具身智能感知简述(Manipulation) —— 经典VLA

具身智能（Embodied Intelligence）研究智能体如何通过感知和动作与物理世界交互。在机器人操作中，一个直观的链路是：
相机观测 → 视觉/语言表征 → 动作决策 → 执行 → 再次观测。Vision-Language-Action（VLA）模型尝试用统一模型连接视觉、自然语言指令和机器人动作。沿着经典工作的演进，可以看到两个关键变化：
视觉语义能力逐渐借助预训练 VLM 增强，动作生成则从离散 token 扩展到专门的连续动作模型。