C01_序章下篇_自驾前沿与学习路径
本文档属于 Robotics Tutorial 项目，作者：Pengfei Guo，达妙科技。采用 CC BY 4.0 协议，转载请注明出处。
序章导论(下):自驾特殊地位 + 横向方法论前沿 + 学习路径建议¶
文件类型：辅助导读文件（不适用教学章节完整规范，无需前置自测/陷阱专栏/练习题等教学模块）
本文件定位:序章的下半部分 承接:上篇讲了"规控的本体四分法"和"基础设施共享" 本篇:讨论自驾为什么独立、横向方法论前沿、具体学习路径建议 预期阅读时间:90-120 分钟
0.10 为什么自驾不在四分法内¶
问题:自驾车明明也是"机器人规控",为什么不把它列入四分法?
0.10.1 四分法的分类标准¶
回顾 0.3:四分法按"规控的数学结构和代码栈主要形态"分类。
自驾**在这个标准下: - **本体:四轮汽车 —— 动力学是简化的自行车模型或单轮模型 - 数学:几乎没有 SE(3) 流形复杂性、没有接触切换、欠驱动程度远低于腿足(轮子可控,甚至过驱动,但仍存在非完整约束) - 代码栈:和四类都不重合(Apollo、Autoware 是自成体系的巨兽)
所以自驾看起来应该是"第五类"——但它和前四类有一个**质的差异**:
0.10.2 自驾是"感知-决策主导"的,不是"规控主导"的¶
**腿足 / 机械臂 / 无人机 / 复合机器人**的工程重心: - 感知:20-30% - 控制 / 规控算法:50-60% - 硬件 / 实时:10-20% - 学习:10-20%(近年上升)
自驾**的工程重心完全不同: - **感知 + 预测:50-60%(最大头) - 决策 + 行为规划:20-30%(博弈论、游戏树等) - 规控(局部轨迹 / 跟踪):10-15% - 硬件 / 实时:5-10%
自驾的控制器其实很简单——纯跟踪 MPC + 横向 LQR,比腿足 WBC 简单十倍以上。复杂性全在感知和决策。这就像下棋：自驾的难点在于"看清棋局"（感知预测）和"决定走哪步"（行为规划），而不在"把棋子放到格子上"（控制执行）。腿足恰恰相反——"放棋子"这个动作本身就是极难的动力学问题。
0.10.3 自驾的独特数学结构¶
自驾控制用的模型:
自行车模型(Bicycle Model):
其中 \(\delta\) 是前轮转向角,\(L\) 是轴距,\(\beta = \arctan(l_r \tan\delta / L)\) 是后轴侧偏角（\(l_r\) 为后轴到重心距离）。这就是全部——3 维状态 \((x, y, \theta)\),非线性但简单。
控制算法: - 横向控制:LQR 或 MPC 跟车道中线 - 纵向控制:PID 跟车速 - 规划:A* / Hybrid A* / 时空搜索(时间作为一维)
和腿足的对比: - 腿足 MPC 决策变量 500-2000 维 - 自驾 MPC 决策变量 30-100 维(简单很多)
0.10.4 自驾的真正难点在神经网络主导的感知¶
自驾感知栈(现代架构):
多模态输入:相机(6-12 个) + LiDAR + 毫米波 + GPS + IMU
↓
特征提取(CNN + Transformer)
↓
多任务输出:3D 检测 + 跟踪 + 语义分割 + 车道 + 占用栅格
↓
预测其他 agent 的未来轨迹
↓
决策(博弈、安全包络)
↓
轨迹规划(平滑轨迹 + 避碰)
↓
控制器(简单 LQR / MPC)
大部分复杂性在上半部分,控制器只是收尾。
且 2020 年后,越来越多自驾走**端到端**路线(Tesla、Wayve 等)——输入像素,输出方向盘和油门,中间的"规划"隐式学到。这进一步弱化了传统控制部分。
0.10.5 自驾与机器人社区的分野¶
机器人社区(ICRA、IROS、RSS、T-RO)和**自驾社区**(CVPR、ICCV、IV、T-IV)相对独立: - 两边论文几乎不互相引用 - 用不同的工具链(ROS2 vs Apollo / Autoware) - 不同的工业界生态
例外:某些方向会交叉—— - SLAM:两边都用,但自驾更强调长距离地图、HD Map - 运动预测:腿足刚开始学自驾多年前就做的行人预测
0.10.6 对你的启示¶
如果你打算本大纲后扩展自驾规控: - 你的 SLAM 背景 + 腿足基础设施(李群、KF、因子图)都能迁移 - 新学的:Apollo / Autoware 代码结构、HD Map、车道模型、Hybrid A*、行为预测(不只是规控算法) - 时间:6-12 个月(但规控部分相对快)
但 2025 年后的自驾趋势:传统规控部分正被端到端侵蚀。纯"规控"作为博士方向,自驾不如腿足有前景。
综合推荐: - 想做**科研**(博士论文)→ 腿足规控**是更有深度的选择(本大纲) - 想做**工业应用 + 高薪→ 自驾感知**是更大的市场 - 想做**感知 + 规控横跨→ 腿足 + 自驾感知栈作为背景组合
