1. 这套32集教程到底讲了个啥先别急着划走我是真心觉得这套教程值得写一篇长文来聊聊。今年年初我一直在找具身智能方向的学习资料说实话市面上的情况挺分裂的要么是纯学术理论从感知、控制、SLAM一路讲到强化学习听起来高级但离落地差着十万八千里要么是纯工程教程教会你装个ROS包、跑通一个demo就完了但对背后的原理讲得含糊其辞学完换个场景照样抓瞎。这套32集的B站实战教程是我目前看到过的少有的能把基础概念和项目实战衔接得比较自然的一套内容。整个系列覆盖了具身智能的核心技术栈从传感器原理、机械臂运动学到四足机器狗的步态控制再到仿真环境的搭建和部署每一集都对应一个可以落地的知识点不是嘴上说说那种。如果你正在纠结具身智能到底该学什么、怎么入门、学到什么程度算会这套课是个不错的选择。具体来说这套教程适合三类人刚入门的学生或者转行者课程从基础概念讲起不会一上来就灌一堆数学公式把人劝退而是先建立直观认识再逐步深入原理。已经在做传统机器人开发、想转型具身智能方向的工程师教程里有大量工程实践细节包括ROS 2环境搭建、MoveIt配置、仿真环境联调等这些内容能帮你快速补齐工具链层面的短板。想找一个跟练型项目练手的人整个32集是跟着一个完整的项目路线走的不是零散的知识点拼凑而是从零把一个机器人项目做出来。我先说结论如果你对具身智能只是停留在听说过、想了解的阶段这套教程会帮你把整个知识框架搭起来如果你已经入门了但缺乏实战经验这套课同样能帮你把零散的知识串成线。接下来我按自己的理解把这32集内容的精华部分拆开跟你聊一聊。2. 教程背后的核心逻辑为什么具身这两个字这么重要2.1 从感知到行动具身智能到底在解决什么问题要理解这套教程的价值得先搞清楚具身智能跟传统人工智能的核心区别在哪。过去这些年大家聊的AI不管是图像识别、语音助手还是大语言模型本质上都是在做感知和认知——模型接收数据、处理信息、输出结果但结果往往止步于文本或者标签层面。你让ChatGPT写一首诗它输出的是文字你让视觉模型识别一张图它输出的是类别。具身智能不一样它的输出是物理世界里的动作。一个具身智能系统需要做到的是感知环境、理解任务、生成动作序列、在真实物理世界中执行并且根据执行结果进行调整。听起来很顺理成章对吧但问题在于物理世界充满了不确定性。一个机械臂要在桌面上抓取一个杯子它得先识别杯子的位置和姿态规划出一条不撞到障碍物的轨迹然后控制各个关节精确运动到目标位置还要根据抓取时的反馈调整夹爪力度——每一个环节都有大量工程问题要解决。这套教程花了很多篇幅在讲感知-决策-执行这个闭环我认为这是整个系列最有价值的部分之一。它不是简单地把感知、决策、控制分开讲而是强调它们之间的耦合关系。比如说机械臂抓取这个任务你在Gazebo仿真里能跑通不代表在真实机器人上能成功因为仿真里的传感器数据是干净的、理想的而现实中摄像头有噪声、电机有延迟、机械结构有误差。真正要解决这个最后一公里问题你需要理解整个系统链路上每一个环节是怎么工作的。2.2 从传感器到执行器具身智能系统的底层构成这套教程前面几集花了不少时间讲解具身智能系统的硬件基础说来也合理——你连机器人身上装了哪些传感器、每个传感器是干什么的都没搞明白后面学算法的时候就会一头雾水。教程里重点讲了以下几类传感器相机/视觉传感器获取环境图像用于物体识别、位姿估计、视觉导航。包括RGB相机、深度相机比如RealSense、鱼眼相机等不同传感器适用场景差异很大。激光雷达获取环境三维点云常用于建图、定位和避障。对于四足机器狗这种需要复杂地形通过能力的平台激光雷达的可靠性比纯视觉方案要高不少。IMU惯性测量单元测量机器人的加速度和角速度用于姿态估计。四足机器狗保持平衡、两轮机器人不倒全靠IMU数据在背后撑着。关节编码器电机里内置的编码器能实时反馈关节角度这是所有运动控制算法的基础数据来源。没有准确的关节角度反馈运动学计算全是空中楼阁。