09 Robotics 自学资源指南

本页借鉴 CS 自学指南 和 LearnCS 的组织方式：先按学习目标分流，再用课程卡片说明先修、难度、学时、适合人群和学习策略。链接以官方页面为主，避免把学习路线变成随机收藏夹。

更新时间：2026-05-15。

如何使用这页

不要试图把所有课程都完整刷完。Robotics 的知识面太宽，最有效的方法是：

先建立全景 -> 选一条主线 -> 做闭环项目 -> 遇到短板再补课程

这份指南的反面不是“学得少”，而是“收藏很多但没有完成任何闭环”。每个资源都应该服务于一个明确产出。

三类读者对应三种路线：

核心必修路线

如果只选 5 个资源，建议这样排：

1. Modern Robotics：机器人几何、运动学、动力学、规划、控制的主干。
2. Probabilistic Robotics 或状态估计教材：补 localization、SLAM 和不确定性。
3. Planning Algorithms：补 motion planning 的算法地图。
4. ROS 2 Documentation：学习真实系统如何组织模块。
5. 根据方向选择 MIT Underactuated、MIT Robotic Manipulation 或 Berkeley CS285。

资源卡片

Modern Robotics

• 方向：机器人基础、运动学、动力学、规划、控制。
• 链接：Modern Robotics: Mechanics, Planning, and Control。
• 先修要求：线性代数、基础物理、微分方程、基础编程。
• 难度：中等偏上。
• 预计学时：80-150 小时，取决于是否做习题和编程。
• 为什么学：它给 robotics 一个现代几何框架，适合 AI/CS 背景系统补齐机器人基础。
• 学到什么程度：能解释 SE(3)、twist、Jacobian、IK、轨迹生成和基础控制。
• 学习建议：先看视频抓直觉，再读对应章节；习题不必全刷，但 kinematics、Jacobian、trajectory generation 相关题要动手。
• 跳过建议：如果只做 mobile robot，可以暂时降低机械臂动力学章节优先级。

Stanford CS223A: Introduction to Robotics

• 方向：机械臂建模、设计、控制。
• 链接：Stanford SEE CS223A，也可参考当前课程页 CS223A / ME320。
• 先修要求：矩阵代数。
• 难度：中等。
• 预计学时：60-120 小时。
• 为什么学：经典 intro robotics 课程，覆盖 geometry、kinematics、dynamics、control 和 force control。
• 学到什么程度：能看懂机械臂控制论文里的基本符号和控制结构。
• 学习建议：适合作为 Modern Robotics 的替代或补充；如果你喜欢课程讲授胜过读书，可以从它开始。

Probabilistic Robotics

• 方向：概率估计、定位、SLAM、决策。
• 链接：MIT Press: Probabilistic Robotics。
• 先修要求：概率论、线性代数、基本算法。
• 难度：中等偏上。
• 预计学时：80-160 小时。
• 为什么学：它是理解 localization、mapping、Bayes filter、particle filter、SLAM 的经典入口。
• 学到什么程度：能把 localization / SLAM 问题写成 belief update，并理解 filter 和 graph-based 方法的差异。
• 学习建议：重点读 Bayes filter、Kalman filter、particle filter、localization、mapping、SLAM。决策章节可按需读。
• 跳过建议：如果目标是 manipulation learning，可以先只读估计相关章节。

State Estimation for Robotics

• 方向：现代状态估计、Lie group、batch estimation、factor graph。
• 链接：Cambridge Core: State Estimation for Robotics。
• 先修要求：概率、优化、线性代数、SE(3) 基础。
• 难度：高。
• 预计学时：100-200 小时。
• 为什么学：比传统概率机器人更贴近现代 SLAM / VIO / factor graph / continuous-time estimation。
• 学到什么程度：能理解 residual、Jacobian、least squares、pose graph、bundle adjustment。
• 学习建议：不要从第一页硬啃；先用 04_perception_state_estimation_slam.md 建框架，再按项目需要查章节。

Planning Algorithms

• 方向：路径规划、运动规划、规划不确定性、kinodynamic planning。
• 链接：Planning Algorithms by Steven M. LaValle。
• 先修要求：算法、离散数学、基础拓扑/几何更佳。
• 难度：高。
• 预计学时：80-180 小时。
• 为什么学：它把 robotics、AI、控制、图形学里的 planning 放到同一张理论地图里。
• 学到什么程度：能区分 graph search、sampling-based planning、feedback planning、planning under uncertainty。
• 学习建议：优先读 Chapter 2-5、13-14；先抓 A*、PRM、RRT、configuration space 和 kinodynamic planning。
• 跳过建议：理论证明可以二刷时再补，第一遍优先形成算法分类。

MIT Underactuated Robotics

• 方向：非线性动力学、最优控制、腿足、飞行、欠驱动系统。
• 链接：Underactuated Robotics。
• 先修要求：动力学、线性系统、优化、微分方程。
• 难度：高。
• 预计学时：120-250 小时。
• 为什么学：如果你关心 legged robotics、agile control、MPC、非线性控制，这是核心资源。
• 学到什么程度：能理解 LQR、Lyapunov、trajectory optimization、contact-rich dynamics 的基本结构。
• 学习建议：从 pendulum、cart-pole、quadrotor、LQR、Lyapunov 开始，不要一上来追求完整覆盖。

