标签: 具身智能
共 29 篇文章
AI-调查研究-108-具身智能 机器人模型训练全流程详解：从预训练到强化学习与人类反馈
机器人数据模型训练流程涵盖从预训练、微调到强化学习与人类反馈的全周期优化，是实现智能自主决策的核心路径。首先通过大规模监督与自监督预训练获取通用感知与动作表示；随后在特定任务上进行微调，采用全量更新或LoRA等参数高效方法提升适应性。接着结合强化学习与模仿学习，实现从"会做"到"做好"的策略优化，并通过人类反馈构建奖励模型，确保机器人行为符合人类偏好与安全约束。最后在仿真与实机循环中...
AI-调查研究-107-具身智能 强化学习与机器人训练数据格式解析：从状态-动作对到多模态轨迹标准
机器人与强化学习系统中的数据格式与开发流程，包括时间序列轨迹、状态-动作对、离线强化学习数据、多模态融合结构及元数据标注标准。时间序列轨迹以状态—动作—奖励序列形式构建，支持Transformer等模型的时空理解。
AI-调查研究-106-具身智能 机器人学习数据采集工具和手段：传感器、API、遥操作、仿真与真人示教全流程
现代数据采集的核心方法与应用场景，涵盖从手动录入、传感器采集、网络爬虫、API接口调用、日志采集到仿真与真人示教等十余种方式，系统阐述其在工业自动化、物联网、AI训练、机器人控制等领域的具体实现。
AI-调查研究-105-具身智能 机器人学习数据采集：从示范视频到状态-动作对的流程解析
数据采集是机器人学习开发流程的关键环节，涵盖示范视频采集、动作轨迹记录、状态-动作对生成与语言指令标注等步骤。通过录制专家演示视频（1080p以上、30fps稳定光照）并分割关键帧，可为模仿学习提供高质量视觉数据。
AI-调查研究-104-具身智能 从模型训练到机器人部署：ONNX、TensorRT、Triton全流程推理优化详解
推理部署与优化是从AI模型训练走向机器人应用的关键环节，其核心目标是实现高效、低延迟、跨平台的智能推理。通过ONNX标准化模型格式，可在PyTorch、TensorFlow等框架间无缝转换，实现CPU、GPU、TPU等多硬件平台兼容。NVIDIA TensorRT、Intel OpenVINO、ONNX Runtime等推理引擎提供算子融合、量化压缩、FP16/INT8/INT4低精度计算等...
AI-调查研究-103-具身智能 技术全景图 Isaac Gym、Habitat Open X-Embodimen...
机器人技术栈构成涵盖从硬件到算法的完整体系，是实现智能控制的核心基础。硬件层包括高性能计算单元（CPU、GPU、TPU）、边缘计算设备（Jetson、NUC）、感知传感器系统（RGB相机、激光雷达、IMU）与执行器系统（伺服电机，EtherCAT总线），构建出高精度感知与实时控制能力。软件层以ROS为核心中间件，结合G...
AI-调查研究-102-具身智能 智能机械臂、自动驾驶与人形机器人的模仿学习、强化学习与多模态融合趋势
不同类型的机器人在结构、任务和控制方式上差异巨大，因此AI算法的适配策略也需因地制宜。机械臂以高精度和重复性为核心，常用于工业制造和医疗操作。现代机械臂广泛采用模仿学习+强化学习结合的训练方式，通过人类示教与仿真微调实现毫米级操作精度。
AI-调查研究-101-具身智能 现代AI方法全解析：VLA、RT-1、RT-2、扩散模型 在机器人控制中的应用
现代AI机器人控制方法正在经历从强化学习、模仿学习到大模型驱动的多模态智能体的重大跃迁。特别是视觉-语言-动作模型（VLA）与扩散策略的结合，正在重塑机器人智能的边界。
AI-调查研究-100-具身智能 现代AI方法全解析：强化学习、模仿学习与Transformer在机器人控制中的应用
面向机器人控制的现代人工智能方法涵盖强化学习（RL）、模仿学习（IL）、以及基于Transformer的大模型方法。强化学习通过奖励信号驱动机器人试错学习；模仿学习通过专家演示快速获取策略；Transformer模型用于序列决策。
AI-调查研究-99-具身智能 融合感知技术全面解析（摄像头、LiDAR、IMU、雷达融合）
融合感知（Sensor Fusion）是自动驾驶、机器人和智能安防等领域的核心技术，通过摄像头、LiDAR、雷达、IMU、超声波等多传感器数据融合，实现更精准、更全面的环境感知。常见方法包括数据级融合、特征级融合和决策级融合。典型组合如视觉+雷达实现全天候探测，LiDAR+IMU提升定位精度，多摄像头融合实现360°全景感知。
AI-调查研究-98-具身智能 视觉SLAM详解：ORB-SLAM、RTAB-Map、VINS-Fusion核心技...
视觉SLAM（Visual SLAM）是一种不依赖LiDAR，仅使用摄像头实现自主定位和环境建图的技术。通过提取环境特征（角点、边缘、纹理），利用多视图几何计算相机轨迹，同时建立3D地图。
AI-调查研究-97-具身智能 SLAM算法对比与应用场景详解：Cartographer、LOAM、GMappin...
