@IlirAliu_: ETH Zurich 刚刚开源了他们2026年机器人学习课程的完整内容。不是MOOC。是实际课程。幻灯片、讲座录…

X AI KOLs Timeline 新闻
eth-zurich robot-learning open-source course imitation-learning reinforcement-learning foundation-models

摘要

ETH Zurich 已开源其2026年机器人学习课程的完整内容，包括幻灯片、讲座录像、编程作业和GitHub仓库，内容涵盖从模仿学习到机器人基础模型等主题，并邀请了行业领袖进行客座讲座。

ETH Zurich 刚刚开源了他们2026年机器人学习课程的完整内容。 不是MOOC。是实际课程。幻灯片、讲座录像、编程作业、GitHub仓库。 课程内容从模仿学习和强化学习（RL）一直延伸到Vision-Language-Action模型和机器人基础模型。 客座讲座包括Physical Intelligence联合创始人、Diffusion Policy创建者、Pieter Abbeel、Dieter Fox。 12周。免费。无需注册。 如果你想了解机器人智能的实际发展方向……这正是该领域目前使用的阅读清单。 [http://cvg.ethz.ch/lectures/Robot-Learning…] —— 每周机器人与AI洞察。 免费订阅：http://22astronauts.com
查看原文
查看缓存全文

缓存时间: 2026/06/10 11:51

苏黎世联邦理工学院（ETH Zurich）刚刚完整开源了其 2026 年机器人学习课程。

不是慕课（MOOC），而是真实的课程内容：幻灯片、讲座录像、编程作业、GitHub 仓库一应俱全。

课程内容从模仿学习、强化学习一直延伸到视觉-语言-动作模型（Vision-Language-Action models）和机器人基础模型（Foundation Models for Robotics）。

特邀讲座嘉宾包括 Physical Intelligence 联合创始人、扩散策略（Diffusion Policy）创始人、Pieter Abbeel、Dieter Fox。

课程为期 12 周。完全免费。无需注册。

如果你想了解机器人智能的真正发展方向……这正是该领域当下正在使用的阅读清单。

[http://cvg.ethz.ch/lectures/Robot-Learning…]

——

每周机器人技术与 AI 洞察。 免费订阅：http://22astronauts.com

计算机视觉与几何组（Computer Vision and Geometry Group）

来源：https://cvg.ethz.ch/lectures/Robot-Learning/ 课程名称： 机器人学习：从基础到基础模型（Robot Learning: From Fundamentals to Foundation Models）

学期： 2026 年春季

主讲人： Oier Mees (https://www.oiermees.com/)

助教： Alexey Gavryushin、Jonas Pai、Liam Achenbach、Nicola Irmiger、Tianxu An、Šimon Sukup、Nicole Damblon、Zador Pataki、Carl Brandner、Aristotelis Sympetheros、Rohan Walia、Rajiv Bharadwaj、David Hohenstatt、Huanyu Guo

课程目录链接： 263-5911-00L (https://www.vorlesungen.ethz.ch/Vorlesungsverzeichnis/lerneinheit.view?semkez=2026S&ansicht=ALLE&lerneinheitId=201901&lang=en)

讲座时间： 周一 16:15-18:00，教室 NO C 60。

  • 形式： 每节课先进行核心主题讲座，随后由学生主导论文讨论。在选定的几周，我们还会邀请领域专家进行简短的特邀讲座作为结尾。

周四练习课： 周四 10:15-12:00，教室 CHN D 29、D 42、D 46、D 48 以及 IFW A 32.1。

课程 GitHub： mees-robot-learning-course/ethz-course-2026 (https://github.com/mees-robot-learning-course/ethz-course-2026)

课程目标：

本课程全面介绍现代机器人学习，将经典技术与大规模模型的最新进展相结合：学生将从模仿学习、强化学习和策略优化的基础知识学起，逐步进阶到包括视觉-语言-动作模型和机器人基础模型在内的前沿课题。课程目标如下：

  • 理解模仿学习、强化学习和策略学习的核心原理。
  • 在仿真环境和真实机器人上实现基本的机器人学习系统。
  • 探索最先进的视觉-语言-动作模型和机器人基础模型。
  • 设计与评估集成感知、控制和多模态推理的可扩展机器人学习流水线。

