[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-73999":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":10,"languages":10,"totalLinesOfCode":10,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":14,"subscribersCount":14,"size":14,"stars1d":15,"stars7d":16,"stars30d":17,"stars90d":14,"forks30d":14,"starsTrendScore":18,"compositeScore":19,"rankGlobal":10,"rankLanguage":10,"license":20,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":23,"hasPages":21,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":32,"readmeContent":33,"aiSummary":34,"trendingCount":14,"starSnapshotCount":14,"syncStatus":35,"lastSyncTime":36,"discoverSource":37},73999,"Embodied-AI-Guide","TianxingChen\u002FEmbodied-AI-Guide","TianxingChen","[Lumina具身智能社区] 具身智能技术指南 Embodied-AI-Guide","https:\u002F\u002Fgithub.com\u002FTianxingChen\u002FEmbodied-AI-Guide",null,14199,907,101,0,67,210,629,201,43.87,"Other",false,"main",true,[25,26,27,28,29,30,31],"embodied","embodied-ai","guide","robot","robotic","robotics","tutorial","2026-06-12 02:03:20","![](.\u002Ffiles\u002FEmbodied-AI-Guide-logo.png)\n\n\u003Ch1 align=\"center\">具身智能技术指南 Embodied-AI-Guide\u003C\u002Fh1>\n\n> 📚 国内最热门的具身智能技术指南，一个偏「百科全书」定位的具身智能中文知识库与资料索引。欢迎 **Star \u002F 分享 \u002F 提 PR**，欢迎邮件联系 \u003Ca href=\"mailto:lumina.embodiedai@gmail.com\">lumina.embodiedai@gmail.com\u003C\u002Fa> 或 [项目发起人](https:\u002F\u002Ftianxingchen.github.io\u002F) 微信 \u003Ccode>TianxingChen_2002\u003C\u002Fcode>（请备注机构+姓名与来意）。  \n\n### 📢 News｜项目进展\n\n📷 *2026-01-15: Embodied-AI-Guide重组织完成*\u003Cbr>\n⭐️ *2025-12-18: GitHub Stars 突破 10,000*\u003Cbr>\n❤️ *2025-03-15: Embodied-AI-Guide正式开源*\n\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FTianxingChen\u002FEmbodied-AI-Guide?style=flat-square\" alt=\"GitHub repo stars\" height=\"20\"\u002F> \u003Cimg src=\"https:\u002F\u002Fapi.visitorbadge.io\u002Fapi\u002Fvisitors?path=https%3A%2F%2Fgithub.com%2FTianxingChen%2FEmbodied-AI-Guide&label=Total%20Visitors&labelColor=%232ccce4&countColor=%23d9e3f0\" alt=\"Visitors\" height=\"20\"\u002F>\n\n### 🧑‍💻 Related Open-source Projects｜相关开源项目\n\n⭐️ Lumina Call (具身智能照片): [Website](https:\u002F\u002Flumina-embodied.ai\u002Flumina-call)\u003Cbr>\n⭐️ Datawhale Easy-Embodied: [Repo](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fevery-embodied)\n\n## 🦉 Lumina具身智能社区: [点击访问](https:\u002F\u002Flumina-embodied.ai)\n\n**扫描右下图加入`Lumina具身智能`社区**:\n\n\u003Cimg src=\".