四足机器人首次同时「思考 走路」，北大提出链式推理MobileVLA-R1（

1.四足机器人是什么

过去两年，RT-2、OpenVLA、NaVILA等Vision-Language-Action（VLA）模型，让机器人「能听懂复杂自然语言指令」成为现实但一旦落地到四足机器人上，两大老问题依然突出：语义和控制断层

2.四足机器人关键技术

：模型在语言上「讲得通」，但落到连续控制上就开始「晃、抖、走不直」，甚至原地迷路；决策黑盒，难以纠错：大模型直接给出一个动作，失败了也不知道是理解错了，还是规划错了，更谈不上线上调试与安全监管简而言之，现在很多VLA更像是「一次性给答案的黑盒」，而不是真正能「边想边走」的机器人大脑。

3.四足机器人csdn

针对这些痛点，北京大学团队提出MobileVLA-R1，核心理念只有一句话：不再「看图直接给动作」，而是让机器人先生成一段可解释的链式推理（CoT），再据此输出动作。

4.四足机器人的优点和缺点

论文链接：https://arxiv.org/pdf/2511.17889项目代码：https://github.com/AIGeeksGroup/MobileVLA-R1项目主页：https://aigeeksgroup.github.io/MobileVLA-R1/

5.四足机器人的行走原理图

MobileVLA-R1 总体架构模型从RGB、深度和点云等多模态输入中抽取3D场景表征，与自然语言指令对齐后，通过链式推理生成高层计划与低层意图，再由Action Decoder输出连续控制命令，驱动四足机器人完成复杂路径规划与动作执行。

6.四足机器人slam

在Vision端，MobileVLA-R1同时接入RGB图像、深度图和3D点云 / 地图等多源感知，由图像编码器、深度编码器和点云编码器提取表征，再通过统一的Projection Layer融合为时序场景表示；

7.四足机器人运动原理

在Language / Reasoning端，文本编码器读取自然语言指令，如「先右转走到走廊尽头，再到壁炉前趴下」，并与多模态场景特征对齐；在此基础上，模型利用我们构建的多粒度链式推理数据集MobileVLA-CoT

8.四足机器人百度百科

，把一条任务轨迹拆成「去哪、做什么」的高层目标；「从哪绕、先避什么」的中层规划；以及「当前是加速、转向还是减速等待」的低层意图在Action端，上层MobileVLA-R1模块输出结构化的CoT，再经由Action Decoder转换为连续速度与转向指令。

9.四足机器人运动学算法

，驱动四足机器人沿着右侧示例中那样的路径完成任务。这样，MobileVLA-R1更像是一个有自说服能力的机器人管家：每一步该怎么走、为何这么走，都先在「内心独白」里解释清楚，再交给腿脚去执行。

10.四足机器人用途

MobileVLA-R1在真实室内环境中的三段示例任务从左到右分别为：区分垃圾桶和水桶；绕开纸箱到达水桶；穿过椅子间隙到达桌子前上方展示第三人称轨迹叠加，下方为相应视频片段CoT 强化学习把「说得对」变成「走得好」。

为了让「推理」和「控制」真正对齐，MobileVLA-R1采用了类似R1的两阶段训练范式：先教会「会想」，再逼它「走好」第一步：监督阶段（SFT）先把「内心独白」造出来如下左图所示，研究人员构建了多粒度的