六维力/力矩传感器能测量机器人末端或者关节处受到的三个方向的力和三个方向的力矩。这在精密装配、柔顺控制、人机交互场景中非常关键教程里专门有一集讲它的原理和应用。执行器层面教程主要讲了两类传统伺服电机最常见的执行单元和一体化关节模组把电机、减速器、编码器、驱动板集成在一起是现代四足机器狗和协作机械臂的主流选择。这个概念我当时悟了很久才想明白一体化关节模组看起来就是个大电机但实质上它是一种带大脑的执行单元不仅提供动力还内置了电流环、速度环、位置环的控制逻辑这大大降低了上位机的控制复杂度让开发者可以把精力聚焦在更高层的算法上。2.3 vSLAM、数据标注与语义理解被很多人忽视的暗坑标题里提到具身智能全套核心知识全套这两个字真的不是虚的。教程里有很多平时不显眼但实际特别关键的内容我印象最深的是运动规划和环境理解里面那些看不见的坑。比如视觉SLAM做行为动态语义标注——说白了就是让机器人不仅知道这里有个杯子还要知道这个杯子是静止的、还是有人正在拿它往嘴边送。这个差别决定了机器人是该躲开这只手还是该去帮它扶住杯子。教程中讲到这个知识点时举了一个非常接地气的例子一个服务型机器人看到桌上有杯水用户伸手去拿如果机器人只做物体检测而不做动态语义理解它会认为这是一个抓取干扰物可能会避让或者直接把水杯识别成不可操作对象误判为需要抓取的目标。但如果加上了行为语义标注机器人就能分清人是主动拿杯喝水还是杯子即将被意外碰倒从而决定要不要干预。这就不是单纯感知的问题了而是把环境上下文、人的行为意图和机器人自身的决策耦合在了一起。同样的道理也适用于数据集。你知道具身智能数据集质量要求及评价方法这个话题吗现实中训练一个机械臂抓取模型需要采集大量状态-动作-结果样本数据但数据的质量怎么评判标注得准不准动作序列是否合理不同传感器数据的时间戳是否对齐教程里有一集专门梳理了这些质量评价维度。这些内容看起来不如端到端强化学习那么酷炫但恰恰是项目实战中最容易翻车的环节——数据没处理好你再牛的模型也训练不出来。3. 机械臂专题从运动学原理到强化学习实战3.1 正解、逆解和轨迹规划一次性讲透这些基础概念机械臂部分是这套教程的重头戏毕竟机械臂和抓取是具身智能最经典的应用场景。要从零理解机械臂绕不开三个核心概念正向运动学、逆向运动学和轨迹规划。正向运动学正解知道每个关节的角度求末端执行器的位置和姿态。这个相对简单本质上是把每个关节的旋转矩阵相乘得到末端在基座坐标系下的变换矩阵。理解正解的关键在于理解DH参数法——用四个参数关节角、连杆长度、连杆偏距、关节扭转角来描述相邻两个关节坐标系之间的变换关系。教程里用了一个UR5e机械臂做例子把每个关节坐标系画出来一步步推导比我当年在课本上啃矩阵乘法直观多了。逆向运动学逆解知道末端的目标位姿反推每个关节应该转多少度。这个问题比正解难得多因为逆解存在多解问题——同一个末端位姿可能对应多组关节角度你需要选择最合理的一组比如离当前位形最近、或者关节运动最平滑的那组。很多人在学逆解时卡在多解怎么选这个问题上教程给了个很实用的技巧把当前关节角度作为初值用数值迭代法比如雅可比矩阵的伪逆法去求解算法会自然收敛到离当前状态最近的解这样既解决了多解选择问题又让运动连续性有了保障。拿UR10本体作例子来说明为什么要理解逆解任务让机械臂末端以固定姿态移动到目标点。如果你直接给关节电机下角度指令开环没有逆解你根本不知道要让关节转多少度。如果你只看末端位置不关注姿态那抓取动作会歪掉。用运动学库比如MoveIt里的Kinematics插件做逆解它会自动返回一组关节角你只需要在下发给控制器之前做碰撞检测和限位校验。轨迹规划有了起点、终点、以及中间的路径约束你需要规划出一条平滑的关节运动轨迹保证速度、加速度连续不产生振动和冲击。常见的方法是笛卡尔空间直线/圆弧插值末端按直线走但关节角需要实时逆解或者关节空间多项式/梯形速度曲线插值保证关节运动平滑。教程里顺带提到一个工程经验对于普通抓取任务优先在关节空间做规划效率高、稳定性好只有在需要末端走直线比如焊接、涂胶时才用笛卡尔空间规划。