本质洞察：自驾不在四分法内，不是因为它"不重要"，而是因为它的复杂性维度完全不同——四分法衡量的是"控制的数学难度"，而自驾的难度集中在"感知的不确定性"。一个系统的工程难度取决于"最难的那个子问题"，自驾的瓶颈在于理解场景中其他智能体的意图，腿足的瓶颈在于驾驭自身的物理动力学。两者的研究方法论、数学工具、代码栈都因此走向了不同的演化路径。
上一节厘清了自驾与四分法之间的关系——自驾的复杂性集中在感知和决策，而非规控。回到规控领域本身，近年来涌现了三种横跨所有本体类型的新范式，它们正在重塑整个领域的研究格局。
0.11 横向方法论前沿 —— 跨本体的新范式¶
除了按本体分类,还有**横向的方法论前沿**——它们跨越所有本体类型,代表机器人学的未来走向。
本节讲三个最重要的横向前沿,每个都是**博士论文级别**的研究方向。
0.11.1 Foundation Models for Robotics(VLA)¶
什么是 VLA(Vision-Language-Action):
一类**大模型**,输入是视觉 + 语言(任务指令),输出是机器人动作。端到端,不分层。
代表工作: - RT-1 / RT-2(Google DeepMind,2022-2023) - OpenVLA(Stanford,2024)——开源,7B 参数 - π0(Physical Intelligence,2024)——专门做灵巧操作 - Octo(Stanford + Berkeley) - GR-2(ByteDance)
对腿足的影响: - 目前 VLA 主要用于**操作**(机械臂 / 复合机器人),腿足占比小 - 原因:操作任务天然有语言标签("把红杯子递给我"),腿足"trot forward"这种指令简单,不太需要 VLA 的复杂性 - 但 2025 年:Unitree G1 + VLA 的结合开始出现,人形 + VLA 可能是未来
对你博士研究的意义: - VLA 和传统规控是**两种范式**,不是"一个替代另一个" - 传统规控是底层执行器,VLA 是高层决策——两者互补 - 博士研究可以在 VLA + MPC 的接口上做
0.11.2 Differentiable Simulation¶
传统仿真(MuJoCo、Gazebo):输入 \((q, u)\),输出 \(q_{t+1}\) —— 不可微(接触是硬离散事件)。
Differentiable Simulation:让仿真器**可微**——可以反向传播 \(\partial q_{t+1} / \partial u\)。这相当于给物理仿真器装上了"倒车档"——传统仿真只能向前推演（给输入算输出），可微仿真可以"逆向追溯"（知道想要的输出，反推应该怎样调整输入）。如果不用可微仿真，优化控制策略就只能靠无梯度方法（如 CMA-ES）或有限差分——在高维动作空间中，这些方法的样本效率比梯度优化低若干个数量级。
代表工作: - Brax(Google,JAX 生态)——JAX 生态中最有影响力的可微仿真器 - MJX(MuJoCo XLA)——MuJoCo 的 JAX 版本,支持可微 - Genesis(CMU / Tsinghua,2024)——最新,超高性能
可微仿真的应用: 1. 用梯度优化 RL:SGD 代替 PPO 的 actor-critic 2. 用梯度求轨迹优化:Differentiable MPC 3. sim-to-real fine-tuning:用真机数据反向传播到仿真参数
对腿足的意义: - 传统 RL 训练 72 小时 → 可微仿真可能缩短到几小时 - 更少样本、更精确的收敛
挑战: - 接触的梯度**是病态的(接触切换时导数爆炸) - 需要**平滑化接触模型(Pang 2023 的 Quasi-Dynamic Smoothing 就是这方向)
博士研究方向:可微仿真 + 腿足 = **2024-2025 最热的交叉**之一。
0.11.3 World Models¶
什么是 World Model:一个**神经网络仿真器**——从数据学习"给定当前状态和动作,下一状态是什么"。
代表工作: - Dreamer / DreamerV3(DeepMind,2023) - TD-MPC / TD-MPC2(UCSD,2023-2024) - GAIA-1(Wayve,2023)—— 自驾的 world model - VJEPA(Meta,2024)—— Yann LeCun 的非生成式 world model
核心思想: - 不依赖人写的物理方程(可能不准) - 从真实数据学环境的"压缩表示" - 在 world model 里做**想象规划**(Dreaming Reinforcement Learning)
对腿足的意义: - 腿足的真实动力学不完全遵循 Pinocchio 的刚体方程(柔性、齿轮背隙等) - World Model 可以学出"真实偏差",补 Pinocchio 的不足 - 和**可微仿真**是对偶关系——可微仿真是"精确但不真实",world model 是"真实但近似"
