E01～E90 教材库
AI Deep Mastery 总路线 Day 271～360
正式学习日包含机器人/具身概念、数学或算法机制、最小仿真/trace、单变量故障、证据边界、系统与 AGI 连接、自检和专业课程锚点。周日只做恢复；教材可以提前阅读，但 P4 尚未启动。
W1
第 1 周
具身闭环与刚体变换语言
具身闭环与刚体变换语言 的核心不是记住一组机器人术语，而是围绕“state、observation、action 与 SO(2)/SO(3)/SE(2)/SE(3) 的职责”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
变换复合、求逆与四元数归一化
变换复合、求逆与四元数归一化 的核心不是记住一组机器人术语，而是围绕“compose、inverse、transform_point、2D pose 与 quaternion normalization”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Frame Tree 与平面机器人最小仿真
Frame Tree 与平面机器人最小仿真 的核心不是记住一组机器人术语，而是围绕“2D 移动机器人或 2-link arm、frame tree、轨迹与 observation/action contract”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Frame、单位与乘法顺序故障注入
Frame、单位与乘法顺序故障注入 的核心不是记住一组机器人术语，而是围绕“world/body frame、左乘/右乘、degree/radian、米/毫米与时间戳错误”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
坐标知识图与 Bug 传播链
坐标知识图与 Bug 传播链 的核心不是记住一组机器人术语，而是围绕“从 sensor measurement 到 control action 的 frame、unit、time 传播”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Twist、Adjoint 与三维延伸
Twist、Adjoint 与三维延伸 的核心不是记住一组机器人术语，而是围绕“quaternion 双覆盖、twist、exponential coordinates 与 adjoint 的用途”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W1 休息、恢复与自然沉淀
E07：W1 休息、恢复与自然沉淀
W2
第 2 周
运动学、动力学与奇异性
运动学、动力学与奇异性 的核心不是记住一组机器人术语，而是围绕“FK、IK、configuration space、Jacobian、singularity 与状态空间”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Planar FK/IK、Jacobian 与 PID
Planar FK/IK、Jacobian 与 PID 的核心不是记住一组机器人术语，而是围绕“解析/数值 IK、Jacobian controller、PID 和 anti-windup”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Open-loop 与 Feedback 仿真对照
Open-loop 与 Feedback 仿真对照 的核心不是记住一组机器人术语，而是围绕“Reacher、Pendulum 或 2-link arm 的轨迹执行与扰动恢复”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
控制器故障曲面
控制器故障曲面 的核心不是记住一组机器人术语，而是围绕“mass、friction、delay、control frequency、noise 与 saturation 的耦合”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
PID、LQR、轨迹优化与 MPC 关系图
PID、LQR、轨迹优化与 MPC 关系图 的核心不是记住一组机器人术语，而是围绕“四类方法的模型需求、反馈方式、约束与计算位置”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
LQR、MPC 与欠驱动系统选读
LQR、MPC 与欠驱动系统选读 的核心不是记住一组机器人术语，而是围绕“线性化、controllability、Riccati、有限时域约束和欠驱动结构”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W2 休息、恢复与自然沉淀
E14：W2 休息、恢复与自然沉淀
W3
第 3 周
Bayes Filter 与 SLAM 问题本体
Bayes Filter 与 SLAM 问题本体 的核心不是记住一组机器人术语，而是围绕“process/measurement model、Kalman/EKF、particle、pose/factor graph”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
1D Kalman 与 2D EKF Localization
1D Kalman 与 2D EKF Localization 的核心不是记住一组机器人术语，而是围绕“预测、innovation、Kalman gain、Jacobian 与 covariance ellipse”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Dead Reckoning、EKF 与 Factor Graph 对照
Dead Reckoning、EKF 与 Factor Graph 对照 的核心不是记住一组机器人术语，而是围绕“在线 filtering、batch least squares、factor graph 与历史重估”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
估计故障注入与可诊断性
估计故障注入与可诊断性 的核心不是记住一组机器人术语，而是围绕“bias、dropout、timestamp offset、data association 与 false loop closure”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
ATE、RPE、Innovation 与不确定性叙事
ATE、RPE、Innovation 与不确定性叙事 的核心不是记住一组机器人术语，而是围绕“全局误差、局部漂移、统计一致性与闭环修正”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
GTSAM、IMU 预积分与公开数据选读
GTSAM、IMU 预积分与公开数据选读 的核心不是记住一组机器人术语，而是围绕“factor graph API、IMU 高频积分、TUM/EuRoC 数据结构”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W3 休息、恢复与自然沉淀
E21：W3 休息、恢复与自然沉淀
W4
第 4 周
相机几何与视觉表征
相机几何与视觉表征 的核心不是记住一组机器人术语，而是围绕“intrinsics/extrinsics、projection、depth、point cloud、CNN/ViT 与自监督表征”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
针孔投影、反投影与标定误差
针孔投影、反投影与标定误差 的核心不是记住一组机器人术语，而是围绕“像素、深度、相机坐标、外参与世界坐标的完整链”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