3.2 MoveIt框架机械臂开发绕不开的工具教程在实操环节重点演示了MoveIt这个框架这是ROS生态里做机械臂运动规划事实上的标准工具。我在实际工作中也经常用简单介绍一下它的核心模块和工作流程。MoveIt的核心是基于OMPLOpen Motion Planning Library的多种采样规划算法RRT、RRTConnect、PRM、STOMP等你只需要配置好机器人的URDF模型、规划组Planning Group、碰撞检测矩阵ACM它就能帮你完成运动规划和避障。MoveIt的基本使用流程大致是这样的用SolidWorks或者Fusion 360建好机械臂模型导出URDF格式文件或者直接用已有的URDF模型。创建MoveIt Configuration Package可以用MoveIt Setup Assistant工具加载URDF、定义规划组、设置虚拟关节、生成配置文件这个过程能用向导界面完成对新手很友好。在ROS 2里用ros2 launch启动MoveIt的demo环境加上RViz可视化界面你就能在图形界面里拖拽目标位姿让机械臂自动规划运动。把规划好的轨迹通过FollowJointTrajectory话题发送给真正负责控制电机的驱动节点实现规划-控制分离。这套流程里最容易出问题的点是机器人模型的碰撞检测矩阵设置不当如果你偷懒把所有连杆对都加到允许碰撞列表里规划出来的轨迹很可能会贴着障碍物走甚至穿过机械臂自己的本体——仿真里看不出来放到真实设备上就是一次撞机事故。教程里专门强调了这个坑建议大家初始阶段宁严勿松等系统跑通了再逐步放开。3.3 强化学习和机械臂抓取从PPO到实际部署教程后面几集涉及了机械臂强化学习实战这也是很多人的知识盲区包括当时的我。其实我一开始很抵触强化学习总觉得它像个玄学炼丹炉要调一大堆超参数训出来的策略还未必稳定。但教程用实践告诉我只要把问题定义清楚、用对算法强化学习在机械臂控制上确实能完成很多传统控制方法搞不定的任务。教程选用的基础算法是PPOProximal Policy Optimization近端策略优化这确实是当下机器人强化学习领域应用最广的算法之一。它的设计思路是每轮更新时限制策略变化的幅度避免训练过程中策略跳变太剧烈导致稳定性崩溃。在机械臂抓取场景里典型的强化学习建模方式是状态空间机械臂各关节角度、角速度末端的位置和姿态物体在相机坐标系下的三维位置。动作空间可以是关节速度指令也可以是末端在笛卡尔空间的目标速度。教程推荐的入门方案是使用关节速度指令让控制频率低一些学习难度也低一些。奖励函数这是最需要经验的地方。教程里的做法是分解奖励——接近物体给一个小正奖励成功抓取并抬升给一个较大奖励每次动作给一个小惩罚促使机器人高效行动。切忌只给最终抓取一个稀疏奖励否则训练很难收敛。这里要提醒一句仿真里训练好的策略直接部署到真实机械臂上效果通常不理想因为仿真和现实存在很大的差距学术界称为sim-to-real gap。教程给了一个入门级的应对思路在训练过程中给仿真环境加入随机扰动随机化摩擦系数、随机化物体质量、随机化关节延迟等让模型在仿真里见过足够多的可能性部署到真实机器人时泛化能力会好很多。4. 四足机器狗姿态控制、步态规划与仿真迁移4.1 从零搭建一台四足机器狗的思路四足机器狗是具身智能领域另一个非常有代表性的载体。跟轮式机器人相比四足机器狗的优势是地形适应性强能爬楼梯、能过瓦砾、能在斜坡上保持平衡这些能力在灾害救援、工地巡检、野外勘探等场景中有很大的实用价值。但优势的另一面是控制难度大腿式结构天然不稳定对姿态控制、步态切换、地形感知的要求极高。教程在做四足机器狗这一部分时没有直接拿一台现成的机器狗做演示而是从机械结构、硬件选型、控制代码一步步搭建。我个人非常推荐这种从零搭一台的学习方式比只对着开源框架调参理解深入得多。