本质洞察：可微仿真与 World Model 的关系，类似于物理建模与数据驱动的经典张力——前者从第一性原理出发追求精确但永远无法完美还原现实，后者从真实数据出发追求逼真但缺乏可解释性。未来的趋势很可能是两者融合：用物理模型提供结构先验，用数据模型补偿残差。
当前状态:腿足 world models 还在早期——博士论文的蓝海。假如没有 World Model 来补偿 Pinocchio 刚体假设与真实硬件之间的模型失配（柔性关节、齿轮背隙、地面弹性），sim-to-real 的 gap 就只能靠大规模域随机化来硬扛——这在样本效率和调参成本上都极不经济。
0.11.4 三种前沿的对比¶
| 维度 | VLA | Differentiable Simulation | World Models |
|---|---|---|---|
| 起源 | LLM 迁移 | 可微编程(JAX) | 神经网络仿真 |
| 工具 | PyTorch + Transformer | JAX + XLA + MuJoCo | Dreamer 家族 |
| 成熟度 | 操作已产品化、腿足早期 | 研究前沿 | 研究前沿 |
| 主导社区 | Stanford、Google、OpenAI | UCSD、CMU | DeepMind、Meta |
| 与腿足的距离 | 远(操作远大于 locomotion) | 近(Brax / MJX 腿足已可用) | 中(研究活跃) |
对你的启示:作为 RL + SLAM + 腿足三重背景,你能看到这三种前沿之间的连接。博士方向可以在交叉点上——例如: - "SLAM 提供的真实数据 + Differentiable Sim 反向学习 → 腿足控制器" - "VLA 作为任务层 + 腿足 MPC 作为执行层 → loco-manipulation"
三种横向前沿各有侧重，但它们的共同指向是：未来的机器人工程师需要同时掌握传统优化和数据驱动两种范式。有了这张全景图，接下来的问题是：具体怎么学？按什么顺序？
0.12 学习路径建议 —— 主修一类 + 辅修其他¶
0.12.1 本腿足大纲的定位¶
本大纲(v8 主线 Ch1-46 + 腿足 Ch47-70)的**完整学习路径**:
起点:SLAM 算法工程师(你现在的状态,或 C++ 新手)
↓
v8 Ch1-20:现代 C++ + 并发(L0-A1 层)
↓
v8 Ch21-30:SLAM 数学库 + 中间件(A1-A2 层)
↓
v8 Ch31-46:SLAM 完整栈(A2-B1 层 for SLAM)
↓ ← 【分叉点】
├─ 继续 SLAM 方向:FAST-LIO2 深度定制、LIO-SAM 研究
├─ 转腿足方向:本大纲 Ch47-70(新主线)
├─ 转无人机方向:补 PX4 + 几何控制
└─ 转机械臂方向:补 MoveIt! + 阻抗控制
↓
腿足 Ch47-60:腿足工程师 A2-B1(规控 + 状态估计)
↓
腿足 Ch61-66:腿足工程师 B2(实时 + 硬件 + RL 基础)
↓
腿足 Ch67-70:博士预备 B3(Perceptive MPC + 研究方向)
总时长: - v8 主线:18-24 月(如果当前还在 C++ 入门) - v8 + 腿足:27-36 月 - 腿足单独(已有 C++/SLAM 背景):约 18 月
0.12.2 你的个人路径建议(基于用户背景)¶
你的背景:RL + 机器人控制 + 具身智能 + SLAM。
推荐路径:
阶段 1(已完成大部分):基础设施扎实 - v8 Ch1-20 的 C++ 现代特性应已熟练 - v8 Ch23-25 李群 + 因子图(SLAM 中已熟)
阶段 2(接下来):腿足扩展 - 本大纲 Ch47-58(共 12 章,约 2.5 月) - 重点看 Pinocchio 基础(Ch47-48)、WBC(Ch53)、OCS2(Ch55)、状态估计(Ch57) - Ch57 的 InEKF + SLAM 融合是你的独特优势
阶段 3:前沿深入 - 本大纲 Ch59-66(共 8 章,约 2 月) - 重点看落脚点优化(Ch59)、感知驱动(Ch60 + Ch66)、RL 训练 / 部署(Ch63-64) - 你的 RL 背景让 Ch63-65 轻松,重点在工程化
阶段 4:博士预备 - 本大纲 Ch67-70(共 4 章,约 2 月 + 实战 4 月) - Ch67 Perceptive MPC 是**数学和论文层面最重**的 - Ch69 Mini-Legged 是**工程实战最重**的 - Ch70 研究方向选定你的博士题目
总时长估算(对你这样的背景):**12-15 月**完整学完腿足部分。
0.12.3 四大方向的横向发展策略¶
假设你主修腿足([C]),如何辅修其他三类?
