观测是否在执行过程中影响动作，而不是看有没有传感器。

自测题

1. 列出五层闭环及各自典型频率；指出你熟悉的一个机器人产品各层大致的实现方式。
2. 为什么重放人类演示的开环执行会失败？闭环修正能力从哪来？
3. 双系统（System 1/2）设计解决了端到端 VLA 的什么矛盾？

与其他知识点的关系

• kp-203 经典控制与 kp-205 MPC：底层闭环的数学实现。
• kp-305 VLA 与 kp-307 LLM 规划：上层闭环的学习式与符号式实现。
• kp-105 本体感知：感知侧的状态估计是闭环的输入质量保证。

延伸阅读

• Figure AI, Helix: A Vision-Language-Action Model for Generalist Humanoid Control, 2025（双系统架构说明）。
• 教材：Åström & Murray, Feedback Systems（免费在线版）—— 反馈思想的最小充分读物。