规则、OpenCV 与冻结表征对照
规则、OpenCV 与冻结表征对照 的核心不是记住一组机器人术语，而是围绕“color/shape、local feature、frozen embedding 与 segmentation-assisted localization”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
感知分布变化与语言歧义
感知分布变化与语言歧义 的核心不是记住一组机器人术语，而是围绕“光照、遮挡、视角、背景、相似干扰、depth 缺失和模糊 referring expression”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Perception→Frame→Estimation→Control 全链路
Perception→Frame→Estimation→Control 全链路 的核心不是记住一组机器人术语，而是围绕“W1～W4 的接口、置信度与错误传播”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W1～W3 薄弱连接复盘
W1～W3 薄弱连接复盘 的核心不是记住一组机器人术语，而是围绕“从坐标、控制、估计中只补一条最薄弱依赖”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W4 休息、恢复与自然沉淀
E28：W4 休息、恢复与自然沉淀
W5
第 5 周
图搜索、地图与主动感知
图搜索、地图与主动感知 的核心不是记住一组机器人术语，而是围绕“Dijkstra/A*、occupancy、C-space、RRT、POMDP 与 information gathering”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
A*、Occupancy Update 与 Replanning
A*、Occupancy Update 与 Replanning 的核心不是记住一组机器人术语，而是围绕“启发式搜索、collision checking、log-odds 更新与触发重规划”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Point、Object 与 Semantic Goal Navigation
Point、Object 与 Semantic Goal Navigation 的核心不是记住一组机器人术语，而是围绕“坐标目标、类别目标、语言/语义目标需要的状态与终止条件”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
导航故障切片
导航故障切片 的核心不是记住一组机器人术语，而是围绕“动态障碍、定位漂移、blocked path、模糊目标和错误语义地图”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Global、Local、Reactive Planning 与澄清
Global、Local、Reactive Planning 与澄清 的核心不是记住一组机器人术语，而是围绕“不同时间尺度、信息范围和责任边界”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Habitat、VLMaps 与 Frontier Exploration 选读
Habitat、VLMaps 与 Frontier Exploration 选读 的核心不是记住一组机器人术语，而是围绕“模拟导航平台、视觉语言地图与未知空间探索”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W5 休息、恢复与自然沉淀
E35：W5 休息、恢复与自然沉淀
W6
第 6 周
接触、抓取与阻抗控制
接触、抓取与阻抗控制 的核心不是记住一组机器人术语，而是围绕“wrench、friction cone、force closure、impedance 与 TAMP”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Planar Reach/Push、PD 与技能契约
Planar Reach/Push、PD 与技能契约 的核心不是记住一组机器人术语，而是围绕“IK trajectory、PD/impedance-like control、precondition、termination、recovery”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Reach、Push 或 Pick-Place 子任务仿真
Reach、Push 或 Pick-Place 子任务仿真 的核心不是记住一组机器人术语，而是围绕“选择一个任务，建立 observation、action、reward/termination 与 baseline”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
操作任务故障切片
操作任务故障切片 的核心不是记住一组机器人术语，而是围绕“object pose、mass/friction、grasp offset、delay、distractor 与 action clipping”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
状态机、IK+Feedback 与 Learned Policy 对照
状态机、IK+Feedback 与 Learned Policy 对照 的核心不是记住一组机器人术语，而是围绕“显式技能、模型控制、数据策略的先验、适应与调试差异”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Diffusion、灵巧手、触觉与 TAMP 选读
Diffusion、灵巧手、触觉与 TAMP 选读 的核心不是记住一组机器人术语，而是围绕“多模态 action、contact sensing、deformable objects 与任务运动联合规划”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W6 休息、恢复与自然沉淀
E42：W6 休息、恢复与自然沉淀
W7
第 7 周
模仿学习、RL 与动作分布
模仿学习、RL 与动作分布 的核心不是记住一组机器人术语，而是围绕“MDP/POMDP、BC、covariate shift、DAgger、offline/online RL 与多模态 action”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Behavior Cloning Loop 与 Episode Dataset
Behavior Cloning Loop 与 Episode Dataset 的核心不是记住一组机器人术语，而是围绕“episode schema、train/validation split、closed-loop rollout 与 DAgger-like aggregation”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Expert、BC、BC+Noise 与 DAgger 对照
Expert、BC、BC+Noise 与 DAgger 对照 的核心不是记住一组机器人术语，而是围绕“训练分布扩展、纠正标签与闭环恢复”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
示教质量、初态、动力学与推理延迟
示教质量、初态、动力学与推理延迟 的核心不是记住一组机器人术语，而是围绕“dataset coverage、action chunk、dynamics shift 与 latency”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Compounding Error 与 Policy 学习地图
