企业官网建设流程全解析

2024 到 2025 年这段时间，我几乎把业余时间全部押在了具身智能上。从最初看论文看到头疼，到在仿真环境里反复调 reward，再到第一次让机械臂真的抓起来一个杯子，整个过程差不多花了 4 个月。这 4 个月里踩的坑，比过去写业务代码几年加起来都多。

网上关于具身智能的资料确实不少，但最大的问题是碎片化：有人讲大模型，有人讲强化学习，有人直接丢给你一堆论文链接，却很少有一条完整的、从零基础到真机落地的路径。很多初学者要么卡在仿真到真机的迁移上，要么根本不知道该从哪里开始搭环境。

这篇文章是我基于自己的真实经历整理的一份系统教程，覆盖了具身智能的学习路径、仿真环境搭建、核心概念拆解、机械臂抓取实战、企业就业要求，以及我在实际项目中遇到的高频问题和排查思路。无论你是刚接触这个方向的学生，还是想转行做具身智能开发的工程师，这篇文章都能帮你少走很多弯路。

1. 具身智能到底是什么，为什么值得学

1.1 从字面拆解：具身 + 智能

具身智能（Embodied Intelligence）这个词，字面意思就是“拥有身体的智能”。它和传统 AI 最大的区别在于：传统 AI 处理的是数字世界里的数据，比如图像分类、文本生成；而具身智能强调智能体必须有一个物理身体，通过与真实环境的交互来感知、理解、决策和行动。

一个完整的具身智能系统通常包含这几个部分：

• 感知：通过摄像头、激光雷达、触觉传感器等获取环境信息。
• 决策：根据感知到的信息，决定下一步做什么。
• 控制：把决策转化为电机、舵机等执行器的具体动作。
• 学习：在与环境的交互中不断优化策略。

你可以把它理解成“AI 从屏幕里走出来的过程”。具身智能研究的不是单独某一个算法，而是如何把感知、决策、控制、学习这些技术整合到一个物理实体上，让它能完成真实世界里的任务。

1.2 具身智能和传统机器人的区别

很多读者可能会问：传统的工业机械臂不是已经很成熟了吗？为什么还要提具身智能？

这里的核心区别在于“泛化能力”。传统工业机器人通常是在严格固定的工位、固定的工件、固定的轨迹下重复执行动作，所有的行为都是预先编程好的，一旦环境发生一点点变化，机器人就无法正常工作。

而具身智能要解决的是“不确定性”问题。目标物体可能摆在任意位置，光照条件会变化，物体的形状可能相似但不完全相同，甚至任务本身也可能是自然语言描述的。具身智能系统需要在这些不确定性中，实时感知环境、规划动作、执行任务。

这也是为什么具身智能研究的复杂度和难度远高于传统机器人开发。

1.3 当前的应用场景和岗位现状

从应用场景来看，目前具身智能比较有代表性的落地方向包括：

• 机械臂抓取与操作：仓储分拣、上下料、实验室样品处理。
• 移动操作机器人：在家庭、酒店、医院等场景中完成走路 + 抓取 + 放置的任务。
• 人形机器人：面向通用场景的双足或轮式人形平台。
• 数据采集与标注：为模型训练采集真实的遥操作数据。

从我了解到的招聘市场来看，具身智能相关的岗位需求正在快速增长，尤其是“具身智能算法工程师”“机器人操作算法工程师”这类岗位。企业普遍要求候选人具备仿真到真机迁移的实战经验，而不只是会跑通一个强化学习 demo。

2. 4个月学习路线：从零基础到真机落地

很多初学者拿到一堆资料后，最容易犯的错误就是“贪多嚼不烂”。今天看 transformer，明天学 diffusion policy，后天又开始调机械臂的 PID，结果每个方向都只学了个皮毛。

下面这条路线是我自己走通的，把 4 个月拆成了 5 个阶段，每个阶段有明确的目标和产出。

2.1 第一阶段（第1-2周）：机器人学基础和 Python 工具链

如果你不是机器人专业出身，第一个阶段不用碰深度学习，先把最基础的机器人学概念补上。

需要掌握的知识点：

• 刚体的位姿描述：位置、姿态、旋转矩阵、欧拉角、四元数。
• 坐标变换：基坐标系、工具坐标系、相机坐标系之间的转换。
• 正运动学和逆运动学：知道关节角度求末端位姿，知道末端位姿求关节角度。
• 基础控制概念：位置控制、速度控制、力矩控制。