\u002Ffiles\u002Fimages\u002FLumina.png\" alt=\"Task Descriptions\">\n\n## 🐣 (1) Start From Here - 从这里开始\n\n> 具身智能是指一种基于物理实体进行感知和行动的智能系统, 其通过智能体与环境的交互获取信息、理解问题、做出决策并实现行动, 从而产生智能行为和适应性。\n\n### (1.1) How - 如何使用这份指南\n\n我们希望的是帮助新人快速建立领域认知, 所以设计理念是：**简要**以一个实践项目带大家动手学习具身智能，同时以**百科全书形式**介绍目前具身智能涉及到的主要技术, 让大家知道不同的技术能够解决什么问题, 未来想要深入发展的时候能够有头绪。\n\n### (1.2) About us - 关于我们\n我们是一个由具身初学者组成的团队, 希望能够通过我们自己的学习经验, 为后来者提供一些帮助, 加快具身智能的普及。欢迎更多朋友加入我们的项目, 也很欢迎交友、学术合作, 有任何问题, 可以联系邮箱`chentianxing2002@gmail.com`。\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTianxingChen\u002FEmbodied-AI-Guide\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Fcontrib.rocks\u002Fimage?repo=TianxingChen\u002FEmbodied-AI-Guide\" \u002F>\n\u003C\u002Fa>\n\n\u003Csection id=\"robotwin\">\u003C\u002Fsection>\n\n## ⚒️ (2) 动手学习具身智能操作\n\n> **建议一周内完成学习**，使用**RoboTwin 2.0**平台走通一个操作策略“生命周期”的全流程\u003Cbr>\n> **完成此教程需要至少16GB显存的显卡**\n\n### (2.1) 为什么这样选择这个教程\n\n具身智能操作是一个很复杂的问题：**数据从哪来**、**策略怎么设计（架构与训练细节）**、**怎么评测模型性能（平台与任务设计）**。\n\n**数据从哪来**：具身智能的数据有很多种源头，比如真机数据采集、人类视频数据、仿真合成数据、世界模型合成数据等等，其中各有各的问题，比如真机数据采集成本高、人类视频数据信息含量低、仿真合成数据Sim2Real Gap与Scaleup难题、世界模型合成数据存在幻觉等。\n\n**策略怎么设计**：不同的网络架构选择影响模型的表现、收敛效果、推理速度等。\n\n**怎么评测模型性能**：评测是非常重要的，否则我们不知道科学评价模型效果如何，也没办法推动技术发展。\n\n面对以上问题，\u003Ca href=\"https:\u002F\u002Frobotwin-platform.github.io\u002F\">RoboTwin 2.0平台\u003C\u002Fa>为广大科研学者提供了非常好的学习平台，RoboTwin 2.0基于易配置的\u003Ca href=\"https:\u002F\u002Fsapien.ucsd.edu\u002F\">SAPIEN\u003C\u002Fa>仿真平台开发，提供了50个双臂自动化数据合成、主流操作策略训测集成、评测系统，能够辅助大家快速走起来具身智能操作策略的生命周期。过程中也可以多看看数据与评测视频，了解数据分布与策略表现。\n\n### (2.2) 学习流程\n\nRoboTwin 2.0：[代码](https:\u002F\u002Fgithub.com\u002Frobotwin-Platform\u002Frobotwin) ｜ [主页](https:\u002F\u002Frobotwin-platform.github.io\u002F) ｜ [文档](https:\u002F\u002Frobotwin-platform.github.io\u002Fdoc\u002F) ｜ [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.18088)\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>展开学习流程\u003C\u002Fb>\u003C\u002Fsummary>\n\n#### (2.2.1) 了解RoboTwin 2.0做了什么 (～1天)\n\n阅读RoboTwin 2.0论文[paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2506.18088)，了解仿真数据合成的方案，深入理解对于合成一条机器人数据需要什么信息，机器人有什么可以做的任务，了解[Aloha](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vU421d7BJ\u002F?spm_id_from=333.337.search-card.all.click&vd_source=ab9cf5374617c2867aaea34af29b53c9)硬件。