ROS2 的大模型时代：从中间件到具身大脑

一、一张截图引发的困惑

前不久有位读者给我发来两张截图。

左边是 2023 年的 ROS2 教程目录：节点、话题、服务、URDF、Nav2、MoveIt，一板一眼，秩序井然。右边是 2026 年某机器人发布会的画面：一台人形机器人听完一句自然语言指令，环顾四周，自己走到桌边，拿起苹果，转身递给主人。全程没有一张代价地图，没有一条手写的状态机，没有一个 goal_pose 话题。

他的问题很直接："这两者之间，发生了什么？我照着 2023 年的教程学到现在，学的还是造机器人吗？"

这个问题背后，是整个机器人行业正在经历的断层。过去三年，具身智能把"机器人怎么变聪明"这个问题的答案，从"把流水线每一段都做优化"改成了"用一个基座大模型端到端吃下感知到动作"。这不是量变，是范式断裂——就像自动驾驶从规则驱动转向端到端时经历的那样，只不过机器人学的这一刀，恰好砍在 ROS2 的世界观正中央。

先把结论放在这：**ROS2 没有死，但它正在从"终点"变成"地基"。**过去你以为学会 ROS2 就能造机器人；现在你会发现 ROS2 只是机器人身体里的神经和肌肉，而"大脑"已经换成了大模型。换脑手术正在进行，而且主刀的两派医生——国内的智元、国外的 NVIDIA——拿的是两套完全不同的手术方案。

本文沿着三条路线拆解这场断裂：智元（模型驱动，自建大脑、顺手换掉中间件）、NVIDIA（算力驱动，不换大脑、直接吃掉整栈）、以及古月居所代表的社区教育方（承上启下，教会一代人过河）。最后回答那个所有人都在问的问题：经典 ROS2，还要不要学？

二、经典 ROS2 的世界观：一条精心设计的流水线

先快速回顾经典范式，细节本站已有十篇实战，此处只提炼骨架——入门从这篇开始。

经典 ROS2 的世界观可以用一句话概括：机器人是一个分布式系统，智能是流水线的产物。

摄像头节点发布图像话题，SLAM 节点订阅图像、发布地图和位姿，Nav2 在地图上做全局与局部规划，MoveIt 在关节空间里规划机械臂轨迹，ros2_control 把轨迹变成电机电流——每个节点只做一件事，通过话题和服务松耦合地串起来，DDS 保证这条流水线去中心化、可扩展、能上产线。这正是 ROS2 相对 ROS1 的核心跃迁，多机部署与系统落地的细节见实战篇。

这套范式的隐含假设是：任务可以被干净地拆解为感知、规划、控制三个阶段，且每个阶段可以分别做到足够聪明。

公平地说，这个假设在它诞生的年代不是缺陷，是唯一解。2010 年前后的算力跑不动端到端，传感器精度撑不起数据驱动，机器人学界只能把问题切成段、逐段用经典算法啃——流水线不是设计偏好，是算力约束下的工程妥协。理解这一点很重要：**当约束消失，围绕约束建立的整套方法论就会被重估。**大模型时代消失的正是那个约束。

Nav2 是这个假设的集大成者：建图、定位、代价地图、全局规划器、局部规划器、恢复行为，层层分明，每一步都可解释、可调试、可审计。MoveIt 同理——逆解、碰撞检测、轨迹优化，每个环节都是几十年的经典算法沉淀。你在仿真器里把这套流水线跑通的那天（Gazebo 与 MoveIt2 实战见这篇），会有一种"机器人学也不过如此"的错觉。

这个假设统治了机器人学二十年，直到大模型时代被人当面质问：如果一个大模型可以看着图像直接输出动作，那你为什么要先建图？

流水线的每一段都是为"分段优化"设计的：地图是为了规划、轨迹是为了控制。但分段本身引入了大量信息损耗——场景理解被压缩成占据栅格，任务语义被压缩成目标坐标。大模型的说法是：这些损耗根本不必存在，让我从像素直接到关节。

这个指控不完全成立——下文会看到智元和 NVIDIA 其实都没有真正"端到端到底"。但流水线独占真理的时代，确实结束了。

范式断裂最直观的证据是招聘市场：三年前机器人公司的 JD 写的是"熟悉 Nav2/MoveIt，能做定位建图"；现在写的是"熟悉 VLA/ViLLA 架构，有大模型部署经验"。中间那层会调参的工程师没有消失，但岗位重心肉眼可见地上移了。要明白：你学的这套东西是"脊柱和反射"，不是"大脑皮层"。脊柱不会过时，但也别把它当成思考器官。