MIT Robotic Manipulation

• 方向：机器人操作、感知、规划、控制、学习。
• 链接：MIT 6.4210/6.4212 Robotic Manipulation。
• 先修要求：线性代数、概率、算法、基础 neural networks、Python。
• 难度：中高到高。
• 预计学时：100-200 小时。
• 为什么学：它把现代 manipulation 的 pipeline 讲得很接近真实系统：perception、planning、TAMP、uncertainty、dynamics、learning。
• 学到什么程度：能设计一个 tabletop manipulation 软件栈，并知道哪些环节需要 classical 方法，哪些环节适合 learning。
• 学习建议：适合在读完基础后进入；配合 Drake / simulation 做项目效果最好。

Berkeley CS285: Deep Reinforcement Learning

• 方向：深度强化学习、控制、模仿学习、model-based RL。
• 链接：Berkeley CS285 course page。
• 先修要求：机器学习、优化、概率、深度学习训练经验。
• 难度：高。
• 预计学时：100-180 小时。
• 为什么学：如果你想做 robot learning，它能补 RL 和 control / decision making 之间的桥。
• 学到什么程度：能实现 policy gradient、actor-critic、SAC、model-based RL，并理解它们在机器人中的限制。
• 学习建议：把作业和机器人任务联系起来看；不要误以为会 RL 就等于会部署机器人策略。

ROS 2 Official Documentation

• 方向：机器人软件系统、通信、工具链。
• 链接：ROS 2 Documentation，安装与版本选择可看 ROS Getting Started。
• 先修要求：Linux、Python 或 C++、基本命令行。
• 难度：入门中等，工程熟练高。
• 预计学时：30-80 小时入门，长期使用中继续学。
• 为什么学：ROS 2 是理解真实机器人系统组织方式的关键工具。
• 学到什么程度：能写 node、topic、service、action，能用 TF、launch、bag，能跑一个导航或机械臂仿真。
• 学习建议：先跟官方 tutorials 顺序走一遍，再结合正在做的机器人项目查 package 文档。
• 注意：ROS 版本和 Ubuntu 版本强绑定，新手优先选择官方推荐的 Tier 1 组合。

按方向的推荐组合

Mobile Robotics / SLAM

Modern Robotics 基础
-> Probabilistic Robotics
-> State Estimation for Robotics
-> ROS 2 + Nav2 project

项目目标：在仿真中完成 localization、mapping、global planning、local planning、obstacle avoidance。

Manipulation

Modern Robotics / CS223A
-> MIT Robotic Manipulation
-> Planning Algorithms selected chapters
-> imitation learning or diffusion policy papers

项目目标：完成 tabletop pick-and-place，包含 perception、IK、collision-free planning、grasp execution。

Control / Legged / UAV

Modern Robotics
-> MIT Underactuated Robotics
-> MPC / trajectory optimization
-> simulation-to-real reading

项目目标：cart-pole swing-up、quadrotor trajectory tracking、legged locomotion simulation 三选一。

Robot Learning

ML / DL / RL 基础
-> Berkeley CS285
-> MIT Robotic Manipulation
-> imitation learning / VLA papers
-> safety and sim-to-real

项目目标：从 demonstration 学一个 manipulation policy，并用 safety wrapper 或 classical controller 限制动作。

不同时间预算怎么学

10 小时

• 读 00_quick_grasp.md、README.md、08_research_map_and_learning_path.md。
• 看 Modern Robotics 的 intro / configuration space / kinematics 视频。
• 跑 ROS 2 turtlesim 或最小 node demo。

50 小时

• 读完 Modern Robotics 的 kinematics、Jacobian、trajectory generation。
• 学 Bayes filter / EKF 的基本形式。
• 做一个 A* 或 RRT 小实现。
• 跑一个 ROS 2 仿真项目。

200 小时

• 完成 Modern Robotics 主干。
• 精读 Probabilistic Robotics 或 State Estimation 的核心章节。
• 读 Planning Algorithms 的 motion planning 章节。
• 选一个方向做闭环项目和 5-10 篇论文阅读。

选课避坑

• 不要先刷一堆 RL 再学控制；机器人策略最后要落到物理闭环。
• 不要只看 perception benchmark；机器人感知要服务 action。
• 不要忽略 ROS、TF、时间戳和 calibration；这些常常比模型结构更先让系统失败。
• 不要一次同时深入 SLAM、manipulation、legged、VLA；先选主线。
• 不要只看视频；至少做一个能闭环跑起来的项目。

自学产出模板

每学一个主题，建议写一页笔记：

主题：
它解决的问题：
输入 / 输出：
核心数学对象：
代表算法：
和机器人闭环中哪一层相连：
最小实现：
常见失败模式：
我下一步要做的项目：