\n\n#### (2.2.2) 配置RoboTwin 2.0平台，数据采集 (~0.5天)\n\n环境安装教学: [Tutorial](https:\u002F\u002Frobotwin-platform.github.io\u002Fdoc\u002Fusage\u002Frobotwin-install.html)，根据以下数据采集脚本采集`beat_block_hammer`任务50条:\n\n```\nbash collect_data.sh ${task_name} ${task_config} ${gpu_id}\n## Clean Data Example: bash collect_data.sh beat_block_hammer demo_clean 0\n## Radomized Data Example: bash collect_data.sh beat_block_hammer demo_randomized 0\n```\n\n#### (2.2.4) 策略训练（～1天）\n\n选择ACT策略进行复现 [Tutorial](https:\u002F\u002Frobotwin-platform.github.io\u002Fdoc\u002Fusage\u002FACT.html)，ACT是非常经典的操作策略算法，训练此策略大约需要12GB显存，\n\n#### (2.2.5) 测试策略（～1天）\n\n在`demo_clean`下评测ACT成功率大约是56%（详见[Leaderboard](https:\u002F\u002Frobotwin-platform.github.io\u002Fleaderboard)）。\n\n\u003C\u002Fdetails>\n\n\u003Csection id=\"info\">\u003C\u002Fsection>\n\n## 📄 (3) Useful Info - 有利于搭建认知的资料\n\n这一章主要用于**快速建立对具身智能领域的整体认知**，适合在系统学习算法、工程或硬件之前，用来了解技术版图、社区生态与研究脉络。\n\n---\n\n**方向性与方法论资料**  \n- 具身智能基础技术路线（Yunlong Dong）：[PDF](.\u002Ffiles\u002F具身智能基础技术路线-YunlongDong.pdf) ｜ [bilibili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1d5ukedEsi)  \n- 斯坦福机器人学导论：[website](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV17T421k78T)  \n- Cyber Nachos（偏系统与工程思维）：[website](https:\u002F\u002Fcybernachos.github.io\u002F)  \n\n**社区 \u002F 社交媒体（长期跟进价值高）**  \n- 公众号：**石麻日记（强烈推荐）**、Lumina具身智能、机器之心、新智元、量子位、具身智能研究室、具身纪元、Human Five、Xbot具身知识库、具身智能之心、自动驾驶之心、3D视觉工坊、将门创投、RLCN强化学习研究、CVHub  \n- 博主（小红书）：WhynotTV、穆尧_YaoMarkMu、许华哲Harry、周博宇、高飞、李弘扬、朱政、丁琰、YY硕、Mango-Man、RHOSLab #PI-李永露、正合时宜、心言任永亮、York Yang-Dyna Robotics、哲伦班长\n\n**实验室与学术生态参考**  \n- Robotics 实验室总结：[zhihu link1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F682671294?utm_psn=1782122763157188608) ｜ [zhihu link2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F682692024?utm_psn=1782122945184796672)  \n- 具身智能华人高引榜：[repo](https:\u002F\u002Fgithub.com\u002FWill-Gao\u002FEmbodied_Intelligence)  \n- Lumina 具身智能社区：[website](https:\u002F\u002Flumina-embodied.ai)  \n\n**高质量会议与期刊（论文检索时重点关注）**  \nScience Robotics, TRO, IJRR, JFR, RSS, RAL, IROS, ICRA, ICCV, ECCV, ICML, CVPR, NeurIPS, CoRL, ICLR, AAAI, ACL\n\n**长期跟进研究进展与选题调研**\n \n- Awesome Humanoid Robot Learning（Yanjie Ze）：[repo](https:\u002F\u002Fgithub.com\u002FYanjieZe\u002Fawesome-humanoid-robot-learning)  \n- Paper Reading List（DeepTimber Community）：[repo](https:\u002F\u002Fgithub.com\u002FDeepTimber-Robot-Lab\u002FPaper-Reading-List)  \n- Paper List（Yanjie Ze）：[repo](https:\u002F\u002Fgithub.com\u002FYanjieZe\u002FPaper-List)  \n- RoboScholar \u002F Embodied AI Paper List（Tianxing Chen）：[repo](https:\u002F\u002Fgithub.com\u002FTianxingChen\u002FPaper-List-For-EmbodiedAI)  \n- SOTA Paper Rating（Weiyang Jin）：[website](https:\u002F\u002Fwaynejin0918.github.io\u002FSOTA-paper-rating.io\u002F)  \n- Awesome LLM Robotics：[repo](https:\u002F\u002Fgithub.com\u002FGT-RIPL\u002FAwesome-LLM-Robotics)  \n- Awesome Video Robotic Papers：[repo](https:\u002F\u002Fgithub.com\u002FH-Freax\u002FAwesome-Video-Robotic-Papers)  \n- Awesome Embodied Robotics and Agent：[repo](https:\u002F\u002Fgithub.com\u002Fzchoi\u002FAwesome-Embodied-Robotics-and-Agent)  \n- awesome-embodied-vla \u002F va \u002F vln：[repo](https:\u002F\u002Fgithub.com\u002Fjonyzhang2023\u002Fawesome-embodied-vla-va-vln)  \n- Awesome Affordance Learning：[repo](https:\u002F\u002Fgithub.com\u002Fhq-King\u002FAwesome-Affordance-Learning)  \n- Embodied AI Paper TopConf：[repo](https:\u002F\u002Fgithub.com\u002FSongwxuan\u002FEmbodied-AI-Paper-TopConf)  \n- Awesome **RL-VLA** for Robotic Manipulation (Haoyuan Deng)：[repo](https:\u002F\u002Fgithub.com\u002FDenghaoyuan123\u002FAwesome-RL-VLA) \n- Awesome **Efficient-VLA** for Robotic Manipulation (Weifan Guan)：[repo](https:\u002F\u002Fgithub.com\u002Fguanweifan\u002Fawesome-efficient-vla) \n\n**年度趋势总结**  \n- State of Robot Learning (Dec 2025)：[website](https:\u002F\u002Fvedder.io\u002Fmisc\u002Fstate_of_robot_learning_dec_2025.html)\n\n- 许华哲 - 具身智能：2025回望，[website](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F1983661736180589668)\n\n- 林天威 - 具身VLA的2025：从 Demo 到通用的距离，[website](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F1989799567177307432)\n\n## 🍎 (4) Algorithm - 算法篇\n\n这一篇把具身智能中最常用的“算法能力栈”从下往上串了起来：底层是工程工具与几何\u002F标定\u002F控制这类决定系统能否稳定运行的基础；中层是视觉与多模态表征（2D\u002F3D\u002F4D、prompting、affordance），它们把复杂世界压缩成可泛化、可对齐、可被策略利用的中间表示；上层则是学习与决策（RL\u002FIL、VLA、LLM+Planner、快慢系统），把感知与任务目标转成可执行动作，并逐步走向更长程、更通用、更可部署的系统形态。\n\n- [Common Tools —— 常用工程工具](.\u002Ftopics\u002Falgorithm.md#common-tools)\n- [Vision Foundation Models —— 视觉基础模型](.\u002Ftopics\u002Falgorithm.md#foundation-models)\n- [Robot Learning —— 机器人学习](.\u002Ftopics\u002Falgorithm.md#robot-learning)\n- [LLM for Robotics —— LLM+机器人](.\u002Ftopics\u002Falgorithm.md#llm_robot)\n- [VLA —— Vision-Language-Action Models](.\u002Ftopics\u002Falgorithm.md#vla)\n  - [5.0 参考与综述](.\u002Ftopics\u002Falgorithm.md#vla) \n  - [5.1 经典工作](.