辅修 [A] 无人机(1-2 月): - 直接读 PX4 源码**的姿态控制器部分(约 5000 行 C++) - 读 **Fast-Planner 的路径搜索 - 不需要重学基础——Eigen / ROS / 实时 Linux 全通用
辅修 [B] 机械臂(1-2 月): - 你已经会 Pinocchio(固定基座是浮动基座的简化) - 补 MoveIt! 的 OMPL 接口(规划) - 补 阻抗控制(Franka Panda 等协作机器人)
辅修 [D] 复合机器人(3-4 月): - 先补 [B] 机械臂基础 - 然后看 Mobile ALOHA / HumanPlus 的开源代码 - 关注 OCS2 mobile_manipulator 和 VLA 前沿
最终能力:主修腿足 + 精通 SLAM + 通读其他三类 = 具有博士竞争力的机器人算法工程师。
0.12.4 跳过哪些内容¶
本大纲不是每一节都必须读。根据你的目标:
如果你的目标是工业工程师(不读博): - 必读:Ch47-58 + Ch61-64 + Ch68(legged_control 精读) - 可跳过:Ch60 感知驱动(除非做感知 + 腿足)、Ch67 Perceptive MPC 深入理论 - 可选:Ch59 优化落脚点、Ch66 感知数据结构(工业会用但不必手写)
如果你的目标是博士预备(你选的): - 必读全部 - 特别重视 Ch65 RL+MPC 混合、Ch67 Perceptive MPC、Ch70 研究方向导引 - 把每章的"研究前沿与论文阅读"部分**全部读完**
如果你的目标是转行到工业(腿足公司): - 优先:Ch68 legged_control(直接能用)+ Ch61-62 实时 / 硬件(面试考点)+ Ch63-64 RL(简历亮点) - 次要:Ch55 OCS2 理论、Ch67 Perceptive MPC(除非公司主打感知)
0.12.5 学习的"T 型"vs "π 型"¶
T 型:一个方向极深 + 其他方向广度认识 - 你目前的 SLAM 背景 + 扩展腿足 = T 型初步
π 型:两个方向都深 + 其他方向广度认识 - SLAM + 腿足双深 = π 型 → 博士研究独特 - 你的 RL 背景让这个更有深度:SLAM + 腿足 + RL = 三腿鼎立
博士申请时,π 型比 T 型有**显著优势**——交叉方向的导师更感兴趣。如果不走交叉路线会怎样？纯 SLAM 方向的博士竞争者众多，纯 RL 方向同样拥挤，但同时精通"状态估计 + 运动控制 + 学习"的候选人在全球范围内都很稀缺——稀缺性本身就是竞争力。
0.13 与 SLAM 主线的精确对接点¶
本节是给**v8 SLAM 主线学完转腿足**的学习者看的。
0.13.1 哪些 v8 章节**直接复用**到腿足¶
绝大部分可以复用: - v8 Ch1-20(C++ 现代特性、并发) - v8 Ch23 李群(Sophus / manif) - v8 Ch21-22 Eigen - v8 Ch30-31 ROS 2 + DDS - v8 Ch34 日志(spdlog) - v8 Ch35 pmr 内存
85-95% 复用,有少量腿足特化: - v8 Ch24 Ceres(腿足 Ch57 状态估计因子图) - v8 Ch25 GTSAM(同上) - v8 Ch36-37 缓存 / 性能分析(腿足 Ch61 实时) - v8 Ch38 CUDA / LibTorch(腿足 Ch64 RL 部署) - v8 Ch17-20 并发(腿足 Ch61 双线程 MPC)
部分复用,需要扩展: - v8 Ch39 ESKF(扩展到 Ch57 InEKF) - v8 Ch41-42 Factor Graph(扩展到腿足因子图) - v8 Ch27-28 PCL / OpenCV(扩展到 Ch66 Elevation Map)
几乎独立于 v8(腿足完全新内容): - Ch47-50 Pinocchio / CppAD / 空间向量代数 / QP - Ch51-52 腿足数学(LIPM、DCM、接触力学) - Ch53-58 WBC / DDP / OCS2 / 步态 / 状态估计 / 落脚点 - Ch59-67 研究前沿 - Ch68-70 实战 + 研究方向
0.13.2 v8 的"共同课程"不重学¶
对于已经学完 v8 主线的你,Ch47-70 的**25% 的时间可以节省**——因为基础设施已经扎实。
0.13.3 反过来:腿足背景对 SLAM 的回馈¶
学完腿足回头做 SLAM,你会发现: - 腿足的 InEKF 是 SLAM ESKF 的精进版——回去改进你的 SLAM 状态估计 - 腿足的 MPC 思维 帮你理解 SLAM 后端的滑窗优化(都是带时间结构的优化) - 腿足的实时工程 让你对 SLAM 的实时性要求不再畏惧
**这种双向的提升**是选腿足而不是其他方向的独特收益。
0.14 整个知识体系的最终图¶