Python 工具链方面，建议熟悉以下库：

pip install numpy scipy matplotlib opencv-python

这一阶段不需要动手写太多代码，重点是理解概念。我当时是结合《机器人学导论》的前几章和 B 站上的公开课视频一起看的，每天花大概 3 到 4 小时，两周时间刚刚够。

2.2 第二阶段（第3-4周）：吃透仿真环境

仿真环境是具身智能学习成本最低的练习场，也是后面所有实验的基础。不用先买真机，在仿真里跑通一个完整的抓取流程，比直接上手真机效率高得多。

这个阶段要做的事情：

• 选一个仿真平台，学会搭建场景、添加物体、控制机械臂。
• 学会读取关节状态、设置目标位姿。
• 学会用相机仿真获取 RGB 图像和深度图像。
• 跑通一个最简单的“运动规划 + 抓取”流程。

我个人的建议是先从 MuJoCo 或 Isaac Sim 这类支持 Python 接口的仿真器入手，因为后面很多算法库都基于它们封装。

2.3 第三阶段（第2个月）：模仿学习与强化学习入门

这是整个学习路线中最核心也最容易劝退的阶段。

具身智能的策略学习主要有两条技术路线：

• 模仿学习：通过人类遥操作或视频演示，让模型学习“在某个状态下应该做什么动作”。代表方法有行为克隆、扩散策略（Diffusion Policy）等。
• 强化学习：通过智能体与环境不断交互，用奖励信号引导策略优化。代表方法有 PPO、SAC 等。具身智能场景中通常先仿真训练，再迁移到真机。

这个阶段的目标不是从零手写所有算法，而是会用成熟的开源库训练一个简单的策略，并理解其中的关键概念：状态、动作、奖励、策略、价值函数、探索与利用。

推荐以模仿学习作为切入点，因为它的训练过程更直观，结果更容易复现。

2.4 第四阶段（第3个月）：真机平台实操

仿真跑通之后，一定要找机会接触真机。真机和仿真的差别，只有亲自调试过才会真正理解。

如果没有条件买真机，可以考虑以下几种方案：

• 租用学校或实验室的机械臂设备。
• 购买入门级桌面机械臂，比如 uFactory 系列、JAKA MiniCobo 等。
• 参加一些提供远程真机实验平台的竞赛或课程。

真机实操阶段要掌握的内容：

• 机械臂的通信接口：TCP 或串口。
• 工具坐标系和末端执行器的标定。
• 相机的手眼标定（eye-in-hand 或 eye-to-hand）。
• 安全限位和急停逻辑。

2.5 第五阶段（第4个月）：项目集成与展示

最后一个月，把前面学到的所有内容整合成一个完整的项目。一个典型项目可以设定为：

“通过自然语言指令，让机械臂完成‘把红色杯子从桌面上抓起来放到指定区域’的任务。”

项目集成阶段需要做到：

• 系统能稳定运行，连续执行多次任务不失败。
• 有完整的日志记录，方便排查问题。
• 项目代码整理成规范的仓库，包含 README。
• 录制演示视频，展示系统全流程。

这样一个项目做下来，你的简历上就有一个可以讲的、完整的具身智能实战项目了。

3. 环境准备：仿真平台与真机平台选型

3.1 仿真环境怎么选

市面上常用的机器人仿真平台有 MuJoCo、Isaac Sim、Gazebo、PyBullet 等。它们各有优缺点，没有绝对的最好，只有最适合你的场景。

我自己的组合是 MuJoCo 做策略训练，Isaac Sim 做视觉仿真验证，真机做最终部署。如果你显卡配置一般，建议先只用 MuJoCo 把算法跑通，不要一上来就折腾 Isaac Sim。

3.2 真机平台怎么选

真机选型主要看预算和任务需求：

• 预算有限、以学习为主：选桌面级六轴机械臂，负载 500g 左右即可，足够做抓取实验。
• 预算充足、想做人形或移动操作：选带移动底盘的复合机器人，或者双机械臂平台。
• 以数据采集为主：优先选支持遥操作（master-slave）的设备，这个功能对模仿学习数据采集非常重要。

