本目录用于承载 Robotics_Notebooks 的成长路线设计。
- 终极目标：全栈机器人工程师
- 当前切入口：机器人运动控制算法工程师
- 当前重点：运动控制、强化学习、模仿学习、人形机器人
- 主路线：运动控制 → 物理智能全栈成长路线（Physical AI & Robot Learning）
含 L−1 序言 → L0–L6 主干 → L7 出口 → L8–L12 Physical AI 扩展的完整阶段。覆盖人形运动控制的传统控制主干（LIP/ZMP → Centroidal → MPC → TSID/WBC）、RL/IL 扩展与 sim2real 实战，再向上接 Transformer / 动作生成（Diffusion · Flow Matching · DiT）/ VLA（π0 · GR00T）/ 世界模型（Cosmos），向下接 ONNX / ROS2 / 实时总线的真机部署。
主路线偏"先打通主干"，下列二十八条纵深路线各自独立，从主路线某个阶段衔接出去，可单独阅读。
排序说明：按各方向起点里程碑的历史顺序排列（与首页按钮、README 一致）——越靠前的方向理论积淀越深，越靠后的方向越依赖学习方法与算力：
- 如果目标是遥操作（人形全身遥操作 + 手指遥操作 → 示范数据/实时接管） —— 想让人实时操控人形并采集高质量示范数据（起点：Goertz 主从机械手遥操作，1954）
- 如果目标是力矩控制电机设计（指标 → 电磁热 → FOC 力矩闭环 → 关节模组） —— 想把关节电机从任务指标一路做到可验收的力矩闭环模组（起点：磁场定向控制 FOC，1971）
- 如果目标是传统模型控制（LIP/ZMP → MPC → WBC） —— 想系统掌握 model-based 人形控制主干（起点：ZMP 判据，1972）
- 如果目标是人形整机硬件设计（指标预算 → 机械 → 电气 → 通信 → 整机验收） —— 想把一张任务需求做成一台能上电、能跑控制、能交付的整机（起点：WABOT-1 全尺寸人形整机，1973）
- 如果目标是安全控制（CLF / CBF / Safe RL） —— 想加可证明的安全约束（起点：CLF，1983）
- 如果目标是 RSI（递归自我改进） —— 想让「改进机制本身」被自动改进，并把这套闭环用到真机策略上（起点：EURISKO 自改启发式，1983）
- 如果目标是接触丰富的操作任务 —— 想做装配、插拔、双臂协同等精细接触（起点：阻抗控制，1985）
- 如果目标是导航（SLAM → Nav2 → VLN → 导航 VLA） —— 想让机器人知道自己在哪、该往哪走（起点：概率 SLAM，1986）
- 如果目标是模型架构（骨干族谱 → 感知编码 → 动作头 → 多模态基座 → 规模部署） —— 想知道一条策略该用什么网络、多宽多深、动作怎么出（起点：反向传播，1986）
- 如果目标是模仿学习与技能迁移 —— 想从人类演示数据学习技能（起点：行为克隆，1988）
- 如果目标是 RL 运动控制 —— 想用强化学习驱动人形 locomotion（起点：Q-learning，1989）
- 如果目标是 Loco-Manipulation（移动操作） —— 想让机器人边走边动手（起点：移动操作臂协调控制，1994）
- 如果目标是人形足球（全向行走 → 感知踢球 → 多机战术） —— 想让机器人追球、射门、打整场比赛（起点：首届 RoboCup，1997）
- 如果目标是动作重定向（人体动作 → 机器人参考轨迹） —— 想把人体/动物动捕、视频动作变成人形或四足可执行参考（起点：Gleicher 动作重定向，1998）
- 如果目标是人形群控展演（群舞同步 → 编队走位 → 群体特技） —— 想让一群人形同台跳舞、变队形、协同炫技（起点：央视春晚 540 台 Alpha 1S 群舞，2016）
- 如果目标是跨本体迁移（本体差异画像 → 统一接口 → 形态感知架构 → 多本体混训 → 人→机迁移 → 新本体适配） —— 想让一个策略适配不同本体，换夹爪、换机型、换形态都不必从零重训（起点：Devin 等模块化多机器人策略迁移，ICRA 2017）
- 如果目标是 Sim2Real（域差画像 → 执行器对齐 → 鲁棒训练 → 真机部署） —— 想把仿真里训好的策略稳定搬上真机（起点：域随机化 DR，2017）
- 如果目标是人形拳击（动作跟踪 → 潜空间技能 → 对抗自博弈） —— 想让两台人形在擂台上像人一样对打（起点：MuJoCo 人形对抗自博弈，2017）
- 如果目标是 ICL（具身上下文学习） —— 想让机器人读完一条示范就会做新任务、且不动权重（起点：One-Shot Imitation Learning，NeurIPS 2017）
- 如果目标是 BFM（人形行为基础模型） —— 想用一个 checkpoint 控住人形全身（起点：DeepMimic 动作跟踪谱系，2018）
- 如果目标是具身模型测评（认知 → 世界模型 → 策略成功率 → 运控指标 → sim↔real 校准） —— 想证明/证伪一个具身模型（含 locomotion / 全身跟踪等运控模型）到底好不好（起点：RLBench 标准化视觉操作评测套件，2019）
- 如果目标是感知越障（Perceptive Locomotion） —— 想让机器人看着地形上楼梯、跨障碍、跑酷（起点：2020s 感知策略浪潮）
- 如果目标是动作生成（文本/多模态 → 人形动作） —— 想用生成模型造出人体/人形动作（起点：MDM 扩散动作生成，2022）
- 扩散与流匹配策略（Diffusion & Flow Matching） —— 想按动作去噪机制演进读 DP / DiT-Block / RDT / π₀ / GR00T / Dita（起点：Diffusion Policy，2023）
- 如果目标是 VLA（视觉-语言-动作模型） —— 想让机器人听懂指令干活（起点：RT-2 确立 VLA，2023）
- 如果目标是 Real2Sim（可仿真判据 → 几何外观重建 → 物性关节化 → 场景/episode 孪生 → 回训评测） —— 想把真实世界压成可训练/可评测的仿真资产（起点：3D Gaussian Splatting 规模化重建，2023）
- 如果目标是具身数据（金字塔分层 → 采集 → 清洗标注 → 格式聚合 → 扩增合成 → 配比飞轮） —— 想为具身模型建一条可交付的数据供给管线（起点：Open X-Embodiment 跨具身数据聚合，2023）
- 如果目标是 WAM（世界–动作模型） —— 想让策略在出动作前显式预知世界会怎么变（起点：World Action Models 综述形式化，2026）
说明：感知、规划、系统、部署等更广的全栈知识在主路线的 L−1 全景层、L7 出口层 与 L8–L12 Physical AI 扩展层 集中扫盲，提供进入对应子方向的入口，而不在本目录维护并列的独立路线图文件。