这张图是本大纲最重要的图 —— 保存、打印、挂在工位上。
┌─────────────────────────────────────────────────────────────────┐
│ 机器人算法工程师完整能力体系 │
└─────────────────────────────────────────────────────────────────┘
┌────────────────────────────────────────────────────────┐
│ 博士预备层(B3):Ch70 研究方向导引 │
│ - Perception-Control Joint Optimization │
│ - Perceptive RL+MPC Hybrid │
│ - SLAM + Legged 紧耦合(你的独特赛道) │
│ - VLA + 腿足(前沿延伸) │
│ - Differentiable Simulation + 腿足 │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ 专家层(B2):Ch59-68 │
│ ┌─────────────┬────────────────┬──────────────────┐ │
│ │ 落脚优化 │ RL 训练 + 部署 │ Perceptive MPC │ │
│ │(CITO/GCS) │(Isaac/LibTorch)│ (Grandia 2022) │ │
│ └─────────────┴────────────────┴──────────────────┘ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 实时 C++ + 腿足硬件栈(Ch61-62) │ │
│ │ legged_control 完整精读(Ch68) │ │
│ └──────────────────────────────────────────────┘ │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ 规控算法层(A2→B1):Ch53-58 │
│ ┌─────────────┬─────────────┬─────────────┐ │
│ │ WBC + DDP │ OCS2 + 步态 │ 状态估计 │ │
│ │(Ch53-54) │(Ch55-56) │(Ch57-58) │ │
│ └─────────────┴─────────────┴─────────────┘ │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ 腿足数学与基础设施(A1→A2):Ch47-52 │
│ ┌──────────────┬──────────────┬──────────────┐ │
│ │ Pinocchio + │ LIPM / DCM + │ QP / NLP + │ │
│ │ CppAD │ 接触力学 │ Ifopt │ │
│ │(Ch47-49) │(Ch51-52) │(Ch50) │ │
│ └──────────────┴──────────────┴──────────────┘ │
└──────────────────┬─────────────────────────────────────┘
│
═══════════════════▼═════════════════════════════════════
【分叉点:从 SLAM 到腿足 / 其他规控方向的过渡】
═══════════════════┬═════════════════════════════════════
│
┌──────────────────▼─────────────────────────────────────┐
│ SLAM 主线层(v8 Ch39-46):A2→B1 for SLAM │
│ - FAST-LIO2 / LIO-SAM 等 LIO 深度定制 │
│ - MSCKF / VIO / VINS 系列 │
│ - LoopClosure / 全局地图 / Factor Graph │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ SLAM + 机器人共享数学(v8 Ch21-38):A1→A2 │
│ - Eigen / 李群 / Sophus / manif(本体无关) │
│ - Ceres / GTSAM 因子图(本体无关) │
│ - PCL / OpenCV / LibTorch(本体无关) │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ C++ 与并发基础(v8 Ch1-20):L0→A1 │
