自进化机器人社区

让机器人拥有自进化能力，脱离人类独立完成任务。

Python

掌握 Python 编程语言的核心概念与工程化实践，从数据结构、面向对象编程到并发编程，通过小型项目和实际算法应用，确保你能够编写和调试高效的代码，具备独立完成机器人工程任务的能力。

Linux 系统是机器人开发的基础，学习常用命令行操作、文件系统、权限管理、网络配置等，掌握在 WSL 和服务器环境下的开发技巧。通过实际操作解决常见开发与运维问题，提升系统管理与问题排查能力。

理解机器学习的基本理论与应用，包括数据预处理、特征工程、监督学习方法（回归与分类）、模型评估与优化。学习如何从理论到实践复现经典算法和论文，能够独立进行机器学习项目的建模与调优。

从基础的神经网络到高级网络架构（如 CNN 和 Transformer），掌握深度学习的训练技巧、优化算法和分布式训练方法。通过 PyTorch 深入理解深度学习的原理与实践，完成可复现的深度学习项目。

探索多模态大模型（LLM/VLM）的基本概念和应用，通过 Prompt Engineering 与 Agent 架构等技术，理解如何将视觉、语言与行动结合，解决机器人场景中的任务规划与执行问题，掌握多模态模型的调优与评测方法。

强化学习是机器人的自进化机制，涵盖基础的马尔可夫决策过程（MDP）、策略优化、值迭代、Q-learning、策略梯度等内容，深入学习离线与在线强化学习技术，掌握基于 RL 的机器人训练与探索方法，能够提升机器人的自主决策与行为稳定性。

世界模型通过学习环境动态与规划策略，使机器人能够进行自我预测与控制。学习如何利用表征学习与模型预测控制（MPC），实现机器人在复杂环境中的长时序决策与任务规划，为强化学习与机器人控制提供理论与实践支持。

视觉-语言-动作模型（VLA）是机器人的跨模态学习和行为执行能力的核心，学习如何从视觉信息与语言描述中提取动作策略，并通过行为克隆、扩散策略等技术实现机器人任务的自主执行，重点关注模型的Sim2Real转化与机器人部署。

将理论与实践结合，设计项目进行数据收集、模型训练、系统部署、结果评估和复盘。每个项目都将提供完整的代码实现、性能评估报告和复盘模板，帮助你从实战中积累经验，逐步提高解决问题的能力与工程化水平。