机器人

这条路线以机械臂抓取与放置为主线，覆盖运动学、动力学、接触、视觉、规划和系统执行。与移动机器人相同的坐标、控制及ROS内容直接复用，不另写一套相似定义。 ...

这个项目把数据、训练、策略执行和评估放进同一个可检查的小任务，先确认学习循环的含义。它使用有限状态的一维积分器，省略惯性、视觉、关节和接触，因此是具身学习前的算法实验，不能代表完整机器人或视觉动作策略。 ...

模仿学习使用演示中的行为信息学习策略。行为克隆（BC）直接把观测映射到动作：输入可以是状态、关节位置、图像或一段历史；输出可以是离散动作、速度、关节目标或动作序列。输入输出的物理含义必须在数据集和控制接口之间一致。 ...

强化学习通过与环境交互，用任务回报改进策略。首先应定义时间步、状态或观测、动作空间、转移、奖励与终止。机器人系统的动作可能是力矩，也可能是发送给底层控制器的位置目标；选择不同接口，学习面对的动态和频率也会变化。 ...

规划器找到路径之后，系统仍要决定何时执行、何时等待观测、何时取消，以及失败后能否重试。任务层负责把这些条件写清楚，让“成功”对应可观察的结果，而不只是某个函数正常返回。 ...

视觉动作策略把图像或多模态历史映射为机器人动作。它可以绕过显式的物体位姿估计，但仍依赖相机、动作坐标、底层控制器和闭环时序。一个模型能输出向量，不代表这个向量可以直接由任意机器人执行。 ...

项目任务是在有障碍的室内地图中，从起点到达目标；已知障碍变化时重新规划，并说明每一层使用的数据。先做可检查的小模型，再接入完整系统，能把规划、跟踪、定位和通信错误分开。 ...

这条路线以室内轮式移动机器人为对象。先学坐标与运动，再处理观测误差和地图，最后连接规划、控制及任务。数学和程序基础共用专区的基础文章；已经能独立完成对应练习，可以从第二阶段开始，不必重复阅读。 ...

规划的输入至少包括起终状态、机器人模型、环境表示和约束。规划器输出的是在这些假设下可行的路径或轨迹。执行时环境可能变化，定位可能有误差，控制也可能偏离，因此需要持续检查与重规划。 ...

正运动学从关节状态计算末端位姿；逆运动学从目标位姿寻找关节状态。逆解可能有多个、没有，也可能形成连续的一族。得到一个逆解之后，还要检查关节限位、自碰撞、环境碰撞与邻近轨迹的连续性。 ...