在搭建过程中你会自然而然地思考这些问题每个腿用几个关节三个还是四个自由度多会带来更强的运动能力但控制复杂度也会倍增。用什么样的电机传统的舵机扭矩不足、响应慢伺服电机贵但性能好总线舵机串行总线连接的四足专用舵机方便串联控制性价比高是目前DIY四足狗的主流选择。内置的IMU放在机身的什么位置越接近机身中心越好这样测出来的姿态数据受机身振动的影响最小。结构件用3D打印还是碳纤维板材DIY阶段3D打印就够用强度要求高的场合再考虑碳纤维板。4.2 步态规划与控制CPG、倒立摆模型和MPC控制四足机器狗的技术核心在步态控制和平衡控制。教程从最简单、最基础的姿态控制和静态步态讲起逐步过渡到动态步态。姿态控制利用IMU反馈的欧拉角和角速度通过PID控制器调整电机输出让机身保持在水平状态。这个阶段的目标是让机器狗站得住。静态步态行走时保证至少三条腿同时支撑地面重心投影始终落在支撑多边形内部。这样走起来非常稳定适合新手入门缺点是速度慢。动态步态在小跑trot步态中只有两条对角线腿同时着地机身在大部分时候处于动态平衡状态这对控制算法提出了更高要求。教程介绍了两种主流方法一种是基于简化倒立摆模型的方法把机器狗的质心运动建模为倒立摆进而计算足端落点这个方法数学上相对直观适合从零实现另一种是MPC模型预测控制在每一步考虑未来一段时间内的最优控制策略效果更好但计算复杂度高一般需要嵌入式计算设备如树莓派、Jetson或甚至高性能主机来运行。我印象很深的一点教程在讲MPC时并没有直接丢出复杂的QP问题求解公式而是先从我们需要机器狗每个时刻跟踪什么样的状态变化这个直觉入手让你先理解了控制的深层含义再引入数学工具。这种讲解顺序让我少走了很多弯路——先有直觉再补严谨性比反过来学效率高得多。4.3 仿真环境在Gazebo和Isaac Lab里跑四足狗四足机器狗的项目实战环节教程带着大家在仿真环境里做了大量测试因为直接在一台真实机器狗上做调试一次意外就可能损坏硬件。现在做四足机器人开发主流的仿真工具有两个开源免费的Gazebo和基于Isaac Sim的Isaac Lab。Gazebo的优势是跟ROS 2生态无缝集成可以很方便地加载URDF模型、配置传感器插件、发布里程计信息和传感器数据。如果你用的是一台常规Ubuntu电脑GazeboHarmonic的组合对应ROS 2 Jazzy版本在性能和易用性上都不错网上教程也多遇到问题更容易搜到解决方案。Isaac Lab的优势是GPU加速可以大幅缩短强化学习训练时间尤其适合四足机器狗这种需要大量试错学习的场景。如果你要在真实机器狗上训练一个跑酷或者抗扰动策略建议直接在Isaac Lab里训练再通过Isaac Lab提供的部署流程把策略导出部署到真实机器人的嵌入式平台上运行。仿真还有一个隐藏优势可以快速生成大量不同地形、不同工况的训练场景。比如瓦砾、雪地、草地、坡道等真实世界凑齐这些场景要跑遍大半个城市但在仿真里只需要配置几个参数。5. 学习路线与配套环境实操层面的抄作业方案5.1 32集课程的知识地图和学习路线这套教程之所以适合一口学完是因为它的编排有一条清晰的逻辑主线。我看完整套之后的感受是它不是随便把32个主题拼在一起而是刻意按照从基础到应用、从单项到系统、从仿真到实物的路径在推进。我按自己的理解把这32集的内容重新归类整理出一条更适合自学跟练的学习路线第一阶段基础打底约6集具身智能的概念、分类和发展趋势传感器系统相机、IMU、力/力矩传感器、激光雷达执行器系统伺服电机、一体化关节模组、总线舵机机器人操作系统ROS/ROS 2核心概念和常用命令这个阶段的目标是建立系统全景认知不需要深入理解每个模块的算法细节但要看清楚各个模块之间是怎么协同工作的。第二阶段核心算法与实践工具约8集坐标变换与三维空间数学基础四元数、旋转矩阵、变换矩阵正向运动学与逆向运动学原理及编程实现轨迹规划算法入门MoveIt框架搭建和配置仿真环境搭建URDF模型构建、Gazebo仿真这8集内容是整套课程的硬核区建议放慢速度每个知识点都要在电脑上动手实践一遍。