考核方式：

  • 论文报告与主持（组）：20%
  • 实践作业（编程作业）：40%
  • 期末项目（组）：40%
讲座暂定日程表
周次周一主题论文讨论特邀嘉宾
第 1 周：2 月 16 日机器人学习简介
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture1_intro.pdf)
录像 (https://www.youtube.com/watch?v=X0k14u6pSxw)		无论文讨论。-
第 2 周：2 月 23 日机器人控制与 MDP
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture2_control_mdp.pdf)
录像 (https://www.youtube.com/watch?v=5-Bb84eTTqQ)		简单随机搜索是强化学习的一种竞争性方法 (https://arxiv.org/abs/1803.07055) (Mania et al., 2018)、深度强化学习尚未成功 (https://www.alexirpan.com/2018/02/14/rl-hard.html) (Irpan, 2018)、通过自我监督预测进行好奇心驱动的探索 (https://arxiv.org/pdf/1705.05363) (Pathak et al., 2017)Abishek Gupta (https://homes.cs.washington.edu/~abhgupta/) (华盛顿大学教授)
YouTube 录像 (https://youtu.be/aG8NPTPhwkE)
第 3 周：3 月 02 日模仿学习
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture3_imitation.pdf)
录像 (https://youtu.be/Ef4R5s1LqoQ)		模仿学习中的因果混淆 (https://arxiv.org/abs/1905.11979) (Den Haan et al., 2019)、视觉模仿表示学习的惊人效果 (https://arxiv.org/abs/2112.01511) (Pari et al. 2021)、Transporter Networks：为机器人操纵重新排列视觉世界 (https://arxiv.org/pdf/2010.14406) (Zeng et al., 2020)Danfei Xu (https://faculty.cc.gatech.edu/~danfei/) (佐治亚理工大学教授)
YouTube 录像 (https://youtu.be/qvTP6T5oq1w)
第 4 周：3 月 09 日强化学习 I
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture4_rl_I.pdf)
录像 (https://youtu.be/90raNpc11tQ)		进化策略作为强化学习的可扩展替代方案 (https://arxiv.org/abs/1703.03864) (Salimans et al., 2017)、学习推与抓的协同作用 (https://arxiv.org/abs/1803.09956) (Zeng et al., 2018)、通过人在环强化学习实现精确灵巧的机器人操纵 (https://arxiv.org/pdf/2410.21845) (Luo et al., 2024)Aviral Kumar (https://aviralkumar2907.github.io/) (卡内基梅隆大学 & Google DeepMind 教授)
YouTube 录像 (https://youtu.be/fHHLmTu9sFk)
第 5 周：3 月 16 日强化学习 II
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture5_rl_II.pdf)
录像 (https://youtu.be/AdTGz8YnnlE)		深度视觉运动策略的端到端训练 (https://arxiv.org/abs/1504.00702) (Levine et al., 2015)、Eureka：通过编码 LLM 进行人力级奖励设计 (https://arxiv.org/abs/2310.12931) (Ma et al., 2023)、用于任务无关离线强化学习的潜在规划 (https://arxiv.org/pdf/2209.08959) (Rosete-Beas et al., 2022)Andrew Wagenmaker (https://wagenmaker.github.io/) (UC Berkeley 博士后)
YouTube 录像 (https://youtu.be/CPmTpXA5azw)
第 6 周：3 月 23 日生成模型
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture6_generative.pdf)
录像 (https://youtu.be/qd6Ldsuu46I)		通过扩散进行规划的灵活行为综合 (https://arxiv.org/abs/2205.09991) (Janner & Du et al., 2022)、隐式行为克隆 (https://arxiv.org/pdf/2109.00137) (Florence et al., 2021)、使用潜在空间强化学习引导扩散策略 (https://arxiv.org/abs/2506.15799) (Wagenmaker et al., 2025)Cheng Chi (https://cheng-chi.github.io/) (Sunday Robotics 联合创始人、Diffusion Policy & UMI 负责人)
YouTube 录像 (https://youtu.be/tvFvIEOBKfM)
第 7 周：3 月 30 日序列建模与 Transformer
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture7_sequence_modeling.pdf)
