机器人技术栈知识库 / Robotics research and engineering wiki.
↑ 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。
想系统学人形机器人运动控制 / 强化学习 / 模仿学习，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 运动控制主路线；已有明确方向时，按目标选一条 纵深路线。
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。
| 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） | 遥操作纵深路线 |
| 设计力矩控制关节电机 | 力矩电机设计纵深路线 |
| 学传统模型控制（MPC/WBC） | 传统控制纵深路线 |
| 设计人形整机硬件（机械 + 电气 + 通信） | 整机硬件设计纵深路线 |
| 学安全控制（CLF/CBF） | 安全控制纵深路线 |
| 让研发闭环自己变强（递归自我改进） | RSI 纵深路线 |
| 做接触丰富的操作任务 | 接触操作纵深路线 |
| 让机器人自主从 A 到 B | 导航纵深路线 |
| 给策略挑网络结构（骨干 / 动作头 / 多模态基座） | 模型架构纵深路线 |
| 学模仿学习与技能迁移 | 模仿学习纵深路线 |
| 用强化学习做运动控制 | RL 纵深路线 |
| 让机器人边走边动手 | Loco-Manipulation 纵深路线 |
| 让机器人追球射门打比赛 | 人形足球纵深路线 |
| 把人体/动物动作变成人形或四足参考轨迹 | 动作重定向纵深路线 |
| 让一群人形同台跳舞变队形炫技 | 人形群控展演纵深路线 |
| 让仿真训好的策略稳上真机 | Sim2Real 纵深路线 |
| 让两台人形在擂台上对打 | 人形拳击纵深路线 |
| 让机器人读完一条示范就会新任务 | ICL 纵深路线 |
| 做人形全身行为基础模型 | BFM 纵深路线 |
| 证明/证伪一个具身模型（含运控模型）到底好不好 | 具身模型测评纵深路线 |
| 让机器人看地形越障 | 感知越障纵深路线 |
| 用生成模型造人形动作 | 动作生成纵深路线 |
| 让机器人听懂指令干活 | VLA 纵深路线 |
| 把真实世界变成可训练/可评测的仿真资产 | Real2Sim 纵深路线 |
| 为具身模型建一条可交付的数据供给管线 | 具身数据纵深路线 |
| 让策略预知动作如何改变世界 | WAM 纵深路线 |
| 浏览所有知识页 | 完整页面目录 |
| 搜索特定概念 | 站点搜索 |
二十六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）→ RSI（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）→ Sim2Real（域随机化 DR，2017）→ 人形拳击（MuJoCo 人形对抗自博弈，2017）→ ICL（One-Shot Imitation Learning，NeurIPS 2017）→ BFM（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）→ VLA（RT-2 确立 VLA，2023）→ Real2Sim（3D Gaussian Splatting 规模化重建，2023）→ 具身数据（Open X-Embodiment 跨具身数据聚合，2023）→ WAM（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。
本项目采用 MIT License。
想参与维护或补充页面？见 CONTRIBUTING.md。
