具身智能导论课程教学大纲（理论32+实验8）

《具身智能导论》课程教学大纲（授课教师根据教学实际修改）课程编号—课程名称具身智能导论IntroductiontoEmbodied

Intelligence考试/考查考试总学时40

（理论32，实验8）实验/上机学时8学分2.5（建议）课程性质专业必修课适用专业具身智能（本科）承担单位—先修课程高等数学、线性代数、Python程序设计；建议具备概率论与数理统计、人工智能基础、机器人学等入门知识。说明：本大纲基于《具身智能导论》教材。建议学分为2.5学分；使用高校可依据本校学分学时制度、专业培养方案和毕业要求矩阵进行等效调整。具身智能导论是具身智能本科专业的专业基础必修课程。课程面向具身智能高度交叉、软硬件深度耦合的专业特点，以智能体通过物理实体与环境持续交互形成“感知—认知—决策—行动—反馈”闭环为主线，系统建立本体与感知、学习与决策、导航与规划、具身大模型与视觉—语言—动作模型、世界模型、虚实迁移、具身数据等基础知识体系。课程强调人工智能、机械工程、控制、计算机与数据技术的协同，突出“理论理解—算法认识—开源工具—仿真实践—工程责任”的贯通，为后续机器人学、智能感知、运动控制、具身智能大模型、具身操作系统及系统设计实践等课程奠定基础。课程采用32学时理论教学与8学时实验教学相结合的方式。理论教学注重基本概念、核心方法、典型技术路线及前沿发展之间的逻辑关系；实验教学以开源软件、仿真环境和公开数据为基本条件，强化学生对机器人学习、模仿学习和自主导航等典型流程的动手理解。课程允许合理使用生成式人工智能工具辅助代码理解、调试和资料检索，但强调来源核验、结果复现、学术诚信和安全责任。一、课程目标课程目标1（知识目标）：掌握具身智能的核心概念、基本要素和主要技术体系，理解典型具身本体、感知与控制、强化学习与模仿学习、具身智能大模型、具身导航与规划、视觉—语言—动作模型、世界模型、虚实迁移和具身数据等内容的基本原理、典型结构与相互关系，形成较完整的具身智能专业知识框架。课程目标2（分析与设计能力目标）：能够从任务需求、本体形态、环境信息、数据条件、实时性与安全约束等方面分析具身智能问题，比较不同感知、学习、规划和模型技术路线的适用条件与局限，能够为典型机器人任务提出具有依据的初步系统方案和算法选择建议。课程目标3（实践与工具能力目标）：能够使用Python及主流开源机器人学习与仿真工具完成基础实验，能够加载机器人模型、运行和分析强化学习/模仿学习策略、完成自主导航仿真，记录关键参数和评价指标并对实验结果进行解释；能够规范使用AI辅助工具提高代码理解、实验排错和技术资料分析效率。课程目标4（素养目标）：形成跨学科系统思维、工程实践意识和持续学习能力，理解具身智能系统的安全、隐私、数据治理、知识产权和工程伦理要求，养成求真务实、规范复现、开放协作的科学与工程素养，增强面向国家战略需求和未来产业开展科技创新的责任意识。表1课程目标支撑的毕业要求/指标点课程目标毕业要求（通用参考）指标点（通用参考）课程目标1专业知识/工程知识能够综合运用数学、人工智能、机械与控制等基础知识，说明具身智能系统的组成、基本原理和典型技术链。课程目标2问题分析与设计/开发解决方案能够从任务、系统组成、运行环境和约束条件表征典型具身智能问题，比较技术路线并提出初步解决方案。课程目标3研究与使用现代工具能够选择和使用开源机器人学习、仿真与数据工具开展实验，采集/读取数据，分析评价指标并形成可复现结论。课程目标4工程伦理、职业规范与终身学习能够认识具身智能工程对安全、隐私、法律、社会和可持续发展的影响，遵守职业规范并保持对快速演进技术的自主学习能力。说明：上述毕业要求与指标点采用工程教育导向的通用表述，使用时可依据各高校具身智能专业培养方案的毕业要求及课程矩阵进行对应调整。二、课程内容及教学组织（一）课程目标与主要教学内容的对应关系表2课程目标与主要教学内容的对应关系课程目标主要教学内容目标权重授课学时教学组织形式课堂教学混合式教学讨论课实验课程目标1具身智能基本概念与框架；本体、感知与控制；强化/模仿学习、大模型、VLA、世界模型、虚实迁移与具身数据的基本原理及技术脉络。35%1410220课程目标2典型具身任务的问题表征；算法/模型适用性比较；导航与规划、学习策略、系统架构及性能/安全约束分析。30%96210课程目标3SO-ARM101/LeRobot、IsaacLab、Gazebo等开源环境的操作与实验；策略训练/推理、导航仿真、数据分析与结果复现。20%134108课程目标4前沿技术跟踪、开放协作与规范引用；机器人安全、AI可靠性、数据合规、工程伦理与科技创新责任。15%42110合计—100%4022648（二）课程单元及学时（◆重点内容，

