分层架构

把机器人决策拆成高层规划和底层执行两级，分别由不同模型负责。

分层架构把「做什么」和「怎么做」拆开：高层通常是大语言模型或视觉语言模型，读懂指令和画面，把长任务拆成一步步子任务，运行频率低；底层是技能库、VLA 策略或运动控制器，把每个子任务变成电机指令，运行频率高。两层之间可以传语言指令、关键点或隐向量。早期代表是谷歌 2022 年的 SayCan，让大语言模型从机器人已有的技能里挑下一步；2025 年 Physical Intelligence 与斯坦福、伯克利的 Hi Robot 让视觉语言模型输出简短的语言指令，交给 π0 执行。它常被拿来和端到端（一个模型直接从输入算到动作）对比，但两者并不互斥：国内常说的大小脑、快慢双系统都属于分层思路，而 Helix 这类快慢双系统虽分两层，却是端到端联合训练的。

例子Figure 的 Helix 分两层：70 亿参数的视觉语言模型以 7–9Hz 理解场景和指令，8000 万参数的底层策略以 200Hz 把它给出的语义表示变成连续动作。

也叫

分层策略、分层方案、Hierarchical Policy、高层规划 + 底层执行、分层 VLA

相关

快慢双系统、大脑-小脑架构（大小脑）、端到端、SayCan、Hi Robot、长程任务

来源

Do As I Can, Not As I Say: Grounding Language in Robotic Affordances (SayCan, arXiv:2204.01691)
Hi Robot: Open-Ended Instruction Following with Hierarchical Vision-Language-Action Models (arXiv:2502.19417)
Helix: A Vision-Language-Action Model for Generalist Humanoid Control (Figure)

信息截至

2025-02