三、智元路线：换掉大脑，顺手换了神经

智元（AgiBot）是国内具身智能的头号样本。它把"大模型接管一切"这个口号执行得最彻底——不但接管了大脑，还顺手把 ROS2 引以为傲的通信层也动了。看懂它，基本就看懂了国内具身智能的全部打法：模型要自己训、数据要自己采、连中间件都要自己写。

3.1 GO-1 与 ViLLA：为什么比 VLA 多一层

2025 年 3 月发布的 GO-1 通用具身基座大模型（2025 年 9 月开源），核心架构叫 ViLLA（Vision-Language-Latent-Action）。它和主流 VLA（Vision-Language-Action）的差别，就在中间多出的那个 L——Latent，隐式动作标记。

为什么多这一层？因为 VLA 有个致命的语义鸿沟：**图文输入是厘米级、语义级的，动作输出是毫秒级、关节级的。**让一个理解"把杯子递过来"的模型直接吐出每个关节的角度，相当于让一个只会看地图的人直接开叉车——中间缺了一层"怎么从意图过渡到动作"的桥梁。

ViLLA 的解法是三层协同：

两个设计值得细看。

第一，Latent Planner 不是显式的任务规划器。它不输出"第一步抓、第二步放"这种符号化计划，而是在隐空间里学会"从看到的状态到该做的动作"的映射——这就是"弥合语义鸿沟"的工程含义：不靠规则桥接，靠数据学出桥来。隐式动作标记本质上是从真机数据里蒸馏出的"动作先验"，它站在语言和动作之间，两边都认。

第二，Action Expert 用扩散模型而不是直接回归，是因为动作生成本质上是一对多问题——同一个"递杯子"意图对应无数条合理轨迹，回归会平均掉多样性，扩散则能采出其中一条干净合理的。这和扩散模型在图像生成里胜出 GAN 的逻辑同构。

3.2 AimRT：兼容 ROS，但绕开 ROS

更耐人寻味的是通信层。2025 年 9 月开源的自研框架 AimRT，官方口径是"比 ROS/ROS2 中间件更高性能，完全兼容 ROS/ROS2 已有生态"。

这话要拆开听。

"完全兼容"是给存量开发者的定心丸——你的 ROS2 节点、你的 rviz 工具链、你的既有代码资产，照样能挂上来跑。"更高性能"才是真实意图——具身智能的数据吞吐早已超出 ROS2 通信设计的舒适区：一台人形机器人身上几十路传感器、几百赫兹的关节状态、再加上大模型推理结果的流转，DDS 的默认配置在这种压力下并不优雅。

两句话组合起来的姿态非常微妙：**不是抛弃 ROS，是绕开它。**ROS2 生态成了 AimRT 的兼容模式——就像当年 Windows 兼容 DOS 程序，历史遗产值得尊重，但未来不在那。对一个从机器人公司长出来的团队来说，这个姿态既是技术判断，也是商业话术：不得罪社区，但也不再被社区绑架。

3.3 四层架构：大脑、小脑、脊髓、经验

智元的完整技术栈是四层，分工干净得像解剖图：

在这套栈的更上层还有 AgentOS——自然语言指令驱动的技能编排。你说"把桌上的东西收拾一下"，AgentOS 负责理解这句话、决定调用哪些原子技能、监督执行。大脑负责"怎么做"，AgentOS 负责"做什么"，分工明确。

3.4 G1-G5：大模型不是一步到位

但最清醒的是智元的分级路线：G1 到 G5，逐级推进，G5 才是感知到执行的完全端到端。而当前商业落地的核心是 G2 原子技能——UniPose 通用位姿估计、UniGrasp 通用抓取、UniPlug 通用插拔，一个个单独可卖、单独可验收的技能模块。

这个路线图本身就是对行业狂热的一盆冷水：连国内头部公司都公开承认端到端还没到时候，真金白银的营收来自"大模型负责选技能、原子技能负责保底"的混合架构。翻译成 ROSer 的语言：现在的落地形态更像"LLM 当行为树的大脑"，而不是"神经网络吃掉整个行为树"。

2026 年 11 月 2 日发布的 CEL 群体经验学习把这个故事推向下一章：96 台真机组成集群，互相教——一台机器人在某个场景里学会的技能，通过经验共享扩散到整个机群。数据飞轮从"雇人采数据"进化到"机器自己产数据"。这件事的深层意义在于：具身智能的护城河正在从模型架构转向数据获取效率，而真机集群是烧钱才能堆出来的壁垒。论文会开源，模型权重会开源，96 台真机的折旧费和场地费开不了源。

回头看，智元路线对 ROS2 的态度其实是最诚实的一种：它不掩饰自己要建一套平行体系。AimRT 兼容 ROS 生态是给过渡期留的门，不是给未来留的。

四、NVIDIA 路线：不换大脑，直接吃掉整栈

如果说智元是"模型公司向上打通"，NVIDIA 就是"算力公司向下通吃"。它的切入点不是模型架构，而是把整条开发链路——训练、仿真、部署、安全——全部装进自己的柜子。