\u002Ftopics\u002Falgorithm.md#vla)\n  - [5.2 分层双系统 VLA](.\u002Ftopics\u002Falgorithm.md#vla)\n  - [5.3 最新 VLA 工作](.\u002Ftopics\u002Falgorithm.md#vla)\n- [Computer Vision —— 计算机视觉](.\u002Ftopics\u002Falgorithm.md#cv)\n  - [6.1 2D\u002F3D\u002F4D Vision](.\u002Ftopics\u002Falgorithm.md#cv)\n  - [6.2 Visual Prompting & Affordance](.\u002Ftopics\u002Falgorithm.md#cv)\n- [Computer Graphics —— 计算机图形学](.\u002Ftopics\u002Falgorithm.md#cg)\n- [Multimodal Models —— 多模态模型](.\u002Ftopics\u002Falgorithm.md#mm)\n- [Robot Navigation —— 机器人导航](.\u002Ftopics\u002Falgorithm.md#navigation)\n- [Embodied AI for X —— 具身智能+X](.\u002Ftopics\u002Falgorithm.md#embodied-ai-4-x)\n  - [10.1 Healthcare](.\u002Ftopics\u002Falgorithm.md#medical)\n  - [10.2 UAV](.\u002Ftopics\u002Falgorithm.md#uav)\n  - [10.3 Autonomous Driving](.\u002Ftopics\u002Falgorithm.md#ad)\n\n\n## 🏋️‍♂️ (5) Infrastruture - 软件基础设施篇\n\n这一章关注的不是“具体某个模型”，而是**支撑具身智能研究与系统落地的软件基础设施（Infrastructure）**。仿真器决定你能构建怎样的世界，基准集决定你如何比较方法优劣，数据集决定模型最终学到什么样的行为分布。它们共同构成了具身智能中**最容易被忽视、但最影响上限与复现性的部分**。\n\n- [(1) Simulators - 仿真器](.\u002Ftopics\u002Finfrastructure.md#simulators)\n- [(2) Benchmarks - 基准集](.\u002Ftopics\u002Finfrastructure.md#benchmarks)\n- [(3) Datasets - 数据集](.\u002Ftopics\u002Finfrastructure.md#datasets)\n\n## 🎮 (6) Control - 控制篇\n\n这一章并不是为了让你“立刻跑一个模型”，而是为具身智能系统提供**稳定性、可解释性与工程底座**。控制论保证系统在高频下不崩溃，机器人学提供几何与动力学约束，SLAM 与状态估计让机器人“知道自己在哪里”，ROS 与工程库则把理论变成可复现的系统。\n\n- [(1) Control and Robotics —— 控制论与机器人学基础](.\u002Ftopics\u002Fcontrol.md#control-robotics)\n  - [(1.1) 经典课程](.\u002Ftopics\u002Fcontrol.md#control-courses)\n- [(2) 控制理论基础（Control Foundations）](.\u002Ftopics\u002Fcontrol.md#control-foundations)\n  - [(2.1) 经典控制（Classical Control）](.\u002Ftopics\u002Fcontrol.md#classical-control)\n  - [(2.2) 现代控制（最优控制）](.\u002Ftopics\u002Fcontrol.md#modern-control)\n  - [(2.3) 先进控制（Advanced Control）](.\u002Ftopics\u002Fcontrol.md#advanced-control)\n- [(3) 机器人学导论（Robotics Foundations）](.\u002Ftopics\u002Fcontrol.md#robotics-foundations)\n  - [(3.1) 推荐教材与材料](.\u002Ftopics\u002Fcontrol.md#robotics-books)\n  - [(3.2) 运动学与动力学](.\u002Ftopics\u002Fcontrol.md#kinematics-dynamics)\n  - [(3.3) 里程计与 SLAM](.\u002Ftopics\u002Fcontrol.md#slam)\n  - [(3.4) 工程生态与工具](.\u002Ftopics\u002Fcontrol.md#engineering-stack)\n\n## 🦾 (7) Hardware - 硬件篇\n\n具身智能硬件涵盖多个技术栈：嵌入式软硬件、机械设计、机器人系统集成与传感器等。它们知识面很杂，但共同目标只有一个：把“算法”变成真实世界里稳定可复现的系统。