“把桌上的杯子放进水槽。”人做这件事不用想：走过去、伸手、抓住、转身、松手。同一句话交给机器人，会变成三个性质不同的问题：先做什么后做什么、手怎么在空间里挪过去、每个关节每一毫秒出多大力。
这篇把这三层摊开，看清每一层输入什么、输出什么，以及一句话最常在哪一层断掉。
全貌：三个问题，三种时间尺度
第二段按顺序、几何、力学展开：任务层的输出是一串离散步骤（走到桌边 → 抓住杯子 → 走到水槽 → 松手）；运动层把其中一步展开成一条连续轨迹，即每个时刻手腕在哪、朝哪个方向；控制层把轨迹上的每个点变成关节力矩。
三层的时间尺度差了几个数量级：任务层可能几十秒才决策一次，运动层算一条轨迹要几百毫秒到几秒，控制层每秒要更新几百到上千次。让每秒要出上千次结果的模块等上层慢慢想，是不可能的。分层先是被这个差别逼出来的。
任务层：世界被压成一张清单
任务层只认几个离散事实：杯子在桌上、手是空的。每个动作用两句话描述——前提条件 和 效果：抓杯子要求“手是空的”且“杯子可及”，效果是“手上有杯子”。规划于是变成搜索：找一串动作，让每个动作轮到它时前提刚好成立。
这样做的好处，是连续的物理世界被压成有限个状态，搜索有现成算法可用。代价是这一层不知道距离，不知道碰撞，不知道杯子有多重——它只判断逻辑上说不说得通。
大模型常被放在这一层，因为它确实会拆步骤：倒水之前要先拿杯子。但它不知道杯子还在不在桌上、手是不是空的、那个位置够不够得着。SayCan 的办法是把两件事相乘：语言模型给每个技能一个“这对完成指令有多大用”的分，价值函数给一个“此刻能做成的概率”，相乘后选最高的执行；执行完一个技能，再问一次 1。
在 101 个真实厨房任务上，这个系统选对技能序列的比例是 84%，真正做完的是 74%；加入可行性打分后，误差大约减半 1。比数字更要紧的是结构：每执行一步就重新规划一次，而不是算完一整条计划再一口气执行。上层因此随时有机会发现前提已经不成立。
运动层：位姿变成高维空间里的一个点
一台七轴机械臂，每个关节角是一个数，七个角合起来决定一个完整姿态。把七个角当成七个坐标轴，就得到七维的 构型空间：手臂的每一种姿态是里面一个点，“从当前位置挪到杯壁”变成“在两个点之间连一条线”，“会不会撞到桌沿”变成“这条线会不会穿过被占掉的那块区域”。上一篇里的末端位姿，在这一层就是“先换成构型空间里的坐标，再连线”。
找这条线的主流做法是 采样：随机在空间里撒点、从起点往外长出一棵树、碰上目标就停。它赌的是“存在一条可行路径”比“找到最短的那条”容易得多，而机器人通常只需要前者。
这一层还要定两个 连续参数：抓杯子的哪一侧、放在水槽的哪里、什么朝向。它们既不是离散步骤，也不是关节角，而是夹在两层中间的数。TAMP（任务与运动规划）的综述指出，通用性最吃紧的地方恰恰是这类“怎么抓、放哪儿”的实数参数 2。
控制层：轨迹只是期望，不是结果
轨迹说“0.7 秒时手腕应该到 (x, y, z)”，控制器面对的是重力、变了的惯量、摩擦和间隙。它的活是算力矩，并按测到的偏差不断修正。只做位置控制时，它会假定没人挡我，一碰到意料之外的接触就一路使劲往里顶；需要接触的任务（拧、插、擦）得改成控制力，这一层留到下一篇专门讲。控制层也会失败：要求关节在 0.1 秒内转过 90 度，电机给不出那么大扭矩。
接口最容易断的三处
第一处：任务计划在几何上做不到。 水槽前面被椅子挡着，或者手从任何角度都伸不进杯子和墙之间那条缝。分开求解时，任务层以为最优的顺序，运动层直接返回无解，只能回头换顺序——这正是 TAMP 要反复迭代的原因 23。
第二处：中间那两个连续参数选错。 抓点选在杯口，力封闭没问题，能提起来，但往水槽里倒的时候手腕就转不动了；放的位置离槽壁太近，松手瞬间就碰翻。力封闭那条界线在这里显出后果：它只回答“抓得住”，不回答“抓得对不对下一步”。
第三处：状态估计错了。 每一层都以为任务在按计划推进，实际上杯子已经滑了、门根本没开。这一种最隐蔽，因为没有任何一层天然负责发现“计划的前提已经不成立”。
端到端 VLA 的选择正好相反：把三层压进一个网络，接口问题直接消失，也不用再写前提条件。代价是误差失去了中间被纠正的机会，而且现有 VLA 的训练和评测主要还集中在短时序任务上，多步串联与子任务依赖仍是明确的短板 4。这也解释了为什么能真干活的系统大多保留分层——分层不是为了架构好看，而是为了在层与层之间留出纠错的接口。
一句话收束
一句“把杯子放进水槽”，先被拆成一串离散步骤（管顺序），每一步再展开成一条不撞东西的轨迹（管几何，顺带定了抓哪儿、放哪儿），轨迹最后换成每毫秒的力矩（管力学）。最容易断的地方不在某一层内部，而在层与层之间：符号说“放进水槽”，几何可能说“伸不进去”。所以可靠性不来自某一层多聪明，而来自层与层之间有没有验证和回头的通道。