4.1 Isaac ROS 5.0：agentic 转向

2026 年的 Isaac ROS 5.0，主题词只剩一个：agentic。

感知、推理、动作被压进一条链路——感知的输出不再是点云和地图，而是动作候选。Nova Carter 机器人"边走边理解"，语义理解不再发生在建图之后，而是与移动本身融为一体。经典流程"先建图、再规划、后执行"在这套系统里失去了位置。

两个具体组件最能说明转向的深度：

GEM 值得多看一眼。经典 Nav2 的输入是目标坐标，任务语义在系统之外由人消化——是人决定"苹果在 (3.2, 1.5)"再交给导航器。GEM 把意图本身编码进模型，"拿"和"到附近"在导航阶段就开始分叉，抵达的姿势、减速的时机、停点的选择都随意图变化。这是导航从几何问题变成语义问题的关键一步，而且它做在了管线内部，不是外挂一个 LLM 翻译坐标。

这两个组件有一个共同点：它们都没有"消灭"经典模块，而是改写了模块的输出契约。FoundationPose 输出的还是位姿，只是不再要求 CAD 模型；GEM 输出的还是导航目标，只是从坐标变成了意图。对 ROSer 来说，这其实是好消息——你的流水线知识没有作废，是每个节点的输入输出定义正在被重写。

4.2 全栈全家桶：机器人界的 Android

2026 年 10 月 21 日 GTC 柏林，Isaac 平台完成重大扩展，一次亮出的牌面包括：

• Agile ONE SN 人形参考平台
• Jetson Thor，2070 TFLOPS 的机器人算力单元
• SimReady 2000+ 仿真资产
• Human 1M 数据集

再叠上 GR00T 基座模型、Isaac Lab 3.0 训练框架、Isaac OS 运行时、Halos 安全栈——从训练到仿真到部署到安全认证，一张全家桶网，一次买齐。

看懂这套布局的商业本质，只需要注意一个细节：版本锁定。Isaac ROS 5.0 绑定 ROS2 Jazzy LTS + JetPack 7 + Jetson 硬件。ROS2 在这里的名义身份是"社区通信层"，实际身份是"Jetson 上的设备抽象层"。开源的是接口，锁住的是算力。

这就是"机器人界 Android"野心的真实含义：Google 从没拦着你改 AOSP，但你的手机还是得买骁龙。NVIDIA 也不拦着你用 ROS2——它只是确保你跑 GR00T 推理的那块板子，别无选择。

对开发者来说，这条路线的友好与不友好都同样极端。友好在工具链：Isaac Lab 3.0 里的仿真训练到真机部署，路径是被铺平的，文档是齐的，坑是有人踩过的。不友好在自由度：你的开发节奏被 JetPack 版本绑死，你的算法优化目标里永远有一项"适配 TensorRT"，你想换一块国产算力板？全家桶一起换。

五、三条路线对比：一张表看懂分裂

三条路线表面上是竞争，实际上互为基础设施：智元的 AimRT 兼容 ROS2 生态，NVIDIA 把 ROS2 锁进 Jetson，而两边都紧缺既懂 ROS2 又懂大模型的工程师——这正是社区教育的价值所在，也是古月居这类内容平台的内容天平正在向具身智能倾斜的原因：不是经典内容过时了，是需求的重心移动了。

顺带一提，"机器人如何理解人类意图"这个母题，在脑机接口领域有个更激进的版本——直接从神经元放电里解码意图，跳过语言这一层（读、写与控制）。两条技术线在"意图解码"上殊途同归，感兴趣的可以对照着看。

另一件值得注意的事：这张表上没有"ROS2 官方"这一列。Open Robotics 依然在按年份发布发行版，社区依然庞大，但在"机器人智能往哪走"这场辩论里，定义议程的已经换成了模型公司和算力公司。中间件的主场变成了配角席——这不是失败，是技术栈成熟后的必然命运：Linux 内核团队也从不在 AI 发布会上占据 C 位，但每个 AI 发布会都跑在 Linux 上。

六、给学习者的答案：ROS2 是具身时代的汇编语言

回到开头的问题：经典 ROS2 还要学吗？

要，但定位变了。

我的判断是：ROS2 正在变成具身时代的"汇编语言"——大模型是大脑，ROS2 是神经和肌肉。两层论证：

• **不会 ROS2，你调不动真机。**任何基座模型最终输出的动作序列，都得有人把它变成话题、变成控制器指令、变成电机电流。真机上每一个诡异的话题延迟、每一次时钟不同步、每一段 ros2_control 的配置地狱，都需要懂经典栈的人去解。这一层十年内不会消失——智元和 NVIDIA 都没打算消灭它，一个选择兼容它，一个选择收编它。
• **只学 ROS2，你会停在 2023。**如果你的技能栈止步于 Nav2 调参与 MoveIt 配置，你在新范式里的位置就是"集成工程师"而非"智能工程师"。大脑的迭代速度远快于小脑，价值正在向上层迁移。

