具身推理是指具身智能体通过多模态感知（如视觉、触觉、本体觉等）实时捕捉环境状态，融合行为目标与历史经验，从而将复杂任务分解为可执行的任务规划、并进一步类人地动态修正执行错误的认知框架。
其典型应用涵盖机器人自主导航、操作顺序控制、人机交互等多个方面。通过闭环反馈机制，智能体在执行动作后持续监测和评估实际执行结果，并利用这些反馈信息更新内部认知模型和决策策略，实现自我反思调整和优化。这使得智能体能够自动分解复杂任务、适应环境变化并不断从经验中学习。
例如，一个服务机器人在家庭环境中执行“准备早餐”这一复杂指令时，不仅需要理解自然语言描述的目标并将其转化为取物、烹饪、摆盘等一系列具体操作，还需根据实时感知到的环境状态调整计划。在这一过程中，具身推理将认知决策与物理反馈紧密耦合，使机器人在真实世界中表现出更高的鲁棒性和适应性。
早期的研究主要基于符号推理和规则系统，依赖人工预先定义的规则、状态机或经典AI规划器（如PDDL规划），这种方法往往难以应对开放环境、抽象目标和非结构化环境。
近年来，随着大语言模型和多模态大模型的推理能力不断增强，推理能力不仅在自然语言处理领域取得了显著成果，也展现出在机器人规划与交互中的巨大潜力。研究人员正探索如何将大模型的强大推理能力与机器人的感知和控制相融合，使机器人能够理解高层指令并推理出具体的行动序列，从而更有效地完成任务。
借助大模型在知识获取和推理方面的优势，机器人可以在零样本或少样本条件下理解复杂指令并自动生成新任务的执行步骤，从而大幅减少人工设计预定义规则的工作量。这种从符号人工编排向数据驱动智能规划的转变，使具身推理框架具备了更高的通用性和适应性。
将模糊的自然语言需求转化为明确的目标是推理的基本表现形式。大模型通过对海量自然语言语料的学习，能够准确捕捉用户指令中的隐含需求，将模糊的描述转化为清晰、量化的目标。
这种能力使得智能体在接收到“我渴了”这样的抽象指令时，能够转化为“倒一杯水并送到人的面前”这样的具体而清晰的目标，从而能够更好地呈现人和具身智能体之间的人机交互智能。
将总体任务目标分解为可逐步推进的子任务，并转换为机器人低层技能可执行的原子动作序列，是推理能力的另一个重要体现。大模型需要将整体目标拆解为一系列连贯、可操作步骤。
例如，谷歌提出的 SayCan 方法，对于用户提供的高层自然语言指令，大模型会输出一系列可能的子任务描述，然后机器人依据已学习的技能库和环境状态，通过机器人学中的价值函数或可行性模型（affordance）对这些候选子任务进行打分，来选出当前最合适的原子动作。
例如，面对指令“我把饮料打翻了，你能帮我吗？”，大模型能够规划出连贯的行动序列，诸如“走到柜台，拿起海绵，擦拭液体”等步骤。在每一步执行后，大模型根据新的环境反馈继续规划下一步，直到任务完成。这种将大模型的知识与推理能力同机器人对物理世界的执行能力相结合的方式，使机器人可以完成诸如“收拾洒出的饮料”这类复杂任务，并显著减少了不切实际或不可执行的错误。
根据子任务的执行情况和实时环境反馈，调整原子动作规划，优化任务执行流程，则是具身推理呈现给具身智能体的环境感知的核心能力。
ReAct：谷歌提出的 ReAct 方法利用大模型生成交错的推理思维链和原子动作，使模型能执行动态推理来创建和调整行动计划，同时与外部环境交互获取额外信息，在具身问答和互动决策等任务中取得了显著的推理性能提升。
