“把圆餐桌上的脏杯子放进洗碗机。”这句指令对 3 岁小孩都简单，但对 AI 机器人，是一场严峻的挑战。

它要先搞懂哪个是“圆餐桌”（木质的还是玻璃的？），然后判断杯子可能在桌上、柜子里还是水槽边。走到一半发现视野里根本没有杯子，它懵了：我该往哪儿找？刚才的计划还作数吗？更麻烦的是，就算找到了杯子，洗碗机的门可能是关着的——它得先开门，再放进去，再关门……

这不是段子，而是具身任务规划（Embodied Task Planning, ETP） 的真实困境。现在的视觉-语言模型（VLM）通过大规模预训练展示了卓越的多模态理解能力，但一旦被扔进真实的家庭环境，需要多轮交互、长程推理、扩展上下文分析，它们就像理论优异的学生第一次下厨房：理论全能，实操抓瞎。

如何解决这一难题？北京大学副教授穆亚东及北京大学与星源智团队共同提出了 RoboAgent 方案。该方案采用能力驱动的具身路径规划，将复杂的规划任务分解为一系列更简单的视觉语言问题；同时，设计了一个多阶段训练路径，利用中继监督（intermediate supervision）与多样化数据来源，系统性地优化 VLM 的规划能力。

值得一提的是，该核心方案相关论文《RoboAgent: Chaining Basic Capabilities for Embodied Task Planning 》成功入选全球计算机视觉顶会 CVPR 2026。本届 CVPR 投稿量高达 16092 篇，录用率仅为 25.42%，该论文入选亦彰显了团队在具身智能领域前沿创新的硬核实力。

为什么 VLM 自己搞不定？

传统做法要么让 VLM 直接输出动作序列，要么加一段“思维链”（CoT）推理。但在 ALFWorld 这类需要探索+操作的仿真环境里，问题层层叠加：模型要先理解模糊指令（比如“那个圆圆的、放在厨房岛上的东西”），推测目标可能藏在哪里，导航过去，识别物体，最后执行抓取、放置等动作。任何一个子任务出错，整个任务就崩了。

更棘手的是，奖励信号极其稀疏——可能走了 20 步才判断成败。用纯强化学习（RL）训练，模型往往在无效探索中耗光步数。而单纯模仿专家轨迹，又无法泛化到没见过的新场景。

RoboAgent 的核心洞察是：把“规划”拆成一系列更小的、VLM 本来就擅长的视觉-语言子问题。 具体来说，RoboAgent 定义了 5 个能力模块：

• EG（探索引导）：给定目标物体，根据常识推断最可能的位置，预测最有可能的探索方向以找到该物体。

  OG（物体定位）：做开放词汇检测（即模型能够根据自然语言描述，在图像或场景中定位出训练阶段从未见过的物体或概念），判断当前视野里有没有目标物体。

  SD（场景描述）：用文字描述目标物体的当前状态。

  AD（动作解码）：把导航或操作指令转成具体原子动作（atomic actions）。

  ES（经验总结）：总结由 AD 生成的动作序列的交互结果，并在发生错误时分析失败原因。

图注：Scheduler 调度五类基础能力，形成可监督的能力链

所有模块由同一个 VLM 实现，不依赖任何外部工具，端到端可训练。

三阶段训练：从模仿到自我纠错，再到专家引导

光有架构不够，怎么训练这个 VLM 让它学会“调用能力”？团队设计了一套三阶段路径规划（planning pipeline），充分利用模拟器的内部特权信息（物体位置、实例分割、动作成败反馈）——这些信息在实际推理时不可用，但训练时能提供高质量监督。

阶段一：使用专家轨迹进行训练

把 ALFRED 数据集里的专家轨迹拆成探索子目标和操作子目标，转换成能力调用序列，并自动生成思维链。用这些数据做有监督微调，共生成 640k 个训练样本。

阶段二：使用模型生成的数据进行训练

让阶段一的模型在实际训练任务上跑一遍，收集它生成的轨迹（无论成功或失败）。然后利用模拟器内部信息，为每个能力调用构建纠正性监督：比如模型说“去柜子找叉子”，但模拟器显示叉子其实在抽屉里，就纠正它的输出。这一步生成 690k 个样本，让模型学会从错误中修正。

阶段三：使用专家策略进行训练

调度员的输出是“调用哪些能力”，很难直接给奖励。团队提出 EIPO（Expert-Induced Policy Optimization） 算法：用专家调度员（知道所有子目标的完成顺序）来计算每个状态-动作对下的专家优势函数，然后像 PPO/GRPO 那样做策略优化。因为专家优势可以直接从任务结构算出，避免了传统 RL 的方差问题，训练更稳更快。这一步额外合成了 25k 条带错误恢复的轨迹。

实验结果：3B 模型性能超过 7B 和 GPT-4o

团队在多个基准上做了严格测试。训练只用 ALFRED 的训练集（6.4k 任务），但评估在 ALFWorld（视觉+文本）、EB-ALFRED，甚至跨模拟器的 EB-Habitat 和 LoTa-WAH 上——全是未见过的新场景、新指令。所有结果来自同一个微调后的 Qwen2.5-VL-3B 模型。

图注：RoboAgent 在主要 benchmark 上的代表性结果

表 1（EB-ALFRED）：RoboAgent 平均成功率 67.0%，超过所有微调类方法（如 REBP 的 35.6%、WAP 的 62.7%），甚至在 Visual 分项达到 78%，超过了 GPT-4o 的 46%。

表 2（ALFWorld 视觉）：RoboAgent 平均 77.6%，大幅领先此前最好的 SEEA-R1（36.0%）和 GPT-4o（24.0%）。尤其在 Pick、Clean 等类别上优势明显。这得益于 EG/OG 带来的显式探索，让模型学会优先检查最可能有物体的容器（如“杯子”大概率在“橱柜”而非“马桶”上），而非盲目乱走。

表 3（ALFWorld 文本）：RoboAgent 在未见过的场景成功率达 94.0%，超过当前最顶级的 LLM 方案（DynaMind 89.1%），且用的是更小的 3B VLM——说明能力驱动的范式具备模态无关的泛化力，图像能力可以无缝迁移到文本输入。

结语

现代 VLM 本身具备处理具身推理的所有能力，缺的只是合适的调用机制。RoboAgent 提供了这样一套机制：不依赖外部工具，单一模型，端到端训练。它通过 VLM 同时担任调度器和五种特定能力，将复杂的规划过程分解为一系列基础的视觉语言理解问题 。

未来，随着能力模块的动态扩展和训练数据的规模化，这类“能力驱动”的架构很可能成为长程机器人规划的标配。毕竟，再聪明的 AI，也得学会分工协作。