难点内容）1．绪论（2学时）（支撑课程目标1、4）教学内容：（1）具身智能的起源、发展脉络及代表性思想；◆具身智能核心概念、基本要素及其与传统人工智能的主要区别。（2）◆虚实迁移、视觉—语言—动作模型、世界模型、快/慢系统和“大脑—小脑—肢体”等典型框架；

不同框架的层次关系、互补性及适用场景。（3）具身智能的主要研究内容、典型应用与专业技术链，认识具身智能作为交叉学科的发展特点。AI与专业融合点：从“数字智能”走向“物理智能”的视角分析AI能力如何通过物理本体、环境交互和闭环行动获得接地，建立人工智能与机器人系统深度融合的课程总线索。2．具身智能的硬软件平台（4学时）（支撑课程目标1、2、3）教学内容：（1）◆机械臂、移动操作机器人、人形机器人、四足机器人与末端执行器的结构特点、关键参数及任务匹配；机械臂运动学基本概念。（2）IMU、激光雷达、深度相机等外部感知的基本原理，多传感器信息在定位、建图与避障中的作用。（3）基于模型的控制与学习/数据驱动控制的基本思想；◆Gazebo、MuJoCo、NVIDIAIsaac、Webots、CoppeliaSim等仿真平台的定位与选型。（4）SO-ARM101开源机械臂案例：硬件/软件接口、URDF与运动学、遥操作与数据记录；

从模型、传感、控制到软件工具的系统集成。AI与专业融合点：突出“算法能力受本体和传感/控制边界约束”的物理AI观念，用开源机械臂和仿真器展示学习算法如何落到真实/虚拟机器人平台。3．强化学习（4学时）（支撑课程目标1、2、3）教学内容：（1）◆强化学习基本概念、智能体—环境交互、马尔可夫决策过程、回报与价值函数、贝尔曼方程。（2）Q学习、策略梯度与REINFORCE；◆Actor-Critic思想及PPO、SAC、DDPG等典型算法的基本机制和适用场景。（3）基于模型的强化学习与Dyna思想；

离散/连续动作、样本效率、稳定性与真实机器人试错成本之间的权衡。（4）SO-ARM101在IsaacLab中的Reach任务案例：并行仿真、PPO训练、奖励/成功率观察与策略测试。AI与专业融合点：将强化学习作为机器人“从交互中学会行动”的核心方法，强调奖励设计、采样效率、稳定训练和仿真验证对物理系统安全部署的重要性。4．遥操作交互与模仿学习（3学时）（支撑课程目标1、2、3）教学内容：（1）◆遥操作交互的主端—从端闭环、专家演示数据采集与重定向技术，认识同构/异构动作映射问题。（2）行为克隆、逆强化学习、生成对抗模仿学习与分层模仿学习的基本思想及差异。（3）◆分布漂移、DAgger与ACT动作分块方法；

