Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review

这是一份面向零基础读者的结构化研究笔记。本文只把公开论文文本和 arXiv 元数据能支持的结论写成事实；本站没有本地训练、仿真或真机复现实验，因此不会把论文中的领域判断写成本站 E4 结果。

一句话讲什么（TL;DR）

这篇系统综述讨论 foundation models 如何用于 mobile service robots。它把移动服务机器人面临的核心挑战归纳为四类：把自然语言指令翻译成可执行动作、多模态感知、不确定性估计、板载计算约束。论文再分析 LLM、VLM、MLLM 和 VLA 如何分别帮助这些挑战，并把应用场景放到 domestic assistance、healthcare、service automation 里讨论。

如果只记一个直觉：移动服务机器人不像实验台机械臂只在固定桌面抓东西，它要在有人、有噪声、有隐私、有实时限制的环境中服务人，所以 foundation model 的价值和风险都会被放大。

所以这一节是想说：这篇综述把 Embodied AI 从“模型能力”拉回到“人类环境里的服务机器人”。

这是个什么场景

移动服务机器人是会在真实空间中移动、观察、理解指令并提供服务的机器人。它可能在家里帮老人取药，在医院引导患者，在办公室递送物品，也可能在仓库或公共空间做服务自动化。和单纯聊天系统不同，它要处理真实传感器、真实路径、真实人类互动和真实安全边界。

论文关注 foundation models，包括 LLM、VLM、MLLM、VLA。它们能让机器人更好理解语言、视觉和场景，但机器人不是云端网页应用。移动服务机器人通常有板载算力限制、网络不稳定、隐私敏感场景、动态人群和长时间运行要求。

移动服务机器人场景

家庭 / 医院 / 公共服务空间
        │
        ▼
语言指令 + 多模态传感器 + 人机交互约束
        │
        ▼
Foundation Models 帮助理解、推理、规划和执行
        │
        ▼
但必须满足实时、安全、隐私、资源约束

四个核心挑战

1. 语言 -> 可执行机器人动作
2. 多模态感知
3. 不确定性估计
4. 实时板载计算

这类场景的难点是“服务”二字。服务机器人面对的是非专家用户，用户会说模糊、口语化、不完整的指令；环境也不是干净 benchmark，而是光照变化、遮挡、背景噪声、人突然走动、物品摆放变化的空间。

所以这一节是想说：移动服务机器人是 foundation models 真正落地时最容易暴露复杂约束的场景之一。

之前的人怎么做的，为什么不够好

传统移动机器人常靠规则、SLAM、路径规划、目标检测和任务状态机来工作。这些方法在结构化环境中可靠，但遇到自然语言模糊指令、开放物体类别、动态社交互动和长程服务任务时，扩展成本很高。

Foundation models 带来了新可能。LLM 可以解析指令，VLM 可以理解视觉语义，MLLM 可以融合多模态输入，VLA 可以把感知语言直接连接到动作。但论文指出，把这些模型直接放进移动服务机器人并不够。它们可能缺少物理约束意识，可能过度自信，可能算不动，也可能在家庭和医院这类隐私场景中产生数据治理问题。

综述的价值在于不把 foundation model 当成万能答案，而是问它能缓解哪些 challenge，又会引入哪些新的部署和伦理问题。

所以这一节是想说：旧机器人系统不够灵活，大模型系统也不能直接裸奔进真实服务场景。

这篇论文的新想法

论文声称自己是 first systematic review focused specifically on the integration of foundation models in mobile service robotics。它不是泛泛讲机器人 foundation model，而是把 mobile service robot 作为专门对象，分析家庭、医疗和服务自动化中需要什么能力。

它提出一个统一视角：foundation models 可以贯穿 perception、reasoning、planning、control，但每个环节都要面对移动服务机器人的实际限制。比如语言到动作不只是把句子转成计划，还要处理 ambiguity、physical feasibility、long-horizon continuity。多模态感知不只是图像识别，还要处理空间分辨率、采样频率、传感器噪声和跨模态对齐。

