先选路线再开始学习，避免低效试错。
按模块系统推进，建立可落地的工程闭环。
判断你的既有经验是否适合切入具身算法。
需要补基础时，直接进入教程主线。
从项目验证学习成果，构建可展示经验。
补齐项目、数据、工具链等关键资源。
从系统认知到工程闭环。
MuJoCo / Isaac Sim / Gazebo 等仿真平台 + RViz / RQT 可视化工具。
从 MDP 到 PPO/SAC，建立算法直觉。
补齐跨模态表示、对齐与融合基础。
进入视觉-语言-动作大模型主线。
仿照 CS123，8 章从 PD 走到 LLM 驱动四足。
搭建第一个可运行的仿真环境。
最小 RL 训练与评估闭环。
机械臂到点控制与连续动作策略训练。
从硬件连接到策略回放的最小真机流程。
在真机前先练复杂接触任务。
数据集、清洗与格式转换。
仿真、训练、benchmark 与评测。
重点开源项目内容与学习资料。
对比 Isaac Sim、MuJoCo、Gazebo 的差异与适用场景。
从科普过渡到系统教程主线。
从案例和代码建立工程感知。
在机器人学中，正运动学 (Forward Kinematics, FK) 是指：已知机器人各个关节的角度或位移（由电机编码器提供），计算出机器人末端执行器（End-Effector，如机械手、焊枪）在空间中的确切位置和姿态。
“如果我控制一号电机转 45°，二号电机转 -30°，机器人的手最终会在坐标系的哪里？” —— 这就是正运动学要解答的问题。您可以看看右侧的机械臂，它的末端位置完全取决于三个关节的角度。