主题
机器人学习
理解机器人如何从示范、数据、仿真和交互经验中获得可执行能力。
机器人学习研究机器人如何从数据或经验中获得感知、预测、规划和控制能力，常见方法包括模仿学习、强化学习、离线学习、自监督学习以及仿真到现实迁移。它可以改进难以手工编程的任务，但并不意味着传统控制、系统建模和安全约束可以被省略。
本主题关注数据来源与质量、训练成本、策略泛化、评测设计、在线适应和安全部署，尤其区分单一基准上的性能提升与跨场景、跨本体的可重复能力。
从这里开始
长期指南什么是机器人控制？从高层指令到真实运动
机器人控制通过反馈、运动与力调节、预测式优化、全身协调和学习组件，把期望行为转化为真实物理动作。
阅读文章 →相关内容
什么是机器人世界模型？机器人如何预测行动之后会发生什么
世界模型帮助机器人预测动作可能如何改变物理世界。本文解释学习到的环境动态、规划、潜在预测、仿真、VLA，以及预测真实世界结果时仍然存在的边界。
长期指南什么是机器人基础模型？从 AI 模型到物理智能
机器人基础模型把基础模型思想带入物理系统，解释数据、感知、行动、具身与反馈如何在现实约束下共同工作。
长期指南什么是 Sim2Real？机器人如何从仿真走向现实
Sim2Real 指将机器人在仿真环境中获得的能力迁移到真实机器人，并用现实世界的测试验证其可靠性的一组方法。本文解释现实差距、主要迁移策略，以及为什么仿真成功不等于部署成功。
长期指南机器人如何学习？从示范学习、强化学习到 Sim2Real
机器人学习是机器人通过数据、示范、环境交互或仿真获得并改进能力的方法集合。本文解释行为克隆、强化学习、机器人数据与 Sim2Real 的作用，同时区分学习策略、规划器、控制器和真实部署证据。
长期指南什么是具身智能？身体、环境与行动如何共同塑造智能
具身智能不是一个单独的模型名称，而是一种系统视角：智能体的身体与环境会共同影响它能感知什么、如何学习，以及如何行动。本文定义这一概念，并厘清它与相邻 AI 术语的边界。
长期指南什么是 VLA？Vision-Language-Action 模型如何让机器人理解并执行指令
解释 Vision-Language-Action 模型如何连接语言、视觉与机器人行为，以及它在完整机器人控制架构中的位置。
长期指南从 LLM 到机器人动作：VLM、VLA、世界模型、强化学习、Sim2Real 和机器人控制到底是什么关系？
用一个“把红色杯子放进盒子”的任务，拆开 LLM、VLM、VLA、世界模型、模仿学习、强化学习、仿真、Sim2Real、规划、策略与控制在 Physical AI 中的分工。