具身智能与机器人AI¶
2026-2030年AI最大增量方向 适合目标：机器人AI算法工程师、具身智能研究员、VLA模型开发
📚 学习路线¶
📖 章节目录¶
| 序号 | 章节 | 核心内容 | 学时 |
|---|---|---|---|
| 01 | 具身智能概述与VLA | 定义、产业地图、技术栈全景、VLA发展脉络 | 2h |
| 02 | 机器人感知与传感器 | YOLO/SAM检测分割、深度感知、点云处理、触觉、卡尔曼滤波、开放词汇感知 | 4h |
| 03 | 运动控制与规划 | FK/IK运动学、RRT/RRT*路径规划、PPO/SAC强化学习控制、层级式任务规划、阻抗控制 | 5h |
| 04 | VLA大模型深度解析 | RT-2/OpenVLA/π0/GR-2架构详解、动作标记化、扩散策略、流匹配、数据收集与微调 | 5h |
| 05 | 仿真平台与Sim2Real | MuJoCo/Isaac Lab实战、Domain Randomization、Teacher-Student框架、URDF | 4h |
| 06 | 前沿技术与面试准备 | 2025-2026趋势、30道面试题精讲、项目建议、论文清单、学习路线 | 3h |
总学时：约23小时
🎯 学习目标¶
- 理解具身智能全技术栈（感知→规划→控制→学习）
- 掌握VLA(视觉-语言-动作)模型原理、架构与微调方法
- 能用MuJoCo/Isaac Lab搭建仿真环境并训练RL策略
- 掌握Sim2Real迁移核心技术（DR、Teacher-Student）
- 具备30+面试题的回答能力，拥有可展示的项目经历
📎 相关教程¶
- 强化学习 — RL在机器人控制中的应用（PPO/SAC详解）
- 计算机视觉 — 机器人视觉感知基础（检测、分割、位姿估计）
- 深度学习 — Transformer、扩散模型等基础
- LLM学习 — 多模态大模型（VLA的backbone基础）
- 模型优化 — 模型量化加速（VLA推理优化）
最后更新日期：2026-02-12 适用版本：具身智能与机器人AI教程 v2026