友情链接:
合作联系
|
ASPEN培训课程
目标学员：AI/机器人领域工程师、研究员、技术决策者（建议具备机器学习基础）
课程大纲：
1：具身智能基础与前沿综述
模块1.1：具身智能：从历史到未来
· 具身智能的哲学与认知科学基础
· 发展历程：行为主义 → 符号主义 → 连接主义 → 具身主义
· 三大技术范式对比：
· 行业现状与挑战分析
模块1.2：核心数学与理论基础
· 马尔可夫决策过程（MDP）与部分可观测MDP（POMDP）
· 最优控制与强化学习理论框架
· 物理仿真基础：刚体动力学、接触力学
· 现代优化方法在机器人中的应用
模块1.3：工具链与环境搭建
· 开发环境全栈配置
· 主流仿真平台对比：
o Isaac Sim (NVIDIA) - GPU加速，工业级
o MuJoCo (DeepMind) - 物理精度高
o PyBullet - 开源易用
o Drake - 符号计算，控制理论友好
2：感知与理解：机器人的“眼”与“脑”
模块2.1：多模态感知技术
· 视觉感知：
o 2D/3D物体检测与位姿估计
o 场景分割与理解
o 视觉里程计与SLAM
· 触觉与力觉感知：
o 触觉传感器原理与数据处理
o 力控制基础
· 多传感器融合策略
模块2.2：视觉语言模型在具身中的应用
· VLM核心架构：CLIP、BLIP、Flamingo
· 具身视觉语言任务：
o 视觉问答（VQA）
o 视觉导航指令跟随
o 物体操作描述
模块2.3：3D场景理解与表示学习
· 3D表示方法对比：点云、体素、神经辐射场（NeRF）
· 场景图生成与推理
3：动作与控制：机器人的“手”与“脚”
模块3.1：强化学习在机器人控制中的应用
· 深度强化学习算法家族：
o 基于值函数：DQN及其变体
o 基于策略梯度：PPO、SAC、DDPG
o 模仿学习：BC、GAIL、DAgger
o 离线强化学习：CQL、IQL
模块3.2：灵巧操作与双手协同
· 操作技能表示：动作基元、技能库
· 接触丰富的操作任务
· 双手协同策略学习
模块3.3：移动机器人与导航
· 运动规划算法：A*、RRT、MPC
· 基于学习的导航策略
· 社交导航：在人群中安全移动
4：决策与规划：从感知到行动的桥梁
模块4.1：大语言模型作为规划器
· Code as Policies：生成可执行代码
· SayCan框架：结合技能库的规划
· VoxPoser：3D值函数合成
模块4.2：分层强化学习与技能发现
· 选项框架与技能分层
· 无监督技能发现
· 课程学习与课程生成
模块4.3：长期任务规划与因果推理
· 符号规划与神经符号方法
· 因果推断在机器人决策中的应用
· 元学习与快速适应
5：系统集成与前沿挑战
模块5.1：仿真到真实迁移（Sim2Real）
· 域随机化原理与方法
· 系统辨识与模型校准
· 零样本迁移技术
模块5.2：具身智能系统架构
· 模块化架构设计
· 实时性保证与计算资源分配
· 安全性与鲁棒性考虑
· 案例分析：RT-1、RT-2架构解析