这篇综述还把技术挑战和社会挑战放在一起。家庭和医院环境要求隐私、可解释、可请求澄清、可在人类不确定状态下保守行动。它强调 human-in-the-loop governance，不把安全完全交给模型自发判断。

所以这一节是想说：本文的新意是按移动服务机器人部署约束重组 foundation model 研究。

它分几步做的（方法）

第 1 步：定义 mobile service robot 的四类挑战

论文先从移动服务机器人实际任务出发，列出四个 challenge。第一是 Translation of Natural Language Instructions into Executable Robot Actions。机器人要把“帮我把那个拿过来”这类模糊指令转成目标识别、导航、抓取和递交。

第二是 Multi-modal Perception。服务机器人会接收 RGB、depth、IMU、语音、触觉或其他传感器数据，这些数据采样频率、空间分辨率、噪声模式不同。第三是不确定性估计，机器人必须知道自己何时不确定，并能请求澄清或保守行动。第四是 computational capabilities，板载设备很难实时运行大模型。

第 2 步：分析 foundation models 如何对应挑战

Foundation models 可以用共享语义空间缓解语言和视觉对齐问题，用 language-conditioned policies 支持指令跟随，用 multimodal sensor fusion 提升场景理解，用 uncertainty-aware reasoning 改善安全决策，用 efficient model scaling 缓解部署成本。

但每个机会都有边界。LLM 可能产生不可执行计划，VLM 可能在真实动态场景中失效，MLLM 多模态推理可能延迟太高，VLA 可能需要大量机器人数据和强算力。

第 3 步：把应用场景分到服务领域

论文重点讨论 domestic assistance、healthcare、service automation。家庭场景强调个性化、隐私和长期适应；医疗场景强调安全、可靠和人机协作；服务自动化强调效率、可扩展和复杂环境。

应用场景 -> 主要约束

家庭辅助     -> 隐私、个性化、长期适应
医疗护理     -> 安全、可靠、澄清、审计
服务自动化   -> 效率、调度、动态人群

第 4 步：讨论未来研究方向

论文未来方向包括 reliability and lifelong adaptation、privacy-aware and resource-constrained deployment、governance and human-in-the-loop frameworks。这说明作者不只关注模型分数，而是关注机器人在真实人类空间中的长期可信运行。

未来闭环

可靠性 -> 长期适应 -> 隐私保护 -> 资源约束 -> 人类监督
   ▲                                             │
   └────────────── 部署反馈与治理 ───────────────┘

所以这一节是想说：论文方法是用“挑战-模型能力-应用场景-治理方向”来组织移动服务机器人。

关键数字

这篇是 systematic review，不是单一模型 benchmark，所以关键数字主要是分类和范围。论文页数为 46 页，围绕 foundation models in mobile service robotics 展开；它明确列出 4 个核心 challenge，并把应用讨论聚焦 domestic assistance、healthcare、service automation 三类场景。

论文还提到用 OpenAlex 做 publication analysis，查询和过滤与 mobile service robots integrating language, perception, planning, and control 相关工作，并按挑战分组。这说明它不只是主观列举，而试图用文献分布观察研究努力集中在哪里。

这些数字不要被误读成本站复现结果。它们是综述的结构证据，用来说明作者如何组织领域。

所以这一节是想说：本文的数字服务于系统综述框架，不是机器人实验成功率。

实验结果说明了什么

综述没有提出新机器人系统，因此“实验结果”应理解为文献分析和结构化对比。它说明一个核心事实：移动服务机器人不是只缺一个更强模型，而是同时缺自然语言 grounding、多模态感知、不确定性估计和实时部署能力。

读这篇时要特别注意不确定性。服务机器人如果过度自信，在医院或家庭里会很危险。比如在视觉变差、语音不清或路径受阻时，机器人需要表达不确定、请求澄清或选择保守策略，而不是继续执行看似合理但实际危险的动作。