选真机时一定要确认是否提供官方 Python SDK 或 ROS 接口，避免后期开发时发现设备无法编程控制。

3.3 开发环境与工具链推荐

如果是学习用途，建议直接用 Ubuntu + Python 虚拟环境，把项目和系统环境隔离开：

# 创建虚拟环境 python3 -m venv ~/embodied_env source ~/embodied_env/bin/activate

常用工具链包括：

• Python 3.8 及以上版本。
• PyTorch：训练模仿学习和强化学习模型。
• OpenCV：图像处理和视觉标定。
• ROS 2：机器人通信和模块集成，尤其是做复杂系统时。
• MuJoCo 的 Python 绑定：pip install mujoco。

如果你的主要开发机是 Windows，也可以用 WSL2 或 Docker 来跑 Linux 环境，但最省心的方式还是直接装双系统或者用一台 Linux 机器。

4. 核心概念拆解：从感知到执行的完整链路

一个具身智能系统从前到后可以拆成四个模块。理解这四个模块的职责和它们之间的数据流，是设计整个系统的基础。

4.1 多模态感知

感知模块的输入来自相机、深度传感器、激光雷达、触觉传感器等设备。输出通常是场景中关键物体的位姿、类别、属性等结构化信息。

在抓取任务中，感知模块的核心任务是：

1. 目标检测：在图像中找到目标物体。
2. 位姿估计：估计物体在机器人基坐标系下的位置和姿态。
3. 障碍物感知：识别场景中需要避开的物体。

目前工程项目中比较常用的方案是“视觉基础模型 + 机器人几何信息”的组合。即用 2D 检测模型找到物体像素位置，再结合深度图和相机标定参数，把 2D 像素坐标转换到 3D 机器人坐标系。

4.2 任务规划与决策

任务规划解决的是“做什么”的问题。给定一个自然语言指令，比如“把桌上的红色杯子放到篮子里”，任务规划模块需要把它拆解成一系列可执行的子步骤：

1. 找到红色杯子。
2. 移动到杯子附近。
3. 调整机械臂姿态，准备抓取。
4. 闭合夹爪，抓住杯子。
5. 移动到篮子上方。
6. 释放夹爪。

在传统方案中，这些步骤是硬编码的。在大模型时代，可以用大语言模型（LLM）把自然语言转换成结构化的任务步骤，然后由底层的策略模块逐条执行。

4.3 动作生成与运动控制

动作生成解决的是“怎么做”的问题。它接收当前状态和目标，输出具体的关节动作。

这里有两个层面的控制：

• 规划层：生成一条从当前位姿到目标位姿的无碰撞轨迹。常用方法有 RRT、RRT-Connect、OMPL 库等。
• 执行层：跟踪轨迹，输出关节力矩或速度。底层常用 PID 控制或基于模型的控制。

在基于学习的方案中，动作生成可以由策略网络直接输出关节角度或末端速度，然后由底层控制器执行。

4.4 sim2real 迁移为什么这么难

sim2real（从仿真到真实）是整个具身智能领域公认的难题。仿真环境再逼真，和真实世界也存在着“现实差距”。

主要差距来源包括：

• 物理参数差异：真实的摩擦力、惯性、阻尼很难精确建模。
• 视觉差异：仿真渲染的纹理、光照和真实相机拍摄的图像有明显差别。
• 系统延迟：仿真中状态反馈是即时的，真机有通信和计算延迟。
• 噪声：真机传感器读数有噪声，执行器响应有误差。

缩小 sim2real 差距的常见方法：

• 域随机化：在仿真中随机化物体纹理、光照、物理参数，让模型见过更多变化，从而泛化到真实环境。
• 系统辨识：精确建模真机的动力学参数。
• 直接在真机上微调：先在仿真预训练，再到真机上用小规模数据微调。

5. 完整实战：让机械臂抓取一个杯子

下面用一个最典型的“机械臂抓取杯子”任务来演示完整流程。这个示例会从任务定义、仿真搭建、核心代码、真机迁移检查四个方面展开。

5.1 任务定义与技术选型

任务描述：机械臂从桌面上随机摆放的几个物体中，识别并抓取一个指定颜色的杯子，然后移动到指定放置区域。

技术选型：

• 机械臂：六轴协作机械臂（支持 Python SDK 控制）。
• 视觉：RGB-D 深度相机。
• 感知：基于 2D 检测 + 深度图获取物体 3D 位置。
• 规划：使用机械臂 SDK 提供的运动规划接口，或 OMPL 库。
• 策略：第一阶段采用规则式抓取，后续再替换为学习式策略。

