Robotics_Notebooks

机器人技术栈知识库 / Robotics research and engineering wiki.

---

在线演示

↑ 在线站点使用方式：首页按目标选入口（路线 / 搜索 / 图谱）——点「项目查询 / 知识图谱」会滚到对应模块并顺时针描边高亮；搜索框输入关键词即时命中知识页；知识图谱中每个点是一个知识页，颜色代表技术社区，连线是页面互链——悬停看简介，滚轮缩放、拖拽平移，点击节点打开详情侧栏并一键进知识页，支持 2D / 3D 视图切换。

---

适合谁

想系统学人形机器人运动控制 / 强化学习 / 模仿学习，并一路看懂 Physical AI（VLA、世界模型、真机部署），有一定编程基础（Python / C++）与本科数学基础。

不知道从哪开始？先走 主路线：运动控制 → 物理智能全栈成长路线（Physical AI & Robot Learning：控制 → 学习 → Sim2Real → Transformer / VLA / 世界模型 → 部署）；已有明确方向时，按目标选一条 纵深路线。

---

这个项目是什么

Robotics_Notebooks 是一个机器人工程知识库，不是资源收集箱。它把机器人技术栈拆成互联的知识页面——每个概念解释清楚是什么、为什么重要、和哪些概念相关。

不是：教科书（不系统讲理论）、笔记堆（有结构和依赖关系）、工具文档。

---

从哪里开始

你的目标	入口
可视化探索知识图谱	知识图谱
有一条路线照着走	运动控制 → 物理智能全栈成长路线
先看纵深总目录再选方向	路线总览
用遥操作采集数据并实时操控人形（含全身 + 手指）	遥操作（Teleoperation）
设计力矩控制关节电机	力矩电机设计（Torque Motor Design）
学传统模型控制（MPC/WBC）	传统控制（Classical Control）
设计人形整机硬件（机械 + 电气 + 通信）	整机硬件（Humanoid Hardware）
学安全控制（CLF/CBF）	安全控制（Safe Control）
让研发闭环自己变强（递归自我改进）	递归自我改进（RSI）
做接触丰富的操作任务	接触操作（Contact Manipulation）
让机器人自主从 A 到 B	导航（Navigation）
给策略挑网络结构（骨干 / 动作头 / 多模态基座）	模型架构（Model Architecture）
学模仿学习与技能迁移	模仿学习（Imitation Learning）
用强化学习做运动控制	强化学习运动控制（RL Locomotion）
让机器人边走边动手	移动操作（Loco-Manipulation）
让机器人追球射门打比赛	人形足球（Humanoid Soccer）
把人体/动物动作变成人形或四足参考轨迹	动作重定向（Motion Retargeting）
让一群人形同台跳舞变队形炫技	人形群控展演（Swarm Performance）
让仿真训好的策略稳上真机	仿真到真机迁移（Sim2Real）
让两台人形在擂台上对打	人形拳击（Humanoid Boxing）
让机器人读完一条示范就会新任务	具身上下文学习（ICL）
做人形全身行为基础模型	人形行为基础模型（BFM）
证明/证伪一个具身模型（含运控模型）到底好不好	具身测评（Embodied Evaluation）
让机器人看地形越障	感知越障（Perceptive Locomotion）
用生成模型造人形动作	动作生成（Motion Generation）
理解从扩散去噪到流匹配的机器人动作策略	扩散与流匹配策略（Diffusion & Flow Matching）
让机器人听懂指令干活	视觉-语言-动作模型（VLA）
把真实世界变成可训练/可评测的仿真资产	真实到仿真（Real2Sim）
为具身模型建一条可交付的数据供给管线	具身数据（Embodied Data）
让策略预知动作如何改变世界	世界-动作模型（WAM）
浏览所有知识页	完整页面目录
搜索特定概念	站点搜索

二十七条纵深路线按各方向起点里程碑的历史顺序排列（与首页按钮一致）：遥操作（Goertz 主从机械手，1954）→ 力矩电机设计（磁场定向控制 FOC，1971）→ 传统控制（ZMP 判据，1972）→ 整机硬件设计（WABOT-1 全尺寸人形整机，1973）→ 安全控制（CLF，1983）→ 递归自我改进（EURISKO 自改启发式，1983）→ 接触操作（阻抗控制，1985）→ 导航（概率 SLAM，1986）→ 模型架构（反向传播，1986）→ 模仿学习（行为克隆，1988）→ 强化学习（Q-learning，1989）→ 移动操作（移动操作臂协调控制，1994）→ 人形足球（首届 RoboCup，1997）→ 动作重定向（Gleicher 动作重定向，1998）→ 人形群控展演（央视春晚 540 台 Alpha 1S 群舞，2016）→ 仿真到真机（域随机化 DR，2017）→ 人形拳击（MuJoCo 人形对抗自博弈，2017）→ 上下文学习（One-Shot Imitation Learning，NeurIPS 2017）→ 行为基础模型（DeepMimic 动作跟踪谱系，2018）→ 具身模型测评（RLBench 标准化视觉操作评测套件，2019）→ 感知越障（2020s 感知策略浪潮）→ 动作生成（MDM 扩散动作生成，2022）→ 扩散与流匹配策略（Diffusion Policy，2023）→ 视觉–语言–动作（RT-2 确立 VLA，2023）→ 真实到仿真（3D Gaussian Splatting 规模化重建，2023）→ 具身数据（Open X-Embodiment 跨具身数据聚合，2023）→ 世界–动作模型（World Action Models 综述形式化，2026）。越靠前的方向理论积淀越深，越靠后的方向越依赖学习方法与算力。

---

许可证

本项目采用 MIT License。

想参与维护或补充页面？见 CONTRIBUTING.md。

---

⭐ 星标趋势

点击图表打开 Plotly 交互版（可缩放、悬停查看数值；另可切换每日星数、节点数趋势、每日节点数、纵深数趋势）。GitHub README 不执行 JavaScript，因此这里展示静态预览图。