领域总览
这是什么
具身智能（Embodied AI / Embodied Intelligence）研究拥有物理或虚拟身体的智能体如何通过感知、决策与行动，在与环境的交互中完成任务并习得智能。它把"智能"从纯计算问题拉回到"身体—大脑—环境"三元闭环：智能体不只是看懂世界，还要动手改变世界。
2022 年以来，视觉-语言-动作模型（VLA）、低成本遥操作数据采集、GPU 并行仿真三条线同时爆发，让具身智能从"机器人学的一个分支"变成大模型之后最受关注的 AI 方向。本知识库覆盖从经典控制论到 2025 年前后产业与学术前沿的完整版图。
为什么现在学
- 范式切换窗口：机器人领域正从"为每个任务写程序"转向"训练通用策略"，方法栈（模仿学习、RL、VLA、世界模型）与 NLP/CV 大模型正在合流。
- 门槛骤降：约 $100 级开源机械臂（SO-100）、免费仿真（MuJoCo、Isaac Lab）、开源策略库（LeRobot），个人可以完整走一遍"采数据 → 训练 → 部署"。
- 产业落地启动：仓储物流、工厂质检/搬运等场景已出现人形机器人商用试点；具身算法工程师成为高需求岗位。
知识树（七个模块，37 个知识点）
| 模块 | 编号 | 内容 | 知识点 |
|---|---|---|---|
| 01 基础与全景 | kp-001~005 | 定义、与非具身 AI 的分野、感知-决策-行动闭环、发展史、形态谱系 | 5 |
| 02 感知 | kp-101~105 | 多模态传感器、3D 视觉、SLAM、触觉力觉、本体感知与状态估计 | 5 |
| 03 运动与控制 | kp-201~206 | 运动学动力学、轨迹规划、柔顺控制、步态与全身控制、MPC、RL 控制 | 6 |
| 04 学习范式 | kp-301~307 | 模仿学习、深度 RL、Diffusion Policy、ACT/ALOHA、VLA、世界模型、LLM 规划 | 7 |
| 05 数据仿真与评估 | kp-401~406 | 仿真平台、Sim2Real、遥操作采集、开源数据集、评估基准、数据飞轮 | 6 |
| 06 系统工程 | kp-501~504 | 硬件解剖、机械臂/灵巧手、人形机器人产业、软件栈与 ROS 2 | 4 |
| 07 前沿与展望 | kp-601~604 | 长程任务与导航、泛化难题、安全伦理、落地路径与学习资源 | 4 |
每个模块的视觉主题色不同（青/紫/琥珀/粉/绿/蓝/橙），站点中的知识地图按依赖关系绘制。
学习目标（完成本库后你应能）
- 讲清楚：具身智能与传统 AI、大语言模型的本质差异；感知-决策-行动闭环的分层结构。
- 看懂论文：读懂 RT-2、π0、Diffusion Policy、ALOHA/ACT 等代表作的方法与实验设计。
- 动手做：在 MuJoCo/Isaac Lab 中训练一个运动或操作策略；用开源臂 + LeRobot 采集数据并训练模仿学习策略；理解 Sim2Real 的完整流程。
- 建立判断力：对"人形机器人元年""通用机器人 ChatGPT 时刻"等叙事做出有依据的评估；识别常见误区（如"有 LLM 就能当机器人大脑"）。
前置知识建议
- 数学：线性代数（矩阵、特征值）、微积分（梯度、链式法则）、概率基础（期望、高斯分布）。
- 编程：Python（NumPy）；想动手训练则需 PyTorch 基础。
- 可选加分：经典力学（力、力矩）、深度学习基础（CNN、Transformer）。
没有这些基础也能读完入门与核心层（各节均有直觉解释），动手实践部分建议边学边补。
边界说明
- 本库以物理具身（机器人）为主线；"虚拟具身"（游戏智能体、具身问答、虚拟世界智能体）作为延伸在 kp-001 与 kp-306 提及，不展开。
- 不覆盖：机械设计 CAD 与加工工艺、传感器底层电路设计、SLAM 理论的完整推导（只讲工程视角的核心机制）。
- 内容以公开文献与开源项目为主，编写基线约为 2025 年中；更新极快的部分（人形机器人产业、VLA 模型）建议结合最新论文与厂商公告核对。