5.2 在仿真环境中搭建场景

以 MuJoCo 为例，先创建一个简单的抓取场景。这里的关键点是要保证仿真中的机械臂模型和相机内参与真机一致，否则后面迁移会很痛苦。

假设你已经通过pip install mujoco安装了 MuJoCo，并下载了对应的机械臂模型文件。

# 文件路径：sim_env.py import mujoco import mujoco.viewer import numpy as np # 加载仿真模型 model = mujoco.MjModel.from_xml_path('scene.xml') data = mujoco.MjData(model) # 设置初始关节角度 data.qpos[:] = [0.0, 0.0, 0.0, 0.0, 0.0, 0.0] mujoco.mj_forward(model, data) # 在仿真环境中渲染并保持窗口 with mujoco.viewer.launch_passive(model, data) as viewer: for _ in range(10000): mujoco.mj_step(model, data) viewer.sync()

这段代码的作用是加载一个机器人场景，设置机械臂初始姿态，然后进入仿真循环，方框接口会在每一步之后刷新画面。实际项目中，你需要把机械臂模型和目标物体的模型都放到scene.xml里。

5.3 编写抓取策略核心代码

抓取流程核心代码如下。为了便于理解，我把感知、规划、执行拆成三个函数：

# 文件路径：pick_place.py import numpy as np class PickPlaceController: def __init__(self, robot_interface, camera_interface): self.robot = robot_interface self.camera = camera_interface def detect_object_pose(self): """ 感知模块： 通过相机获取目标物体的3D位置。 这里假设已经完成了手眼标定。 """ rgb, depth = self.camera.get_rgbd() # 目标检测，得到物体在图像中的2D框 bbox = self.detect_in_image(rgb) if bbox is None: return None # 取2D框中心点的像素坐标 u = (bbox[0] + bbox[2]) // 2 v = (bbox[1] + bbox[3]) // 2 # 结合深度值，反投影到相机坐标系下的3D点 z = depth[v, u] * 0.001 # 假设深度单位是毫米，转为米 x_cam = (u - self.camera.cx) * z / self.camera.fx y_cam = (v - self.camera.cy) * z / self.camera.fy # 通过手眼标定矩阵，转换到机器人基坐标系 pos_in_base = self.camera.transform_to_base( np.array([x_cam, y_cam, z_cam]) ) return pos_in_base def generate_grasp_pose(self, object_pos): """ 规划模块： 根据物体位置，生成机械臂的抓取位姿。 这里简化处理，保持末端姿态朝下，只调整位置。 """ grasp_pos = object_pos.copy() grasp_pos[2] += 0.05 # 末端在物体上方5cm处 # 姿态固定为垂直向下抓取 grasp_quat = [0.0, 0.707, 0.0, 0.707] return grasp_pos, grasp_quat def execute_grasp(self, grasp_pos, grasp_quat): """ 执行模块： 移动到抓取位姿，闭合夹爪，抬起。 """ # 第一步：移动到预抓取点（物体上方） pre_pos = grasp_pos.copy() pre_pos[2] += 0.10 self.robot.move_to(pre_pos, grasp_quat) # 第二步：缓慢下降到抓取点 self.robot.move_to(grasp_pos, grasp_quat, velocity=0.1) # 第三步：闭合夹爪 self.robot.close_gripper(force=20.0) # 第四步：抬起 self.robot.move_to(pre_pos, grasp_quat) def run(self): object_pos = self.detect_object_pose() if object_pos is None: print("未检测到目标物体") return grasp_pos, grasp_quat = self.generate_grasp_pose(object_pos) self.execute_grasp(grasp_pos, grasp_quat) print("抓取完成")

这段代码的核心思路是“先感知，再规划，最后执行”。其中感知模块根据相机标定参数将像素坐标转换为机器人坐标系下的 3D 位置，规划模块生成一个垂直向下抓取的位姿，执行模块按“预抓取点 -> 下降 -> 夹爪闭合 -> 抬起”的顺序完成动作。

实际项目中，机械臂 SDK 的move_to接口通常会封装运动规划和轨迹插补，你只需要传入目标位姿即可。如果你的 SDK 没有这个接口，就需要用 OMPL 等库自己实现运动规划。