另一个重要结果是计算约束。很多 foundation model 的能力来自大模型，但移动服务机器人不能总依赖云端：医院和家庭有隐私要求，网络也可能不稳定。边缘部署、模型压缩和资源调度因此不是工程细节，而是能不能服务人的前提。

所以这一节是想说：综述结果提醒我们，服务机器人落地要同时过语言、感知、不确定性和算力四道门。

术语表

• Mobile Service Robot：在真实人类环境中移动并提供服务的机器人。
• Foundation Model：在大规模数据上训练、可迁移到多个任务的基础模型。
• LLM：大语言模型，主要处理语言和推理。
• VLM：视觉语言模型，处理图像和文本。
• MLLM：多模态大模型，融合更多模态输入。
• VLA：视觉-语言-动作模型，把观察和指令映射到动作。
• HRI：Human-Robot Interaction，人机交互。
• Uncertainty Estimation：估计模型或环境中的不确定性。
• Human-in-the-loop：让人类参与监督、纠错和治理。

所以这一节是想说：移动服务机器人把 foundation model 术语带进了人机共处场景。

局限和边界

第一，这是综述，不是统一实验。它引用和组织现有工作，不能被当成作者复现了所有服务机器人系统。

第二，移动服务机器人场景很宽。家庭、医院和服务自动化的风险不同，不能把一个场景的结论直接套到另一个场景。

第三，foundation models 的快速发展会让综述具有时间边界。2026 年之后新的 VLA、MLLM、边缘推理方法可能改变部分判断。

第四，论文讨论安全、伦理和治理，但真正部署还需要法规、组织流程、用户研究和长期现场测试。

所以这一节是想说：这篇综述是地图，不是服务机器人上线许可证。

和其他论文的关系

和 efficient-vla-survey 相比，本文更关注移动服务机器人应用场景，而不是只按模型、训练、数据效率分类。

和 vla-manipulation-survey 相比，本文更强调 mobile service robots 的移动、人机交互和家庭/医院/服务空间，而不是只聚焦操作任务。

和 embodied-agi-road-ahead 相比，本文更落地。Embodied AGI 讲 L1-L5 路线图，本文讲现实服务机器人今天遇到的四类门槛。

和 RoboNeuron 相比，本文提供问题地图，RoboNeuron 提供中间层工程方案。服务机器人要落地，既需要这种综述里的约束分析，也需要 RoboNeuron 这类接口和中间件。

所以这一节是想说：Batch 5 从“VLA 论文库”扩展到“真实服务机器人系统”。

和本导读的关系

本站导读里很多论文关心模型能力，例如统一 VLA、推理效率、跨本体泛化。这篇综述提醒我们：模型能力最终要面对真实服务场景的四个约束。

它适合放在“应用和部署”章节，作为从研究论文走向真实移动机器人的过渡页。读者读完它后，再看导航、ROS 中间件、边缘部署和安全治理，会更容易理解为什么这些问题重要。

所以这一节是想说：它把本站的模型主线连接到家庭、医院和服务自动化场景。

思考题

1. 为什么移动服务机器人比固定机械臂更强调 HRI 和不确定性？
2. 语言指令到可执行动作中，最容易出错的环节是什么？
3. 为什么家庭和医院场景不能完全依赖云端大模型？
4. 如果机器人不确定，它应该继续执行、停下、还是请求澄清？为什么？