长时序任务中的误差累积、数据覆盖与泛化。（4）LeRobotALOHA案例：专家轨迹可视化、行为克隆/ACT训练与策略效果分析。AI与专业融合点：把人类专家经验转化为机器人可学习的数据，理解“人教机器人”与“机器人自主试错”两种学习范式的互补关系，并认识数据质量对策略性能的决定作用。5．具身智能大模型（3学时）（支撑课程目标1、2、4）教学内容：（1）大语言模型与Transformer基础，多模态输入、注意力机制及从语言模型向具身任务扩展的基本思路。（2）◆机器人Transformer、RT-1/RT-2等典型结构；快/慢系统与“大脑—小脑—肢体”结构，高层规划与低层实时控制的协同。（3）GR00T等具身智能基础模型及训练流程，数据预训练、微调、仿真与部署的基本环节。（4）

大模型在机器人任务中的泛化、实时性、幻觉、物理可执行性与安全边界；结合“格物”仿真平台进行案例认识。AI与专业融合点：理解大模型如何从语言和视觉知识扩展到具身决策与动作生成，同时坚持“模型输出必须经过物理约束、控制接口和安全验证”的系统工程原则。6．具身导航与规划（4学时）（支撑课程目标1、2、3）教学内容：（1）◆具身导航的概念、特点和问题形式化；度量地图、拓扑地图、语义地图的表示方法与适用场景。（2）◆SLAM的基本定义、概率框架和典型算法，理解定位—建图闭环；视觉SLAM基本思想。（3）路径规划与运动规划的基本原理和经典算法；

全局规划、局部规划、动态避障和控制之间的衔接。（4）经典分层式具身导航框架、视觉语言导航及典型模型；Fetch轮臂机器人Gazebo导航案例。AI与专业融合点：从几何导航扩展到语义与语言条件导航，展示感知、定位、规划、控制及大模型/多模态推理在自主移动任务中的融合。7．视觉—语言—动作模型（4学时）（支撑课程目标1、2、4）教学内容：（1）◆VLA基本概念、多模态融合、端到端学习与“感知—认知—决策—行动”闭环；与传统模块化机器人系统的差异。（2）视觉抓取、物体检测/姿态估计与抓取决策；动作序列规划与生成。（3）◆语言—动作生成、VLA核心模块和多模态融合；扩散策略与动作分块等生成式动作方法。（4）VLA训练与部署、优势与局限；SmolVLA开源案例；

连续动作生成、跨任务泛化与真实部署的可靠性问题。AI与专业融合点：围绕“看懂—听懂—做出来”理解多模态基础模型对机器人操作范式的改变，并要求从任务成功率、泛化能力、实时性和安全性多维评价模型。8．世界模型（3学时）（支撑课程目标1、2、4）教学内容：（1）◆世界模型的定义、价值、预测型/生成型形式及因果性、交互性、持久性、实时响应性、物理精度等关键属性。（2）潜在动力学世界模型、表征学习与时序动态建模，Dreamer框架的核心思想。（3）序列世界模型、词元化与长时预测；生成式、多模态世界模型及语义/3D表示。（4）混元3D世界模型案例；

预测精度、长时一致性、物理真实性与计算效率之间的权衡。AI与专业融合点：通过“先在内部推演、再行动”理解世界模型对样本效率、规划和安全验证的价值，并分析生成内容符合视觉观感但不一定符合物理规律的风险。9．虚实迁移技术（2学时）（支撑课程目标1、2、4）教学内容：（1）◆仿真—现实互补、域差距及Real-to-Sim-to-Real循环；物理参数、传感器、执行器与环境分布差异。（2）域随机化、域自适应、系统辨识模型校准、元学习与Sim-to-Sim适配的基本思想。（3）◆Sim2Real闭环、零/少样本迁移、基于大模型的迁移与端到端迁移；