5.4 迁移到真机前的检查清单

仿真跑通以后，直接上真机是非常危险的做法。我强烈建议先做一个静态检查清单：

简单来说，真机上的第一版参数一定要保守，让所有执行器以低速、低力度运行，确认安全后再逐步提升。

5.5 真机部署与验证

真机部署时，建议采用“最小闭环”策略：

1. 第一步：不加载感知算法，手动指定物体坐标，让机械臂完成抓取。
2. 第二步：加载相机和标定参数，利用检测模块获取物体位置。
3. 第三步：加入任务规划和异常处理逻辑。

如果第一步就出现了抓取不到的问题，优先排查坐标转换是否正确，而不是怀疑算法。很多初学者一上来就调试视觉，结果最后发现是手眼标定矩阵错了，耽误了大量时间。

6. 企业就业标准：面试官到底在看什么

很多读者学习具身智能，最终目标是进入这个行业。这一节我结合自己面试和了解到的招聘信息，整理一些企业关注的要点。

6.1 岗位类型划分

具身智能相关岗位大致可以分为三类：

• 算法岗：负责策略学习、视觉感知、运动规划等核心算法，对数学和深度学习基础要求较高。
• 系统集成岗：负责把算法部署到真机上，涉及 ROS、硬件调试、通信协议，对工程能力要求较高。
• 数据工程岗：负责数据采集、数据清洗、数据管理，是当前企业需求量比较大的方向。

三类岗位里，纯算法岗门槛最高，通常要求有顶会论文或高难度项目经验。系统集成岗和数据工程岗相对更适合初学者作为切入点。

6.2 简历上必须有的项目形式

从我了解的情况来看，企业面试官最看重的不是你学过多少理论，而是你有没有“让一个物理系统按照预期动作运行起来”的经验。

一个比较有说服力的项目描述通常包含这几部分：

• 任务背景：解决什么实际问题。
• 技术方案：用了什么感知模型、规划算法、控制框架。
• 具体数据：抓取成功率是多少、单次任务耗时多久、用了多少条训练数据。
• 难点分析：仿真到真机迁移时遇到了什么问题，最终怎么解决的。

单纯写“熟悉强化学习”没有说服力，如果你能说出“在仿真中训练了 PPO，通过域随机化策略成功迁移到真机，抓取成功率从 30% 提升到 85%”，这会直观得多。

6.3 常见面试问题

• 相机手眼标定你用过哪些方法？如何在机器人坐标系中获取物体的位置？
• 你是怎么处理仿真和真机之间视觉差异的？
• 如果机械臂在真机上突然抖动，你会从哪些方面排查？
• 模仿学习中，数据质量差会导致什么问题？如何保证数据质量？
• 大模型如何在你的系统里发挥作用？如果推理延迟很高你怎么优化？

这些问题没有一个标准答案，但如果你真的有真机调试经验，回答起来会非常自然。这也是我反复强调要亲手做项目的原因。

6.4 没有真机条件怎么办

如果条件确实有限，也有一些补救方案：

• 购买一台入门级二手桌面机械臂，几千元以内就有选择。
• 参加提供免费在线仿真环境的比赛，很多比赛会提供云端真机调试时长。
• 做一个“仿真到真机迁移模拟”项目：在两种物理参数不同的仿真环境中训练和测试同一个策略，验证算法的泛化能力。

总的原则是：优先让项目闭环跑起来，而不是追求大而全。

7. 4个月踩过的坑：高频问题与排查思路

下面把我实际踩过、也看到周围人反复踩的坑按问题现象、原因和解决思路整理成表格，方便你遇到问题时快速对照。

7.1 仿真跑得很好，真机一碰就废

这是具身智能初学者最容易遇到、也是最打击信心的问题。根本原因是仿真中很多参数都被“理想化”了，比如物体表面摩擦力、机械臂动力学参数、相机成像质量等。

我的建议是，从第一天开始就刻意给仿真场景增加难度：

• 随机化物体位置、姿态、纹理。
• 随机化光照方向。
• 给机械臂关节加入一些随机噪声。
• 测试多个不同的物理参数组合。

如果你只在固定条件下训练，模型就会过拟合到仿真环境上，真机迁移自然失败。

7.2 相机标定不准

相机标定是视觉抓取的基础。标定不准会导致“看得见但抓不着”，而且有时候偏差很小很难察觉。

排查时可以这样做：

1. 先用标定板精准标定相机内参。
2. 再通过手眼标定确定相机相对于机械臂基座的位姿。
3. 验证方法：把机械臂末端移动到某个已知位置，用相机观察末端上的标记点，看计算结果是否吻合。