关于硬件学习，最有效的方式几乎永远是 **从实践出发**：先做出一个能跑起来的最小系统，再逐步扩展复杂度与可靠性。\n\n- [(1) Embedded —— 嵌入式](.\u002Ftopics\u002Fhardware.md#embedded)\n- [(2) Mechanical Design —— 机械设计](.\u002Ftopics\u002Fhardware.md#mechanical)\n- [(3) Robot System Design —— 机器人系统设计](.\u002Ftopics\u002Fhardware.md#robosystem)\n- [(4) Sensors —— 传感器](.\u002Ftopics\u002Fhardware.md#sensors)\n  - [(4.1) 深度相机（Depth Camera）](.\u002Ftopics\u002Fhardware.md#sensors)\n- [(5) Tactile Sensing —— 触觉感知](.\u002Ftopics\u002Fhardware.md#tactile)\n  - [(5.1) 视触觉传感器](.\u002Ftopics\u002Fhardware.md#tactile)\n  - [(5.2) 电子皮肤](.\u002Ftopics\u002Fhardware.md#tactile)\n  - [(5.3) 触觉应用与算法](.\u002Ftopics\u002Fhardware.md#tactile)\n  - [(5.4) 传感器购买](.\u002Ftopics\u002Fhardware.md#tactile)\n- [(6) Data Collection —— 数据采集硬件](.\u002Ftopics\u002Fhardware.md#data_collection)\n- [(7) Companies —— 公司与硬件生态](.\u002Ftopics\u002Fhardware.md#companies)\n\n\n\u003Csection id=\"acknowledgement\">\u003C\u002Fsection>\n\n## 👍 Citation - 引用\nIf you find this repository helpful, please consider citing:\n\n```\n@misc{embodiedaiguide2025,\n  title = {Embodied-AI-Guide},\n  author = {Embodied-AI-Guide-Contributors, Lumina-Embodied-AI-Community, Tianxing Chen},\n  month = {January},\n  year = {2025},\n  url = {https:\u002F\u002Fgithub.com\u002Ftianxingchen\u002FEmbodied-AI-Guide},\n}\n```\n\n\u003Csection id=\"license\">\u003C\u002Fsection>\n\n## 🏷️ License - 许可协议\n\n本项目为 **非商业使用（Non-Commercial Use）** 协议：\n\n- 允许：个人学习、学术研究、非盈利使用；\n- 禁止：任何形式的商业使用，包括但不限于公司\u002F企业内部使用、\n  集成到收费产品或服务中、或用于任何营利目的。\n\n详情请查看仓库中的 [LICENSE](.\u002FLICENSE) 文件。\n\n如需商业授权（例如在公司产品或商业项目中使用），请联系项目负责人：\u003Ca href=\"mailto:chentianxing2002@gmail.com\">chentianxing2002@gmail.com\u003C\u002Fa>。\n\n\u003Csection id=\"star-history\">\u003C\u002Fsection>\n\n## ⭐️ Star History - Star历史\n\n[![Star History Chart](https:\u002F\u002Fapi.star-history.com\u002Fsvg?repos=TianxingChen\u002FEmbodied-AI-Guide&type=Date)](https:\u002F\u002Fstar-history.com\u002F#TianxingChen\u002FEmbodied-AI-Guide&Date)\n\n## 🤝 Sponsors - 支持机构\n\n感谢 **无界智航、超维动力、香港大学MMLab、地瓜机器人、松灵机器人** 对本项目的支持\n\n![](.\u002Ffiles\u002Fimages\u002Fsponsor.png)\n","具身智能技术指南Embodied-AI-Guide是一个面向中文读者的全面知识库，旨在为初学者提供具身智能领域的入门指导和技术概览。该项目通过百科全书式的内容编排，涵盖了从基础概念到高级应用的广泛主题，包括数据来源分析、策略设计考量以及模型性能评估方法等关键环节，并特别推荐了RoboTwin 2.0平台作为实践学习工具，帮助用户快速掌握构建和测试操作策略所需的技能。适合对机器人学、人工智能尤其是具身智能感兴趣的开发者、研究人员及学生使用，无论是自学还是教学都非常适用。",2,"2026-06-11 03:48:18","high_star"]