"汇编语言"这个类比值得再展开一句。没有程序员天天写汇编，但编译器作者、性能工程师、嵌入式开发者都绕不开它——因为它离机器最近，出问题时只有看得懂它的人能救场。ROS2 在具身时代扮演的就是这个角色：大模型是编译器，ROS2 是指令集。模型再优雅，最终都要落到"某个话题以某个频率把某段字节发给某块板子"这个层面。AI 时代软件工程师没有失业，只是要求变高了；机器人行业同理。

古月居社区的学习路径已经给出了现实的镜像：基础概念 → 通信机制 → Nav2/MoveIt → 部署，这条老路依然是入门刚需——没有人能跳过"让两个节点说话"这一步，就像没有人能跳过变量和循环学编程。但热榜内容正在向 AgentFold 这类长时序任务上下文管理议题迁移。学习者真正该做的不是二选一，而是分层进食：

一个常见的误区是"等范式定了再学"。范式断裂期恰恰是最好的入场时机——两条路线都缺既懂地基又懂大脑的人，而等你看到"定局"的时候，红利期已经结束了。

还有一类声音说"大模型是泡沫，机器人还是得靠经典控制"。我的看法：泡沫和趋势不矛盾。2023 年的估值泡沫会破，但 G2 原子技能的商业化是真金白银，CEL 的 96 机集群是真实存在的基础设施。判据很简单：看什么东西在产生收入，而不是看什么东西在产生融资。经典控制不会消失，但"只会经典控制"的岗位定价，已经见顶了。

回头展望一下这个岔路口会通向哪里。短期（1-2 年）：G2 原子技能加速商业化，混合架构是落地主流，纯端到端停留在 demo；中期（3-5 年）：随 CEL 这类群体学习把数据成本打下来，G3-G4 的复杂任务编排开始可靠，AimRT 这类新中间件侵蚀 ROS2 的增量市场；长期的不确定项只有一个——安全与认证（NVIDIA 押的 Halos 正是赌这个）。唯一可以确定的是：无论哪条路赢，路基都是同一批人铺的。

七、预告：本站 ROS 板块改为双轨制

从本文起，本站 ROS 板块改为双轨制。

经典轨：环境搭建、Nav2、MoveIt、仿真、视觉感知、多机部署等十篇实战（导航从系列入口进），适合打底，长期维护。

大模型轨：以本文为第一篇，后续计划拆 ViLLA 论文精读、Isaac ROS 5.0 上手实测、AimRT 与 ROS2 通信的对比评测、CEL 群体学习机制分析——把"大脑怎么接上神经"这件事讲到底。

写到这里可以交代一下改版的动机：后台数据显示，ROS 板块的搜索关键词正在肉眼可见地变化——两年前搜"Nav2 教程"的人，现在开始搜"ROS2 接大模型""VLA 部署"。读者的困惑就是内容的方向，与其在经典轨里硬塞新话题，不如开一条新轨各走各的。经典轨的十篇不会弃更，该调的参数、该踩的坑，一篇都不会少。

双轨之间也会有交叉点：比如"AimRT 到底比 DDS 快在哪"这种题，就属于两轨共用地基的范畴。

两条轨不冲突，正如这个行业的现实：大脑再强，也需要一具健康的身体。而"既懂大脑又懂身体"的人，会是未来十年机器人行业最稀缺的物种。本站接下来的内容更新，都会围绕这个稀缺性展开。

参考文献

1. 智元机器人，GO-1 通用具身基座大模型（ViLLA 架构），2025-03 发布 / 2025-09 开源
2. AimRT：智元开源高性能通信框架，https://docs.aimrt.org/
3. AgiBot-World / GO-1 开源仓库，https://github.com/OpenDriveLab/AgiBot-World
4. NVIDIA Isaac ROS 官网（Isaac ROS 5.0，FoundationPose，GEM），https://nvidia-isaac-ros.github.io/
5. NVIDIA GTC Berlin 2026（2026-10-21）：Isaac 平台扩展、Jetson Thor、GR00T 与 Isaac Lab 3.0
6. 古月居 ROS 社区内容趋势观察（2025-2026）

许可协议

本文采用 署名-非商业性使用-相同方式共享 4.0 国际 许可协议，转载请注明出处。

分享文章