如果偏差在很多位置都一致，通常标定外参错了；如果偏差随位置变化，可能内参或畸变模型有问题。

7.3 机械臂运动规划撞到奇异点

机械臂在某些姿态下会进入奇异点，导致规划失败或末端突然加速。真机上线前，一定要做奇异点规避检查。

常见处理方案：

• 规划时设置关节速度、加速度限制。
• 使用带奇异点规避功能的规划库。
• 在任务规划层尽量避免让机械臂进入极限姿态。

7.4 数据集采集速度太慢

模仿学习需要大量高质量数据，而遥操作采集一一条干净的数据可能要几十秒。这个问题在工程项目中非常现实。

我的建议是：

• 第一优先级是“动作可重复性”，确保同一个演示能被稳定复现。
• 控制采集环境的一致性，避免频繁变动背景和光照。
• 记录传感器原始数据、机器人状态、动作指令，方便后续数据增强。

7.5 大模型推理延迟太高

如果用大语言模型做任务规划，一次推理可能要几秒甚至几十秒，这对机械臂实时控制来说完全不可接受。

工程上常用的办法：

• 通过 prompt engineering 让模型输出压缩的 JSON 指令，加快推理。
• 模型部署用量化或蒸馏等方式加速。
• 任务规划结果缓存：同一个任务指令不重复调用模型。
• 把实时性要求高的部分放在本地模型，低频决策用大模型。

8. 工程实践与安全建议

具身智能项目和传统软件项目有一个非常大的不同：代码的 bug 可能会带来物理上的破坏。下面几条工程实践是我认为在项目落地时必须遵守的。

8.1 安全永远是第一位

在进行真机实验之前，必须确认以下几项：

• 物理急停按钮是否可用，位置是否方便按压。
• 机械臂工作范围内是否没有人或易碎物品。
• 关节力矩限制是否打开。
• 调试速度是否设置为低速模式。
• 是否有一键断电的工具。

任何情况下都不要在机械臂运动时把手伸进工作空间，哪怕只是调整一个小物块的位置，也要先让机械臂完全停止。

8.2 日志与数据管理

真机实验的复现性高度依赖日志。建议记录以下信息：

• 时间戳。
• 机械臂关节状态。
• 相机图像和深度图。
• 所有控制指令。
• 每一步的时间消耗。
• 成功/失败标记及失败原因。

日志重放是所有具身智能调试的基础能力。要确保你能在事后回看某一次实验的完整过程。

8.3 模型版本控制

策略模型更新频繁，稍不注意就会覆盖上一次效果更好的版本。建议：

• 每个训练版本保存独立的 checkpoint，并记录训练参数。
• 模型命名包含日期和关键参数，比如policy_20260401_bs64_lr1e4.pth。
• 真机实验时，确认当前加载的是哪个版本模型，避免用错。

8.4 复现性管理

为了快速复现结果，在项目初始化时就应固定依赖版本：

# 生成依赖清单 pip freeze > requirements.txt # 或者用 poetry 管理 poetry init poetry add numpy torch poetry lock

另外，如果使用了 ROS，建议把 launch 文件和参数文件也纳入版本管理，避免“换了电脑就跑不了”的问题。

9. 下一步怎么继续深入

如果你完整走完了前面 4 个月的学习路线，并且做出了至少一个端到端的抓取项目，那么你已经具备了进入这个行业的基础能力。

下一步可以按兴趣选择深入方向：

• 如果你对视觉更感兴趣，可以深入研究 6D 位姿估计、三维视觉基础模型、实时目标跟踪。
• 如果你对决策和规划更感兴趣，可以重点学习模仿学习中的扩散策略、强化学习中的并行训练框架。
• 如果你对系统更感兴趣，可以深入 ROS 2 的通信机制、实时控制系统和嵌入式计算平台。

具身智能是一个典型的交叉学科领域，需要同时具备算法、系统和硬件的综合能力。没有哪一条知识是“没用的”，但也不可能在短时间内全部学完。建议的方式是“先用一条主线打通闭环，再横向扩展”。

如果你在实操中遇到具体问题，欢迎在评论区留言，我会选择典型问题补充到后续的文章里。这篇文章的内容比较多，建议先收藏，然后按阶段逐步实践。