迁移性能指标与安全评估。（4）SO-ARM100/101虚实迁移案例，理解“仿真训练—现实验证—迭代校准”的工程闭环。AI与专业融合点：强调仿真是降低AI试错成本的重要工具，但仿真性能不能直接等同于现实可靠性，培养学生通过量化评估和分阶段验证缩小域差距。10．具身数据与采集训练（3学时）（支撑课程目标1、2、3、4）教学内容：（1）◆具身数据的概念、Episode/Trajectory组织方式、主要类型、时序性与多模态异构特点。（2）视觉、动作/轨迹、语言指令等数据格式，多模态对齐与开源交换规范；遥操作、仿真生成等采集方式。（3）典型具身数据集及数据质量保障与伦理安全；◆数据预处理、训练、评估与策略部署流程。（4）LeRobot数据采集与训练案例；

数据规模、质量、多样性、偏差、隐私与跨本体复用之间的权衡。AI与专业融合点：把数据视为具身模型的“经验基础”，从数据来源、时间对齐、质量控制、使用授权和训练闭环理解数据工程对模型泛化与安全的影响。理论教学学时合计：32学时。（三）实验教学及要求1．目的及要求（1）通过仿真、开源模型与公开数据，将本体、学习、导航等理论内容转化为可运行的实验流程，理解具身智能“感知—决策—行动—反馈”的闭环特征。（2）掌握基本的环境配置、模型加载、策略训练/推理、参数记录和性能评价方法，能够根据实验现象分析算法的有效性、局限性和可能原因。（3）实验以可复现为基本要求。报告应记录软件环境、模型/数据版本、关键参数、评价指标和结果；使用生成式AI辅助代码理解或排错时，应说明使用环节并对输出进行人工核验。（4）实验坚持安全优先。采用真机扩展时应设置工作空间、速度/力矩限制和急停机制；未经验证的策略不得直接在高风险机器人上运行。2．主要仪器设备计算机或GPU工作站/云计算环境；Python与Conda等环境管理工具；ROS2、Gazebo、NVIDIAIsaacSim/IsaacLab、LeRobot等开源软件；教师预配置的机器人模型、数据集和策略检查点。具备条件时可配置SO-ARM101等低成本机械臂及相机作为拓展，可按照小组配置。3．承担实验室具身智能、机器人、人工智能或智能系统类综合实验环境（亦可采用等效的虚拟机、容器或云端实验环境）。4．实验项目与内容表3实验项目一览表课程目标实验项目名称实验内容类型学时备注目标1、3SO-ARM101开源机械臂模型加载与运动学/遥操作验证基于教材第2章开源机械臂案例，加载SO-ARM101的URDF/LeRobot模型，观察关节与末端运动，完成关节控制或遥操作演示，并记录典型姿态/末端位姿。验证性2以仿真为基本条件；有真机可拓展标定与遥操作。目标1、2、3基于IsaacLab的PPO机械臂Reach任务基于教材第3章实践案例，在预配置环境中运行SO-ARMReach任务，进行短程PPO训练或加载检查点，观察奖励/成功率变化并测试策略；分析奖励设计与训练稳定性。综合性2推荐GPU或云环境；可用预训练检查点保证课内完成。目标2、3、4Fetch轮臂机器人SLAM与导航规划仿真基于教材第6章轮臂机器人具身导航案例，在Gazebo中完成地图/定位、目标点导航和局部避障；改变障碍或规划参数，观察重规划过程并分析安全性与效率。设计性2建议提供预配置ROS2/Gazebo镜像，突出参数设计与对比分析。目标1、3、4基于LeRobot的具身数据读取、采集与质量分析基于教材第10章实践案例，读取教师提供或公开的LeRobot数据集，完成RGB/关节状态/动作/语言指令的可视化与时序对齐检查，统计Episode与轨迹特征、识别异常数据；具备SO-ARM101时可拓展采集少量演示数据。综合性2无实体硬件也可完成；建议形成简要DatasetCard或数据质量记录。