多传感器融合与SLAM是机器人感知与导航的核心技术。通过融合IMU、GPS、轮式里程计、激光雷达、视觉里程计等多源数据，机器人能够在复杂环境中实现高精度定位与实时建图。ROS生态中的robot_localization包是最常用的开源方案，支持EKF/UKF滤波器、多传感器输入和GPS全局定位。
AI-调查研究-96-具身智能 机器人场景测试全攻略：从极端环境到实时仿真
机器人场景测试全攻略，涵盖环境测试、负载测试、异常情况测试三大维度。传统手工测试存在效率低、难以复现的局限，自动化测试通过可编程性、可重复性显著提升覆盖率。实时仿真是核心手段，借助物理引擎可安全模拟危险场景。
AI-调查研究-95-具身智能 机器人场景测试全解析：从极端环境仿真到自动化故障注入
在机器人进入实际应用前，必须进行系统化的场景测试，涵盖极端天气、复杂地形、电磁干扰和突发状况等边界条件。传统手工测试覆盖率有限，而自动化测试与仿真技术可将罕见场景转化为可重复流程，大幅提升效率与安全性。
AI-调查研究-94-具身智能 机器人算法真机验证全流程解析：测试平台、部署方案与接口对接
本文探讨机器人算法真机验证的三大核心环节——测试平台选择、部署流程设计与接口对接，涵盖TurtleBot3等移动机器人平台与机械臂测试方案。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-93-具身智能 机器人仿真工具大全：从Gazebo到Isaac Sim的全面对比 六大仿真平台
仿真工具是机器人研发的重要组成部分，可在无风险环境下进行算法验证与系统调试，加速迭代。Gazebo作为开源标杆，支持多物理引擎与丰富传感器，深度融合ROS。NVIDIA Isaac Sim依托Omniverse与RTX技术，具备超高图形保真与GPU加速物理能力。Webots界面直观、跨平台，教学价值突出。CoppeliaSim功能强大，支持多机器人协同。
AI-调查研究-92-具身智能 机器人运动控制全解析：从传统模型到深度学习方法
机器人运动控制可分为两大类：传统基于模型的方法与基于深度学习的智能控制。前者强调运动学/动力学建模、轨迹规划与反馈控制，典型实现依托ROS2控制框架和MoveIt。
AI-调查研究-91-具身智能 多模态数据标注工具全景调研：从LabelStudio到3D点云 视觉与点云标注工具
在机器人视觉与感知模型的训练中，高质量的多模态数据标注工具至关重要。当前主流方案涵盖了2D图像、视频、文本、音频及3D点云等多模态场景。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-90-具身智能 机器人数据采集与通信中间件全面解析：ROS/ROS2、LCM 与工业总线对比
现代机器人系统需要高效的数据采集和通信中间件来连接传感器、控制器和计算单元，实现感知、控制与决策的协同工作。ROS作为开源事实标准，采用发布/订阅模式。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-76-具身智能 当机器人走进生活：具身智能对就业与社会结构的深远影响
具身智能的广泛应用正在深刻改变社会结构。自动化将取代大量重复性岗位，同时创造新兴职业，导致就业市场出现"职业极化"。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-75-具身智能 从LLM到LBM：大模型驱动下的机器人分层控制架构
大型语言模型（LLM）与机器人实时控制的融合，正推动机器人智能化升级。LLM在指令理解、任务规划和环境适应性方面展现出巨大潜力，但直接应用也带来安全性、实时性等瓶颈。
AI-调查研究-74-具身智能 机器人学习新突破：元学习与仿真到现实迁移的挑战与机遇
文章探讨具身智能体的快速学习能力，重点研究元学习与少样本学习方法，以及仿真到现实（Sim-to-Real）迁移的技术挑战与解决方案。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-73-具身智能 未来十年具身智能发展趋势：从技术融合到产业化落地
未来十年，具身智能将迎来范式跃迁：以"预训练世界模型+在线学习"为核心，软硬件协同与跨学科融合加速，数字孪生、群体协作、类脑芯片成为突破点。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-72-具身智能 发展挑战全解析：数据、硬件、算力与商业化的多维瓶颈
具身智能发展面临六大核心挑战：数据匮乏、硬件限制、训练效率、成本瓶颈、标准化与产业生态、安全伦理。实现"每公斤运动质量成本<1000美元"才能开启普惠时代。
AI-调查研究-71-具身智能 案例分析：从ROS到Tesla Optimus的开源与商业化实践
具身智能在架构、能力与应用上的典型实践。开源方面，ROS机器人操作系统以模块化设计和丰富功能包库成为行业事实标准。商业方面，特斯拉Optimus依托电动车与自动驾驶积累，展现出通用人形机器人的发展潜力。
AI-调查研究-70-具身智能 产业生态与发展趋势：从全球格局到技术演进的全景解读
具身智能（Embodied AI）正在引领新一轮科技革命，市场规模从2024年的25.3亿美元预计增长至2033年的87.6亿美元，年复合增长率达15%。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-69-具身智能 关键能力全景解析：算法、硬件、仿真与数据的系统综述
系统综述具身智能的五大关键能力维度：智能算法、高性能硬件、仿真与虚拟环境、嵌入式与软件系统、以及数据获取与处理。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-68-具身智能 应用全景：家庭、工业、医疗、交通到虚拟交互的未来趋势
系统探讨具身智能在多个领域的应用前景与发展趋势，涵盖家庭、工业、医疗、交通及虚拟交互等核心场景。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。
AI-调查研究-67-具身智能 核心技术构成全解析：感知、决策、学习与交互的闭环系统
具身智能的技术构成可概括为"感知—决策—控制—学习—交互"闭环系统。感知层由多种传感器组成，为机器人提供环境建模与物体识别能力。本文深入分析原理与实践应用，帮助读者全面理解核心技术要点。