│ - Modern C++ / STL / 模板 / Concepts │
│ - 并发 / 内存模型 / 无锁数据结构 │
│ - 实时系统基础 │
└──────────────────┬─────────────────────────────────────┘
│
┌──────────────────▼─────────────────────────────────────┐
│ 操作系统 + 硬件(基础设施共用) │
│ - Linux + PREEMPT_RT + CAN / EtherCAT / DDS │
│ - x86 / ARM / 电机驱动器 │
└────────────────────────────────────────────────────────┘
0.14.1 读这张图的方法¶
从下到上看:你的能力如何一层一层累积起来。底层(OS + C++)稳,上层才能做得好。
从上到下看:任何上层任务(如"博士研究")最终都要分解到下层的具体技术。
横向看:SLAM 和腿足在"规控算法层"以下高度共享,以上是分叉。
0.15 关于大模型时代的规控工程师¶
0.15.1 焦虑与机会¶
**2023-2025 年的大模型浪潮**让很多程序员焦虑:"规控工程师会不会被 VLA 取代?"
我的观察:
短期(1-3 年):不会 - VLA 目前只在操作任务成熟(机械臂),腿足 / 无人机 / 自驾的 VLA 还在早期 - 传统规控有**严格的物理保证**,VLA 没有——工业部署必须可验证 - 大部分公司的生产系统仍是传统规控为主
中期(3-7 年):部分替代 + 分层协作 - 任务层 / 决策层会更多被大模型替代 - 底层规控作为"执行器"依然需要 - 规控工程师的角色变化:从"写 MPC"到"设计 VLA + MPC 的接口"
长期(7+ 年):不确定 - 端到端 VLA 是否能完全替代还是开放问题 - 物理正确性和样本效率仍是挑战
0.15.2 规控工程师的长期价值¶
不会消失的核心能力: 1. 物理直觉:理解机器人为什么这样动——VLA 学不会"为什么" 2. 数学建模:把现实抽象成数学问题——LLM 目前还做不好 3. 系统工程:把感知、决策、控制、硬件串起来——需要跨领域理解 4. 调试与改进:真机出问题的排查能力——经验驱动,不能替代
会被 AI 辅助的部分: 1. 写标准代码(Copilot / Claude Code 已经帮很多) 2. 调整参数(通过 RL 自动调) 3. 写简单的测试和文档
0.15.3 博士的独特价值¶
大模型时代的博士价值: - 不只是熟练使用工具——而是**创造新工具 / 发现新原理** - 学术社区的人脉——博士期间的合作者可能是未来的同事和客户 - 系统思维——3-5 年深耕一个方向带来的"第一性原理"视角
如果你最终读博选择腿足方向,不是因为腿足"火",而是因为**腿足是机器人学里综合最全面的领域**——做好腿足要懂 C++、并发、实时、优化、流形、概率、ML、硬件,几乎所有机器人子领域的基础都要有。这种综合性训练对未来任何方向的研究都有帮助。
0.16 最后的话¶
你已经完成了一次**系统性的学习之旅**——从 v8 Ch1 的"Hello World"到腿足 Ch70 的"研究方向选择"。
