机器人长期任务规划一直受限于物理世界的复杂性。传统视频预测模型常产生物理不符的幻觉。一种名为具身思维树（EToT）的新框架，通过引入基于物理的模拟器作为世界模型，结合树状搜索与反思机制，显著提升了机器人在复杂操作任务中的规划可靠性与物理真实性。
智能速览
EToT框架采用物理模拟器替代视频生成模型，确保规划遵循物理定律。
通过真实-模拟-真实的闭环，实现对现实场景的高保真数字孪生重建。
先验分支生成多样化的初始规划，反思分支则负责诊断并修正失败。
该方法在7项复杂操作任务中的成功率显著高于现有基线方法。
树状搜索结构为探索长程因果关系的复杂任务提供了系统性解决方案。
精华内容
机器人要真正融入人类生活，就必须拥有可靠的物理直觉。EToT框架正是为此而生，它将高级推理建立在坚实的物理模拟之上。
视频模型的局限
当前许多机器人规划方法依赖视频生成模型来预测未来。这类模型虽能处理像素信息，但缺乏内在的物理规律约束。在进行长时程任务规划时，它们会累积误差，产生不符合物理常识的“幻觉”，例如物体错误穿透或悬浮。这导致生成的规划在现实中往往无法执行，尤其在涉及接触、碰撞和力传递的复杂操作中表现不佳。
物理模拟器世界模型
为解决视频模型的根本缺陷，EToT采用高保真物理模拟器作为其具身世界模型。系统通过一次或多次RGB-D观测，利用SAM-3D、FoundationPose等技术快速重建场景的交互式数字孪生。这个数字孪生不仅视觉上逼真，更重要的是，它内置了刚体动力学、碰撞检测和摩擦力等物理属性，确保任何在此基础上的动作推演都严格遵循物理定律，从根源上杜绝了幻觉。
树搜索双核机制
EToT将规划过程构建为树状搜索，并创新性地设计了两个协同分支。先验分支由VLM分析场景和任务，生成多样化的候选动作序列，构成初始规划树。当某个分支在模拟中执行失败时，反思分支启动。VLM会分析失败的模拟画面，诊断原因（如抓取不稳、空间不足），并生成修正后的新分支。这一迭代优化过程确保了规划树的动态生长和自我修正能力。
实测性能优势
在包含7个操作任务的测试中，EToT展现了显著优势。这些任务考验了物体可操作性感知、空间关系理解和物理动力学预测等核心能力。实验数据显示，EToT在长时任务（如多步骤物体收纳）上的成功率远超ReKep等基线方法。尤其在面对物体意外掉落或人为干扰时，EToT能有效识别失败并重新规划，展现出强大的鲁棒性和环境适应能力。
具身思维树（EToT）为机器人规划领域提供了一种将高级语义推理与底层物理现实紧密结合的有效范式。通过数字孪生和反思机制，机器人的决策过程变得更加可靠和可解释。这项技术是实现通用机器人在非结构化环境中自主执行复杂任务的关键一步，未来能否催生更智能的家庭服务机器人？
