TianxingChen/Embodied-AI-Guide — Gitpedia

<h1 align="center">具身智能技术指南 Embodied-AI-Guide</h1>

📚 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 / 分享 / 提 PR，欢迎邮件联系 <a href="mailto:lumina.embodiedai@gmail.com">lumina.embodiedai@gmail.com</a> 或项目发起人微信 <code>TianxingChen_2002</code>（请备注机构+姓名与来意）。

📢 News｜项目进展

📷 2026-01-15: Embodied-AI-Guide重组织完成<br>
⭐️ 2025-12-18: GitHub Stars 突破 10,000<br>
❤️ 2025-03-15: Embodied-AI-Guide正式开源

⭐️ Lumina Call (具身智能照片): Website<br>
⭐️ Datawhale Easy-Embodied: Repo

🦉 Lumina具身智能社区: 点击访问

扫描右下图加入Lumina具身智能社区:

🐣 (1) Start From Here - 从这里开始

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。

(1.1) How - 如何使用这份指南

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。

(1.2) About us - 关于我们

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。

⚒️ (2) 动手学习具身智能操作

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<br>
完成此教程需要至少16GB显存的显卡

(2.1) 为什么这样选择这个教程

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）。

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。

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。

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。

面对以上问题，<a href="https://robotwin-platform.github.io/">RoboTwin 2.0平台</a>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<a href="https://sapien.ucsd.edu/">SAPIEN</a>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。

(2.2) 学习流程

RoboTwin 2.0：代码｜主页｜文档｜论文

<details> <summary><b>展开学习流程</b></summary>

(2.2.1) 了解RoboTwin 2.0做了什么 (～1天)

阅读RoboTwin 2.0论文paper，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硬件。

(2.2.2) 配置RoboTwin 2.0平台，数据采集 (~0.5天)

环境安装教学: Tutorial，根据以下数据采集脚本采集beat_block_hammer任务50条:

bash collect_data.sh ${task_name} ${task_config} ${gpu_id}
## Clean Data Example: bash collect_data.sh beat_block_hammer demo_clean 0
## Radomized Data Example: bash collect_data.sh beat_block_hammer demo_randomized 0

(2.2.4) 策略训练（～1天）

选择ACT策略进行复现 Tutorial，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，

(2.2.5) 测试策略（～1天）

在demo_clean下评测ACT成功率大约是56%（详见Leaderboard）。

</details> <section id="info"></section>

📄 (3) Useful Info - 有利于搭建认知的资料

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。

方向性与方法论资料

具身智能基础技术路线（Yunlong Dong）：PDF ｜ bilibili
斯坦福机器人学导论：website
Cyber Nachos（偏系统与工程思维）：website

社区 / 社交媒体（长期跟进价值高）

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
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

实验室与学术生态参考

Robotics 实验室总结：zhihu link1 ｜ zhihu link2
具身智能华人高引榜：repo
Lumina 具身智能社区：website

高质量会议与期刊（论文检索时重点关注）
Science Robotics, TRO, IJRR, JFR, RSS, RAL, IROS, ICRA, ICCV, ECCV, ICML, CVPR, NeurIPS, CoRL, ICLR, AAAI, ACL

长期跟进研究进展与选题调研

Awesome Humanoid Robot Learning（Yanjie Ze）：repo
Paper Reading List（DeepTimber Community）：repo
Paper List（Yanjie Ze）：repo
RoboScholar / Embodied AI Paper List（Tianxing Chen）：repo
SOTA Paper Rating（Weiyang Jin）：website
Awesome LLM Robotics：repo
Awesome Video Robotic Papers：repo
Awesome Embodied Robotics and Agent：repo
awesome-embodied-vla / va / vln：repo
Awesome Affordance Learning：repo
Embodied AI Paper TopConf：repo
Awesome RL-VLA for Robotic Manipulation (Haoyuan Deng)：repo
Awesome Efficient-VLA for Robotic Manipulation (Weifan Guan)：repo

年度趋势总结

State of Robot Learning (Dec 2025)：website
许华哲 - 具身智能：2025回望，website
林天威 - 具身VLA的2025：从 Demo 到通用的距离，website

🍎 (4) Algorithm - 算法篇

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/标定/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/3D/4D、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/IL、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。

🏋️‍♂️ (5) Infrastruture - 软件基础设施篇

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。

🎮 (6) Control - 控制篇

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。

🦾 (7) Hardware - 硬件篇

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。

👍 Citation - 引用

If you find this repository helpful, please consider citing:

@misc{embodiedaiguide2025,
  title = {Embodied-AI-Guide},
  author = {Embodied-AI-Guide-Contributors, Lumina-Embodied-AI-Community, Tianxing Chen},
  month = {January},
  year = {2025},
  url = {https://github.com/tianxingchen/Embodied-AI-Guide},
}