Compounding Error 与 Policy 学习地图 的核心不是记住一组机器人术语，而是围绕“distribution shift、on/off-policy、sample efficiency、长期误差”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
PPO、SAC、Diffusion Policy 与 ACT 选读
PPO、SAC、Diffusion Policy 与 ACT 选读 的核心不是记住一组机器人术语，而是围绕“on-policy、off-policy、生成式 action 与 chunked transformer policy”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W7 休息、恢复与自然沉淀
E49：W7 休息、恢复与自然沉淀
W8
第 8 周
World Model 与 System Identification
World Model 与 System Identification 的核心不是记住一组机器人术语，而是围绕“forward/inverse model、参数辨识、latent dynamics、MPC 与模型利用”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Action-conditioned Dynamics、Random Shooting 与 CEM
Action-conditioned Dynamics、Random Shooting 与 CEM 的核心不是记住一组机器人术语，而是围绕“候选 action sequence、模型 rollout、代价与分布更新”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Simulator、Learned Dynamics 与 Model-free 对照
Simulator、Learned Dynamics 与 Model-free 对照 的核心不是记住一组机器人术语，而是围绕“先验、数据、偏差、速度、反事实与适应”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
World Model 失败曲面
World Model 失败曲面 的核心不是记住一组机器人术语，而是围绕“horizon、OOD action、contact、sparse reward、capacity 与 uncertainty”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Model-based Control、Dreamer、TD-MPC 与 JEPA 关系图
Model-based Control、Dreamer、TD-MPC 与 JEPA 关系图 的核心不是记住一组机器人术语，而是围绕“显式状态、latent imagination、value/reward 与表征预测的差异”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
V-JEPA 2、Genie 与 Dreamer 选读
V-JEPA 2、Genie 与 Dreamer 选读 的核心不是记住一组机器人术语，而是围绕“表征预测、生成环境、latent control 与物理规划主张”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W8 休息、恢复与自然沉淀
E56：W8 休息、恢复与自然沉淀
W9
第 9 周
Robot Episode Schema 与 VLA 谱系
Robot Episode Schema 与 VLA 谱系 的核心不是记住一组机器人术语，而是围绕“state/action normalization、RT-2、RT-X、Octo、OpenVLA、π0 与 SmolVLA”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
RLDS/LeRobot-like Schema 与语言动作头
RLDS/LeRobot-like Schema 与语言动作头 的核心不是记住一组机器人术语，而是围绕“episode、step、video/state/action 同步、language condition 与 normalization”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
State、Vision、Language 模态消融
State、Vision、Language 模态消融 的核心不是记住一组机器人术语，而是围绕“state-only、vision-only、language+state 与 frozen multimodal feature 的信息差”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
VLA 泛化与动作语义故障
VLA 泛化与动作语义故障 的核心不是记住一组机器人术语，而是围绕“paraphrase、distractor、camera shift、action scaling、impossible task 与 cross-embodiment mismatch”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
VLM→Reasoner→VLA→Controller 分层
VLM→Reasoner→VLA→Controller 分层 的核心不是记住一组机器人术语，而是围绕“任务理解、skill planning、action generation、低层跟踪与 safety shield”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
开放 VLA、Open X 与最新模型选读
开放 VLA、Open X 与最新模型选读 的核心不是记住一组机器人术语，而是围绕“SmolVLA、Octo、OpenVLA、π0 或新模型的架构、数据和许可”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W9 休息、恢复与自然沉淀
E63：W9 休息、恢复与自然沉淀
W10
第 10 周
Physics、Sim2real 与机器人中间件
Physics、Sim2real 与机器人中间件 的核心不是记住一组机器人术语，而是围绕“contact/solver、domain randomization、system ID、ROS 2、time/QoS 与 logging”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
具身组件接口与 Timestamped Event Log
具身组件接口与 Timestamped Event Log 的核心不是记住一组机器人术语，而是围绕“perception、estimation、planning、control 的 schema、频率和事件时间”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Nominal、Domain Randomization 与 Log Replay
Nominal、Domain Randomization 与 Log Replay 的核心不是记住一组机器人术语，而是围绕“参数分布、seed、训练覆盖、deterministic replay 与 sim-to-sim”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Stale、Dropout、乱序与定位发散
