精选的具身智能学习资源库
UC Berkeley
这门课程深入探讨了深度强化学习的理论基础和实践应用，是具身智能学习的核心课程之一。课程涵盖了从基础的强化学习算法到最新的深度强化学习方法，包括策略梯度、Q学习、演员-评论家方法等。
Stanford University
这门课程是计算机视觉和深度学习的经典入门课程，对于理解具身智能的视觉感知部分至关重要。课程详细讲解了卷积神经网络的原理和应用，包括图像分类、目标检测、图像分割等。
UC Berkeley
这门课程专注于机器人学的高级主题，包括机器人动力学、控制、规划和学习。课程结合了理论基础和实践应用，对于理解具身智能的机器人实现部分非常有价值。
Stanford University
这门课程深入探讨了自然语言处理的理论和实践，对于理解具身智能中的语言理解和交互部分非常重要。课程涵盖了从词嵌入到Transformer模型的各种NLP技术。
Ian Goodfellow, Yoshua Bengio & Aaron Courville
这本书是深度学习领域的经典教材，全面介绍了深度学习的理论基础和实践应用。书中涵盖了从基础的神经网络到高级的深度学习模型，对于理解具身智能中的感知和决策模型非常有价值。
Richard S. Sutton & Andrew G. Barto
这本书是强化学习领域的经典教材，系统介绍了强化学习的基本概念、算法和应用。书中从马尔可夫决策过程开始，逐步讲解了各种强化学习方法，对于理解具身智能的决策和控制部分至关重要。
Sebastian Thrun, Wolfram Burgard & Dieter Fox
这本书详细介绍了机器人学中的概率方法，包括状态估计、定位、地图构建和规划。书中结合了理论和算法实现，对于理解具身智能中的感知和导航部分非常有价值。
Stuart Russell & Peter Norvig
这本书是人工智能领域的经典教材，全面介绍了人工智能的各个方面，包括搜索、知识表示、规划、学习和感知。书中的内容为理解具身智能的理论基础提供了重要支持。
OpenAI, 2019
这篇论文介绍了如何使用深度强化学习训练机器人手进行灵巧的物体操作，是Sim2Real迁移的重要案例。
OpenAI, 2019
这篇论文展示了如何训练机器人手解魔方，结合了自动域随机化和强化学习，是具身智能中复杂操作的典范。
Berkeley, 2021
这篇论文介绍了如何使用强化学习训练四足机器人在真实世界中行走，最小化了人类干预。
Google, 2023
这篇论文介绍了PaLM-E，一个具身多模态语言模型，能够将视觉、语言和动作信息整合到一个统一的框架中。
Google, 2023
这篇论文介绍了RT-2，一个将视觉语言模型的知识迁移到机器人控制的模型，展示了大型语言模型在具身智能中的应用。
Stanford, 2023
这篇论文介绍了CLIP-Fields，一种利用CLIP模型构建机器人记忆的方法，支持语言查询和交互。
Berkeley, 2017
这篇论文介绍了MAML，一种模型无关的元学习方法，能够快速适应新任务，对具身智能中的快速适应非常重要。
Berkeley, 2018
这篇论文探讨了如何通过元强化学习在动态、真实世界环境中实现快速适应，对具身智能的环境适应性至关重要。
Berkeley, 2016
这篇论文提出了RL^2，一种通过慢强化学习实现快速强化学习的方法，为具身智能中的快速学习提供了新思路。