这不只是 24 章的学习,而是**你对机器人学这个领域形成系统认知的过程**。
最关键的几个收获(我希望你能记住):
-
底层扎实 + 上层灵活:C++ + 并发 + 数学是永远不变的底层。本体特定的算法会变(MPC 可能被 VLA 部分替代,WBC 可能有新范式),但**好的底层能力让你轻松适应变化**。
-
选一个主方向深挖 + 其他方向常扫:T 型或 π 型人才比专才长寿。你选了腿足,别完全关上无人机 / 机械臂 / 自驾的门。
-
读代码和读论文并重:论文告诉你思路,代码告诉你细节。只读一边不够——你在 Ch67 的 Grandia 论文 + OCS2 Perceptive 源码对照练习就是这个思路的体现。
-
动手比读书重要:本大纲的每个实战练习不要跳过。真机调不好的时候,比读 10 篇论文学到得多。
-
建立自己的直觉:别人的文献综述是别人的视角。你要有自己对"这个问题为什么重要 / 这个方法为什么好"的直觉。
技术的路没有尽头,但每一段都值得走得漂亮。
祝你博士申请顺利,祝你的腿足研究之路精彩。
—— 本序章终
附录:全大纲交付物清单¶
v8 主线(由其他文件承载):Ch1-46
腿足增量大纲(本项目交付):
| 文件 | 章节 | 周次 | 主题 |
|---|---|---|---|
| 序章上篇 | 0.1-0.9 | - | 全景架构 + 四分法 + 基础设施 |
| 序章下篇 | 0.10-0.16 | - | 自驾 + 前沿 + 学习路径(本文件) |
| 第 1 批 | Ch47-50 | 47-52 | Pinocchio + CppAD + 空间向量 + QP |
| 第 2A 批 | Ch51-52 | 53-54 | 腿足简化模型 + 接触力学 |
| 第 2B 批 | Ch53-54 | 55-56 | WBC + DDP 家族 |
| 第 3A 批 | Ch55-56 | 57-59 | OCS2 完整栈 + 步态管理 |
| 第 3B 批 | Ch57-58 | 60-61 | 状态估计 + 落脚点经典 |
| 第 4A 批 | Ch59-60 | 62-63 | 落脚点优化 + 感知驱动 |
| 第 4B 批 | Ch61-62 | 64-65 | 实时 C++ + 腿足硬件栈 |
| 第 5A 批 | Ch63-64 | 66-67 | 腿足 RL 训练 + 部署 |
| 第 5B 批 | Ch65-66 | 68-69 | RL+MPC 混合 + 感知数据结构 |
| 第 6A 批 | Ch67-68 | 70-72 | Perceptive MPC + legged_control 精读 |
| 第 6B 批 | Ch69-70 | 73-75 | Mini-Legged 实战 + 研究方向导引 |
总计:27 个 md 文件(序章 2 + 正文 24 + 大纲 1),正文覆盖 Ch47-Ch70 共 24 章,总计约 42,000 行。
配合使用: - 学习者:按顺序读,每章配合主项目知识库里的论文和源码 - 复习者:随机访问,每章独立完整 - 教师:可按章拆解为课程大纲
—— 序章导论终 ——