机器人具身学习路线

这条路线把具身学习落到“观察环境、输出动作、接收后果、评价任务”的闭环上。经典机器人知识用于理解状态、动作和控制接口，学习方法用于从数据或奖励获得策略。模型名称只是其中一部分。

先跑通小任务

完成数学与机器学习基础后，检查机器人坐标和动力学。即使策略直接使用图像，动作依然有坐标、单位、限幅与执行周期。视觉只能观察部分环境，数据历史与标定也会影响策略。

先读BC与策略梯度，再运行学习对照项目。它用有限一维控制任务完成合成演示、训练、验证和独立闭环测试；三组种子均有实际执行记录。项目省略视觉、惯性和接触，适合检查训练循环，不能用于推断真实机器人的能力。

NumPy实现把梯度写出来，便于与有限差分比较；PyTorch对照展示自动求导。后者仅做语法检查，未执行训练。读者应在自己的环境运行并记录版本，静态检查不能作为训练成功的证据。

在视觉动作策略中，对比条件动作分布、动作块、语言条件和不同动作表示。先执行动作时序与反归一化小实验，再按公开方法的官方环境选择一个checkpoint做限定复现：固定任务、数据、输入输出约定和计算预算。

首版没有运行Diffusion Policy、ACT或VLA权重，也不要求从头预训练。进入模型复现时，应分别记录离线动作预测、推理延迟、闭环成功与失败。低损失不能替代闭环结果，单个成功视频不能替代独立测试。

提交一份实验记录，至少包括代码与数据版本、环境、训练预算、种子、划分方法、动作单位、奖励、成功/终止判据、评估结果和失败分析。比较BC与RL时，注明专家标签和交互数据的来源与成本，避免只按最终分数排名。

受控扩展可以增加惯性、部分观测、动作延迟或训练/测试分布差异，每次只改变需要研究的条件。若要接入真实机器人或完整操纵仿真，应补齐机械臂路线的规划、接触、任务和接口验证；底层系统实现可继续使用C++／ROS 2。