FAQ

Q：这篇综述是不是证明 foundation models 已经能可靠服务老人和病人？ A：不是。它总结机会和挑战，不是宣称已有系统可无条件上线。

Q：为什么移动服务机器人要单独综述？ A：因为移动服务机器人比普通机器人多了人机共处、移动导航、长期服务、隐私和边缘计算等约束。

Q：VLA 在这里是不是唯一方案？ A：不是。论文同时讨论 LLM、VLM、MLLM、VLA。VLA 是其中一类连接动作的方案。

Q：本站有没有复现这些服务机器人系统？ A：没有。这里只记录论文报告和综述结构，不写成本站实验结果。

进一步读什么

• embodied-agi-road-ahead：理解更宏观的 Embodied AGI 分级。
• roboneuron：理解如何把 agent/tool 接口接到 ROS 中间层。
• embodied-navigation-foundation-model：理解移动场景中 navigation foundation model 的具体例子。
• efficient-vla-survey：理解边缘部署和效率约束。

精读补充：为什么服务机器人比“会走会说”更难

读这篇综述时，一个很重要的直觉是：移动服务机器人并不是“导航机器人 + 聊天机器人”的简单相加。它要在人的空间里做服务，人的空间有很多机器不喜欢的东西：家具会移动，人会临时改变主意，老人或病人可能说不完整指令，背景里可能有电视声、访客、宠物、反光、遮挡和隐私物品。模型如果只在干净数据集上表现好，到了这种环境里就会暴露短板。

自然语言到动作的转换也不是翻译句子。用户说“把那个拿过来”时，机器人要先知道“那个”指什么，再判断物体是否可抓、路径是否安全、自己是否有权限进入某个房间、拿到后应该递给谁。这个链条里任何一步不确定，都可能影响最终动作。Foundation model 能帮助语义理解，但如果它不知道机器人本体限制，就可能生成看似合理但不可执行的计划。

多模态感知同样不能只理解为“多接几个传感器”。不同传感器有不同延迟和噪声，RGB 图像可能被遮挡，深度图可能缺失，语音可能被噪声污染，IMU 和轮速计可能漂移。早期融合、后期融合和中间融合各有代价；如果不确定性不能沿着感知链条传播，机器人可能会把错误感知当成确定事实。

论文强调不确定性估计，是因为服务机器人最怕“自信地错”。在人机交互中，一个好机器人有时不应该立刻执行，而应该停下来问：“你是指桌上的蓝杯吗？”这种行为看起来不酷，但对家庭和医疗场景很关键。过度追求流畅自动化，反而可能降低安全和信任。

计算约束也不只是省钱问题。医院和家庭场景可能不能把所有视频和语音传到云端，既有隐私原因，也有网络稳定原因。板载模型太大就会延迟高、耗电大、发热高，影响实时控制和长期运行。因此，privacy-aware 和 resource-constrained deployment 在这篇综述里是同一个落地问题的两面。

如果把这篇综述转成检查清单，服务机器人论文至少要回答五个问题：用户指令如何落到动作？多模态感知如何对齐？不确定时如何表达和恢复？模型在哪里运行、延迟多少？人类如何介入和审计？只有这些问题都有边界，foundation model 才真正进入服务机器人，而不是停留在 demo。

所以这一节是想说：服务机器人难在模型、身体、人和场景同时变化，任何单点强模型都不够。

后续核验清单

如果之后要把本文从 UNVERIFIED 提升到人工核验状态，应逐项核对：四个 challenge 的原文表述，domestic assistance / healthcare / service automation 三类应用，OpenAlex 文献分析是否按论文描述呈现，future directions 是否包含 reliability and lifelong adaptation、privacy-aware and resource-constrained deployment、governance and human-in-the-loop frameworks。

原文信息

• arXiv: 2505.20503
• PDF: https://arxiv.org/pdf/2505.20503

@article{lisondra2025mobilefoundationrobots,
  title = {Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review},
  author = {Lisondra, Matthew and Benhabib, Beno and Nejat, Goldie},
  journal = {arXiv preprint arXiv:2505.20503},
  year = {2025}
}

◼

@online{eai_mobile_service_robot_foundation_survey_2026,
  title       = {(readable note) Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2025 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/mobile-service-robot-foundation-survey/}},
  organization = {Embodied AI: Zero to One}
}