Text2Motion：斯坦福提出的 Text2Motion 方法，将大模型与物理可行性预测模块相结合，在生成动作序列时既确保语义逻辑正确，又验证现实操作的可行性。系统生成多条路径，通过评估每条路径在实际环境中的执行效果并动态调整具体步骤，从而保证机器人既满足指令要求，又能克服真实环境中的物理限制。
VLP：谷歌提出的 VLP 方法进一步结合视觉信息，并利用视频生成基础模型在任务执行前预演行动过程，通过树搜索评估每一步的合理性与可行性，使机器人在实际执行前便能识别潜在的风险，从而调整任务规划。
REFLECT：在失败检查与反思方面，REFLECT 框架通过 LLM 分析视觉基础模型反馈的检测结果，检查子目标是否达成，进而利用大语言模型进行失败原因推理和计划的实时纠正，该方法不仅能够检测执行错误（如物体被意外掉落），还能识别规划错误（如选择了错误的目标物体），为具身推理系统提供了重要的自我纠错能力。
上述方法普遍依赖预定义的动作技能库，这在开放场景中存在显著的局限性，很难穷举所有潜在动作技能。为突破这一局限，研究者们提出了代码生成的范式，直接从自然语言指令生成机器人执行策略代码，从而减轻对预设动作库的依赖。
Code-as-Policies：作为典型代表，利用大语言模型编写基于自然语言的控制代码，动态调用机器人 API，生成适应性行为策略。
RoboCodeX：方法进一步结合了视觉反馈信息，构建了多模态代码生成框架，将高级人类指令与视觉观测结合，分解成以对象为中心的操作单元，再转化为适用于不同机器人平台的控制代码。
代码生成技术将大模型的语义理解能力与机器人执行能力有机融合，实现了从自然语言到可执行策略的高效转化，使机器人在复杂环境中展现出前所未有的任务适应性和执行灵活性。
新一代具身推理系统正朝着多模态深度融合和自适应策略方向不断迈进。
在 VoxPoser、OmniManip 和 ReKep 等最新研究中，研究人员利用视觉、语言等多源信息构建了实时、闭环的决策模型：
VoxPoser：通过生成三维价值图，将环境中的可操作区域与障碍物直观映射，使机器人在任务规划时无需依赖预设动作模板，而是基于当前场景直接计算出最优轨迹。
OmniManip 和 ReKep：利用关键点约束将复杂任务拆解为一系列精细化的动作子目标，并通过实时视觉反馈不断优化运动路径，从而在动态环境中实现更加精准的控制。
依托大语言模型和视觉模型的强大推理能力，这一全新的范式不仅具备零样本任务适应性，还能够通过闭环反馈机制及时感知偏差，根据实际执行情况动态调整操作细节。系统能够将模糊的自然语言指令转化为明确、量化的目标，并进一步将整体任务分解为一系列可逐步执行的原子动作。通过直接生成可执行策略代码，这种方法大大降低了对预定义动作库的依赖，为机器人在开放场景下自主决策提供了全新的思路和途径。
通用多模态大模型在直接执行具身推理任务时，往往只依赖预训练期间获得的知识，缺乏专门的具身任务规划能力，因此需要额外的反馈模块（如人工提示）来修正不合理的规划。更直接的方法是利用视觉语言数据对预训练模型进行微调，使其更适应真实环境下的任务需求，从而打造更强大的具身大模型。
Palm-E：谷歌提出的 Palm-E 将状态、图像和文本统一编码，通过自注意力机制生成任务规划。
EmbodiedGPT：依托 EGO4D 数据集，构建了包含视频片段与原子操作语义配对的 EGOCOT 具身思维链数据集，经微调后其规划性能显著提升。
在视觉语言大模型的基础上，最近的研究还引入了 RT-1、RT-2、RT-X 和 π0 等视觉-语言-动作大模型。它们通过利用互联网上丰富的视觉推理任务数据进行预训练，并结合端到端输出底层动作的策略优化，实现了从高层指令到具体动作的高效转化。