📁 知识点
第一讲 · 导论：机器人、智能控制与具身智能
全课地图：从 OODA 闭环看智能机器人、傅京逊与 Saridis 的智能控制定义 IC=AC∩AI∩OR、传统控制的适用边界、五大智能控制分支，以及具身智能为何是一个广义控制问题
第二讲 · 符号主义：专家系统与专家控制
把专家经验写成 IF-THEN 规则：知识库与推理机、正反向推理、CF 确定性因子、专家系统与专家控制、专家 PID（增量式 PID 完整推导 + 5 种情况），以及 XCON/MYCIN/PROSPECTOR 与专家系统的局限
第三讲 · 模糊逻辑：模糊控制
把不精确的自然语言经验定量化：隶属度与模糊集合、交并补与 max-min 合成、模糊推理、模糊控制器三件套与 7 步设计、解模糊三法，以及模糊自适应 PID
第四讲 · 模糊系统优化：TSK、ANFIS 与 Mamba
把 Mamdani 规则的后件换成函数，理解 TSK 与 RBFN、MoE、CART、Stacking 的等价关系，掌握 ANFIS 五层结构、MBGD 优化套路，并看 Mamba 如何把状态空间法重新带回序列建模
第五讲 · 连接主义：神经网络控制与序列建模
不写规则，让数据自己学映射。机器学习三要素、神经元与激活函数（梯度消失→ReLU）、通用近似定理、反向传播、六种神经网络控制结构、RBF 网络控制、TSK≈RBF 的逐行证明，以及 RNN/LSTM/Transformer 处理序列
第六讲 · 行为主义：迭代学习控制与强化学习
没有标准答案，靠试错+反馈学习。迭代学习控制的二维时间视角、D/P/PD/PID 型学习律与标量 |1-PΓ|<1、矩阵 ρ(I-PΓ)<1 收敛条件；强化学习的 MDP、贝尔曼方程、Q-Learning、DQN 与 PPO/SAC/TD-MPC 算法谱系
第七讲 · 感知基础：光流
光流的定义与稀疏/稠密之分、两条基本假设与约束方程推导、孔径问题，以及三类算法：Lucas-Kanade（最小二乘+角点）、Farneback（二次多项式拟合）、FlowNet（深度学习）
第八讲 · 具身智能、VLA 与 SimLingo
第一人称智能与 POMDP、自动驾驶从模块化到端到端、VLA（视觉-语言-动作）四层五部件架构与 Cross-Attention、典型模型 RT-2/Pi0/Pi0.5，以及 SimLingo、NaVILA 实验
第九讲 · 智能系统安全与伦理
从 Ascend 推理数据流进入 AI 系统性风险，再用冰山模型理解内生与衍生风险，掌握对抗样本、三类隐私攻击、可解释性、防范评估体系与电车难题
第十讲 · 实验课：NaVILA 复现与 VLA 小车部署
从 NaVILA 的高层视觉语言决策与底层运动控制讲到 Habitat/VLN-CE 复现、开闭环与 4-bit 实验，再把 SimLingo 迁移为 ROS 分布式 VLA 小车部署方案