文集文档索引

• 8.2.2 人机协作中的信任与对齐
• 8.2.3 具身智能的伦理规范与隐私保护
• 8.3 协同具身智能 (Multi-Agent Embodied AI)
• 8.3.1 群体智能与协同规划
• 8.3.2 异构机器人团队协作
• 8.4 未来趋势
• 8.4.1 神经形态计算与类脑硬件的应用
• 8.4.2 具身智能与生物技术的融合（生物混合机器人）
• 7.2.2 现实世界评估标准
• 7.2.3 鲁棒性、泛化性与安全性评估指标
• 第八章：高级课题、挑战与未来演进
• 8.1 长期自主性与在线学习
• 8.1.1 终身学习 (Lifelong Learning)
• 8.1.2 开放世界下的新概念发现
• 8.2 安全性与伦理
• 8.2.1 物理安全控制 (Safety Constraints)
• 6.3.3 通信延迟优化与分布式处理
• 第七章：数据生态与基础设施
• 7.1 数据采集技术
• 7.1.1 遥操作 (Teleoperation)：VR设备、外骨骼同步
• 7.1.2 自动数据标注与生成
• 7.1.3 众包数据采集平台
• 7.2 评估体系与基准测试 (Benchmarks)
• 7.2.1 仿真基准 (如 BEHAVIOR, ManiSkill)
• 6.2.1 高功率密度电机与减速器
• 6.2.2 柔性执行器 (SEA) 与 人造肌肉
• 6.2.3 边缘计算单元：GPU/NPU 高性能计算车载化
• 6.3 软件架构与中间件
• 6.3.1 ROS 2 (Robot Operating System) 生态
• 6.3.2 实时操作系统 (RTOS) 要求
• 5.3.2 域随机化 (Domain Randomization)
• 5.3.3 域自适应 (Domain Adaptation) 与 残差学习
• 第六章：硬件载体与系统架构 (The "Body")
• 6.1 机器人形态学
• 6.1.1 人形机器人 (Humanoid Robots)：平衡、步态与类人交互
• 6.1.2 四足机器人 (Quadruped Robots)：复杂地形适应性
• 6.1.3 移动协作机器人 (Mobile Manipulators)
• 6.2 关键硬件组件
• 5.3 仿真与现实迁移 (Sim-to-Real)
• 5.3.1 物理仿真引擎 (Isaac Gym, MuJoCo, Sapien)
• 5.2 模仿学习 (Imitation Learning)
• 5.2.1 行为克隆 (Behavior Cloning)
• 5.2.2 交互式模仿学习 (Dagger 等)
• 5.2.3 从视频中学习 (Learning from Videos)
• 5.1.1 离线强化学习 (Offline RL)：利用历史轨迹
• 5.1.2 多任务强化学习与元学习 (Meta-Learning)
• 5.1.3 奖励函数工程 (Reward Engineering) 与 逆强化学习 (Inv...
• 4.2.2 变分自编码器 (VAE) 与 扩散模型 (Diffusion Models) 在...
• 4.2.3 运动原语 (Movement Primitives)
• 4.3 灵巧操作 (Dexterous Manipulation)
• 4.3.1 多指抓取规划
• 4.3.2 非抓取类操作 (推、滑、转)
• 4.3.3 柔性物体操作 (Deformable Object Manipulation)
• 第五章：学习范式与数据驱动 (The "Learning")
• 5.1 强化学习 (Reinforcement Learning, RL)
• 第四章：运动控制与执行 (The "Muscles")
• 4.1 经典控制理论基础
• 4.1.1 运动学 (Kinematics) 与 动力学 (Dynamics) 建模
• 4.1.2 模型预测控制 (MPC)
• 4.1.3 全身控制 (Whole-Body Control, WBC)