VLA（Vision-Language-Action）

直接把影像與語言指令映射為機器人動作。代表：RT-2（網頁知識遷移到控制）、OpenVLA（開源 7B，Open X-Embodiment）、後續 π0／RDT／GR00T 等。與純 VLM 不同：輸出必須是可執行動作，而非文字描述。

世界模型（World Models）

學習「狀態＋動作 → 下一觀測／狀態」，支援腦內推演與規劃。可與策略耦合成為 WAM。綜述見 arXiv:2507.00917、2510.16732。

模仿學習／行為複製（IL／BC）

從示範軌跡以監督方式學習動作。ACT 適合雙臂遙操資料；實作單純、訓練快。

強化學習（RL）

依獎勵優化策略，常在模擬中大規模平行（Isaac Gym 等），再經 Sim2Real 遷移；運動控制（locomotion）尤為常見。

Diffusion Policy

以擴散模型擬合多峰動作分布，適合「同一任務多種合法動作」的示範（Chi et al., RSS 2023）。推論需多步去噪，可用 DDIM 等加速。

Sim2Real

域隨機化、系統識別、Real2Sim2Real、人在迴路修正（如 TRANSIC）等，縮小模擬與現實在物理、渲染、雜訊上的差距。

多模態與觸覺／靈巧手

視覺—語言—力覺—觸覺融合；視觸覺感測器與電子皮膚支援精細操作。硬體與演算法需共同設計。

來源：Embodied-AI-Guide 演算法篇結構；Diffusion Policy／ACT 公開比較；綜述 2407.06886。