比如学完运动学就去写一个简单的正解计算程序学完逆解就在MoveIt里完成一次末端位姿设定让机械臂规划运动。第三阶段机械臂与移动机器人专题约8集机械臂抓取任务全流程感知-规划-控制相机标定与手眼标定强化学习基础PPO算法原理与代码结构在PyBullet或者Isaac Lab中实现机械臂抓取训练ROS 2与真实/仿真机械臂的联调到这个阶段你应该能独立完成一个机械臂在仿真环境中识别物体、规划轨迹、抓取成功这个闭环任务了。做到这一步你的具身智能基本功就已经很扎实了。第四阶段四足机器狗与综合实战约8集四足机器狗硬件结构拆解及选型步态规划与姿态控制动态步态与MPC控制仿真环境搭建和强化学习训练综合项目实战让四足机器狗完成一个带目标的移动任务最后的综合项目会串起前面所有知识是检验学习成果最好的方式5.2 硬件与软件环境建议照着准备就能跟上我见过很多人看教程最大的困扰不是看不懂而是环境搭不起来。这套教程涉及的软件栈和硬件需求我帮你整理了一份清单照着准备基本就不会卡壳软件方面全部免费Ubuntu 22.04或24.04系统推荐用双系统安装虚拟机在机器人开发场景中性能损耗明显尤其在Gazebo仿真和Isaac Lab训练时会卡到怀疑人生。如果电脑配置一般建议先用纯仿真跑通物理仿真交互设备等有预算了再补。ROS 2Humble或者Jazzy版本Humble对应Ubuntu 22.04Jazzy对应Ubuntu 24.04。教程里如果用的是Humble你自己装Jazzy也能跑通但命令和包名可能会有些差异强烈建议跟随教程版本保持一致等熟练了再迁移。Gazebo Harmonic或Fortress跟ROS 2版本对应的物理仿真器用来搭建机器人和环境模型。MoveIt机械臂运动规划框架在ROS 2环境下安装好配套的moveit_ros包即可。Isaac Lab或者PyBullet强化学习训练的仿真环境。如果电脑有NVIDIA GPU非常建议用Isaac Lab训练速度比CPU快十倍以上没有GPU的话PyBullet也是不错的选择功能虽少但对硬件要求低。硬件方面一台配置尚可的电脑建议至少16GB内存、6核心以上CPU带NVIDIA GPU更佳如果后面想接触真机验证机械臂可以选UR5e、Panda这类协作臂的仿真版本先练手或者买一台入门级的小型桌面机械臂比如幻尔、OpenArm这类DIY套件四足机器狗预算充足可以上宇树Go2、或者更小的入门机械狗套件预算有限可以在仿真里把算法做扎实等有条件再迁移到真机。5.3 学习节奏建议怎么安排时间最高效我把整套课程完整看下来并跟着动手操作大概用了两周半。如果你是在校学生或者有整块时间一两周能搞定如果是在职人员建议给自己留一个月边看边练效果会比单纯刷视频好得多。我的个人建议是每一集看完后当天一定要动一次手。教程视频看懂了不算学会能独立复现出结果才是真的掌握。哪怕只是跟着敲一遍代码、跑通一个demo也比看十遍视频有价值。另外强烈建议自己写学习笔记记录关键命令、报错信息、解决办法。后面遇到问题时你会感谢当初记笔记的自己。6. 常见问题与避坑手册6.1 环境搭建与配置类问题问题ROS 2安装后没有正确设置环境变量老是提示找不到包。这大概是最常见的问题了。每次打开终端第一件事就是执行source /opt/ros/humble/setup.bash很多新手忘了这一步就急着ros2 run自然报错。建议把这一行加到~/.bashrc里让每个终端自动加载。如果你用的不是Humble而是Jazzy把路径换成/opt/ros/jazzy/即可。问题Gazebo启动时非常卡甚至直接卡死。硬件性能不足是主因另外也有一些优化空间降低仿真的实时因子比如把max_step_size调小一点、关掉不必要的传感器插件、减少渲染频率都可以缓解卡顿。