实验学时合计：8学时。实验项目均取材于教材建议的开源/仿真案例，并按2学时课堂实验的可实施性进行了压缩。教师可在不降低课程目标达成要求的前提下，根据计算条件对训练时长、并行环境数或真机拓展环节进行调整；也可等学时替换为教材第4章ALOHA模仿学习、第7章SmolVLA或第9章虚实迁移等案例。（四）课程思政课程思政落实立德树人根本任务，坚持价值塑造、知识传授和能力培养相统一，将社会主义核心价值观与科技报国、科学精神、工程伦理、机器人安全、法治意识、数据治理和开放协作等内容自然融入专业教学，不设置脱离专业知识的独立说教环节。表4课程思政切入点及实施路径序号知识章节教学内容课程思政案例或思政切入点实施路径1第1章绪论具身智能起源、交叉学科属性与发展趋势结合具身智能服务未来产业和实体经济的背景，认识基础研究、核心技术与产业需求之间的联系；通过中外技术路线比较，培养开放视野、科学精神和科技创新责任。案例导入+课堂讨论：“具身智能为什么需要机械、控制与AI协同？”引导学生从国家需求、产业落地和科学规律三个层面形成系统认识。2第2—4章硬软件平台、强化学习、遥操作与模仿学习机器人平台、训练试错、专家演示与开源复现强调工程安全、实验规范和学术诚信；讨论奖励设计不当、未经验证策略直接上真机、开源代码/数据不规范使用等风险，形成“可复现、可验证、负责任”的工程意识。实验教学中落实环境版本记录、代码来源标注、参数留痕和安全检查清单；以失败案例复盘替代口号式讲授。3第5—8章大模型、VLA与世界模型多模态大模型、动作生成、预测与内部推演从机器人“幻觉”、错误动作和高风险场景误决策切入，强化以人为本、可靠AI和安全边界意识；认识模型能力与物理可执行性之间的差距。设置反例研讨：给出语言指令歧义、视觉遮挡或世界模型错误预测，要求学生提出人工确认、约束控制、冗余感知等防护方案。4第9章虚实迁移技术域差距、Sim2Real与性能评估树立严谨求实的工程质量观：仿真成功不等于现实安全，任何现实部署都需要分层验证、量化评估和风险控制；培养对公共安全和设备安全负责的职业操守。通过“仿真表现优良但真机失效”的情境分析，组织学生制定仿真验证—小范围真机测试—异常处理—迭代校准的部署流程。5第10章具身数据与采集训练多模态数据、数据集、质量保障与伦理安全结合数据来源、人物影像/语音、场景信息、动作轨迹等，联系《网络安全法》《数据安全法》《个人信息保护法》等要求，讨论知情授权、隐私保护、数据安全、知识产权、偏差与数据可追溯性，形成数据治理责任。以DatasetCard/数据说明书为载体，要求学生说明数据来源、用途边界、质量问题和潜在偏差；课程作业中的AI辅助内容须说明用途并核验来源。三、课程考核与评价标准1．课程目标考核方式及权重课程采用过程性评价与终结性评价相结合的方式，兼顾专业知识、问题分析、实验能力和责任素养。课程总评由作业与随堂测验、实验、课程综合报告和期末考试构成，其中实践与综合任务重点评价学生使用开源工具、分析具身任务和验证AI方法的能力。表5课程目标考核及成绩比例课程目标课程目标权重考核内容考核方式考核方式权重（占总评）目标135%核心概念、技术框架、基本原理和典型方法作业与随堂测验10%目标135%各章基础知识、原理辨析与方法理解期末考试25%目标230%算法/模型比较、任务分析与方案选择作业与随堂测验5%目标230%典型具身任务的系统方案或前沿技术分析课程综合报告5%目标230%综合问题分析、技术路线比较与方案判断期末考试20%目标320%环境配置、实验执行、数据记录、结果复现与分析实验15%目标320%开源工具使用、实验/模型证据和可复现性课程综合报告5%目标415%安全、数据/开源规范、工程伦理等案例分析作业与随堂测验5%目标41