Stale、Dropout、乱序与定位发散 的核心不是记住一组机器人术语，而是围绕“数据年龄、消息缺失、out-of-order、timeout 与 estimate validity”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
高低层分工、Latency Budget 与降级模式
高低层分工、Latency Budget 与降级模式 的核心不是记住一组机器人术语，而是围绕“reasoner/VLA/controller 频率、watchdog、timeout、safe stop 与 degraded operation”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
ROS 2、MCAP 与 Sim-to-sim 选读
ROS 2、MCAP 与 Sim-to-sim 选读 的核心不是记住一组机器人术语，而是围绕“topic/service/action、QoS、反馈取消、日志容器与另一仿真器”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W10 休息、恢复与自然沉淀
E70：W10 休息、恢复与自然沉淀
W11
第 11 周
ODD、Hazard 与具身安全分层
ODD、Hazard 与具身安全分层 的核心不是记住一组机器人术语，而是围绕“semantic/physical/operational safety、constraint、shield、HRI 与 uncertainty escalation”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Action Limit、Collision Stop、Timeout 与澄清状态
Action Limit、Collision Stop、Timeout 与澄清状态 的核心不是记住一组机器人术语，而是围绕“独立安全层、状态机、不可行/含糊任务与人工终止”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
人类 Avatar、距离与 Handoff
人类 Avatar、距离与 Handoff 的核心不是记住一组机器人术语，而是围绕“proxemics、stop/detour、legible motion、交接确认和 shared control”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
人机交互故障切片
人机交互故障切片 的核心不是记住一组机器人术语，而是围绕“human crossing、危险物、模糊 handoff、冲突指令、遮挡与 localization loss”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
语义、物理、运行安全与 HITL 地图
语义、物理、运行安全与 HITL 地图 的核心不是记住一组机器人术语，而是围绕“三层防线、ODD、monitor、人工接管、审计与责任”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Safety-Gymnasium、ASIMOV 与 HRI 选读
Safety-Gymnasium、ASIMOV 与 HRI 选读 的核心不是记住一组机器人术语，而是围绕“constraint benchmark、语义安全场景、social navigation 与评估边界”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W11 休息、恢复与自然沉淀
E77：W11 休息、恢复与自然沉淀
W12
第 12 周
Dec-POMDP、MAPF、CBS、ORCA 与任务分配
Dec-POMDP、MAPF、CBS、ORCA 与任务分配 的核心不是记住一组机器人术语，而是围绕“联合状态/动作、路径冲突、速度互避、auction 与 CTDE”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Prioritized/CBS 路径与 Auction 分配
Prioritized/CBS 路径与 Auction 分配 的核心不是记住一组机器人术语，而是围绕“优先级、constraint tree、low-level path 与 bid/assignment”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Greedy、Centralized、Prioritized 与 ORCA 对照
Greedy、Centralized、Prioritized 与 ORCA 对照 的核心不是记住一组机器人术语，而是围绕“信息集中度、计算、通信、最优性、deadlock 与局部反应”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
Fleet 通信、失联与共享状态故障
Fleet 通信、失联与共享状态故障 的核心不是记住一组机器人术语，而是围绕“communication delay、agent unavailable、stale map、narrow corridor 与 duplicate task”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
单机器人到多机器人能力图
单机器人到多机器人能力图 的核心不是记住一组机器人术语，而是围绕“感知、估计、规划、控制、学习、安全在 fleet 中新增的共享层”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
PettingZoo、MADDPG 与多机器人前沿选读
PettingZoo、MADDPG 与多机器人前沿选读 的核心不是记住一组机器人术语，而是围绕“multi-agent API、CTDE、cross-play 与 embodied reasoner 协作”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
W12 休息、恢复与自然沉淀
E84：W12 休息、恢复与自然沉淀
INTEGRATION
知识地图与长期延伸
具身智能全景知识地图
具身智能全景知识地图 的核心不是记住一组机器人术语，而是围绕“数学、感知、估计、规划、控制、学习、系统、安全和协作的依赖”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
经典、学习、Foundation 与 Hybrid 范式比较
经典、学习、Foundation 与 Hybrid 范式比较 的核心不是记住一组机器人术语，而是围绕“显式模型、数据先验、泛化、实时性、可解释性、约束与 fallback”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
具身前沿原始资料阅读
具身前沿原始资料阅读 的核心不是记住一组机器人术语，而是围绕“Gemini Robotics、GR00T、π0、V-JEPA 2 或 Genie 的能力主张与证据”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
导航、操作或感知兴趣项目整理
导航、操作或感知兴趣项目整理 的核心不是记住一组机器人术语，而是围绕“问题、baseline、trace、失败、边界与下一步，而非包装完成度”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
3/6/12 个月长期学习路线
3/6/12 个月长期学习路线 的核心不是记住一组机器人术语，而是围绕“一个机制主线、一个系统主线和一个开放问题的节奏”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。
P4 轻量总结与开放问题
P4 轻量总结与开放问题 的核心不是记住一组机器人术语，而是围绕“已理解、仍困惑、证据边界、兴趣主线与下一步”建立一个可以说明输入、状态、动作、假设、故障和证据边界的闭环解释。