如果机器配置实在太低建议用无GUI的方式跑Gazebo只保留RViz作可视化。6.2 运动规划与控制类问题问题MoveIt规划的轨迹在仿真里正常但看起来很奇怪甚至还穿模。先检查碰撞矩阵ACM配置再检查机器人模型本身是否正确——URDF里的连杆质量和惯性参数错误会导致规划器以为某些运动是轻松的然后给出不合理的轨迹。还有一个隐藏问题很多从SolidWorks导出的URDF模型坐标轴朝向并不符合机器人标准Z轴朝上需要手动调整。问题机械臂逆解失败或者解出来的关节角超出限位。逆解失败的核心原因是目标位姿超出机械臂可达空间或者目标姿态要求太苛刻。排查思路就两条一是确认目标位置在可达空间的球壳范围内二是检查末端姿态是否过于扭捏导致实际无法到达。可以先用MoveIt的可达空间可视化工具做检查再微调目标位姿。问题强化学习训练了很久奖励值却不增长。这是强化学习实战里最常见的困境。我的排查顺序是奖励函数是否存在欺骗问题——机器人是否找到了一个非期望的旁路来刷取奖励。状态空间是否包含了完成任务的关键信息——比如机械臂抓取时得让模型知道物体的当前位置如果只给关节角度模型很难推理出物体在哪。超参数是否合理——学习率太大导致震荡太小导致收敛缓慢环境步长dt太大导致物理模拟不准确这些都是训练不收敛的常见原因。随机种子是否固定——同一种子跑通后再逐步泛化到其他随机种子。6.3 四足机器狗专项问题问题机器狗站立时机身抖动站不稳。优先级先检查IMU数据滤波是否合理再检查姿态控制PID参数是否合适。很多DIY四足狗站不稳不是结构问题而是反馈数据噪声大、控制增益不合适。问题机器狗在仿真中能稳定跑动部署到真机后走路瘸腿、甚至摔倒。这是典型的sim-to-real gap问题。除了前面提到的域随机化方法还有一个容易被忽视的点真机电机的响应延迟比仿真模型高得多模型在仿真里见惯了即时响应到真机上就会反应迟钝。可以在仿真里给关节控制指令人为加200-500毫秒的延迟让模型适应这种惯性部署到真机上稳定性会明显改善。7. 这套内容后续还能怎么用我刚追完这套课程的时候其实有一阵子不知道下一步该干什么。后来逐步摸索出几个可以继续深挖的方向也跟你分享一下第一跟着一个具体的机器人平台把整套流程再走一遍。现在很多平台都开放了SDK和教程比如宇树科技的机器狗、幻尔的机械臂套件都有比较详细的中文文档。用一套真实的硬件平台把课程里学到的感知、规划、控制流程重新实现一遍收获会比单纯看课大得多——你会碰硬件延迟、标定误差、电源波动这些仿真里根本不存在的问题。第二去了解一下具身智能领域最新的VLAVision-Language-Action视觉-语言-动作模型。这算是目前圈内比较热的方向把大语言模型的理解能力和视觉感知能力结合直接生成机器人动作指令。你可以先不去训练模型而是试着用现有的开源VLA模型去驱动一个仿真环境里的机械臂看看它跟传统感知-规划-控制分离方案在体验上有什么差别。这个方向作为具身智能的学习延伸非常有价值。第三如果你是在校生或者准备找工作尝试做一个完整的项目作品。具身智能岗位招聘很看重项目经历——你亲手做过的机械臂抓取、四足狗巡航这类项目比任何证书都更有说服力。不要追求题目多么宏大一个闭环的、能演示、能讲清楚原理的小项目价值远超一个半成品大项目。我个人在实际操作中的体会是这套教程的价值不仅在于教会了你某个具体算法或者某个工具的使用方法更在于它把具身智能从一堆零散的技术点变成了一条可以一条路走通的技术链路。学完它你至少能回答这几个问题一个具身智能系统由哪几个模块组成每个模块解决什么问题、用什么技术手段从一个想法到一个能跑的机器人项目中间所有的环节你都见识过了。最后分享一个小技巧教程里的每一集我都建议你尝试不看视频自己复现一遍卡住了再回去看对应片段。这个方法比较笨但对于建立真正的项目能力比连续刷完32集有效得多。具身智能的门槛确实在但沿着一条合理的路径走也并没有传说中那么高不可攀。这套课至少帮你把路铺到了脚下剩下的路就得自己走了。