录像 (https://youtu.be/imSTfMJjp7M)		Decision Transformer：通过序列建模进行强化学习 (https://arxiv.org/abs/2106.01345) (Chen et al., 2021)、学习精细双手操纵 (ALOHA) (https://arxiv.org/abs/2304.13705) (Zhao et al., 2023)、作为下一个 Token 预测的人形机器人运动 (https://arxiv.org/pdf/2402.19469) (Radosavovic et al., 2024)Ted Xiao (https://tedxiao.me/) (Prometheus 联合创始人，前 Google 成员)
YouTube 录像 (https://youtu.be/VS7Ulaugevg)
第 8 周：4 月 13 日世界模型
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture8_world_models.pdf)
录像 (https://youtu.be/cTTmUZlOF2s)		通过文本引导视频生成学习通用策略 (https://arxiv.org/abs/2302.00111) (Du et al, 2023)、在可扩展世界模型内部训练智能体 (https://arxiv.org/abs/2509.24527) (Hafner et al., 2025)、世界动作模型是零样本策略 (https://dreamzero0.github.io/DreamZero.pdf) (Ye et al., 2026)Scott Reed (https://reedscot.github.io/) (NVIDIA GEAR Lab 首席研究科学家)
YouTube 录像 (https://www.youtube.com/watch?v=fqkp_wkov6M)
第 9 周：4 月 27 日通用机器人策略
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture9_generalist_policies.pdf)
录像 (https://youtu.be/dtofzDY9zuo)		在非结构化数据上进行语言条件模仿学习 (https://arxiv.org/pdf/2005.07648) (Lynch et al., 2021)、通用智能体 Gato (https://arxiv.org/abs/2205.06175) (Reed et al., 2022)、π∗0.6：从经验中学习的 VLA (https://arxiv.org/abs/2511.14759) (Physical Intelligence, 2025)Quan Vuong (https://scholar.google.com/citations?user=NSWI3OwAAAAJ&hl=en) (Physical Intelligence 联合创始人)
YouTube 录像 (https://youtu.be/pzolgvyWEFY)
第 10 周：5 月 04 日具身推理与测试时扩展
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture10_reasoning.pdf)
录像 (https://youtu.be/CxhrjQuGEuE)		通过下一个 Token 预测进行上下文模仿学习 (https://arxiv.org/pdf/2408.15980) (Fu et al., 2024)、VOYAGER：具有 LLM 的开放式具身智能体 (https://arxiv.org/abs/2305.16291) (Wang et al., 2023)、高效具身推理的训练策略 (https://arxiv.org/pdf/2505.08243) (Chen et al., 2025)Archit Sharma (https://architsharma97.github.io/) (Google DeepMind 研究科学家，Gemini Deep Think 系列联合创建者)
YouTube 录像 (https://youtu.be/oBEkY6NeE_o)
第 11 周：5 月 11 日前沿与开放问题
幻灯片 (https://cvg.ethz.ch/lectures/Robot-Learning/lectures/lecture11_frontiers.pdf)
录像 (https://youtu.be/eL4lcy1KNzE)		通往自主机器智能的道路 (https://openreview.net/pdf?id=BZ5a1r-kVsf) (LeCun, 2022)、苦涩的教训 (http://www.incompleteideas.net/IncIdeas/BitterLesson.html) (Sutton, 2019)、无表示的智能 (https://people.csail.mit.edu/brooks/papers/representation.pdf) (Brooks, 1991)Lucas Beyer (https://lucasb.eyer.be/) (Meta Superintelligence Labs)
YouTube 录像 (https://youtu.be/0XB7fNS_ONg)
第 12 周：5 月 18 日特邀讲座Dieter Fox (https://homes.cs.washington.edu/~fox/) (华盛顿大学教授 & AI2 主任)（已确认）-
练习课

每节练习课组织如下。助教首先总结相关课程内容并介绍练习。随后助教留在教室协助学生完成练习。

周次主题材料截止日期
第 1 周：2 月 19 日PyTorch & Numpy 教程代码 (https://github.com/mees-robot-learning-course/ethz-course-2026/tree/main/hw1_pytorch_tutorial)3 月 5 日
第 2 周：2 月 26 日机器人控制与 MDP代码 (https://github.com/mees-robot-learning-course/ethz-course-2026/tree/main/hw2_robot_control_mdps)3 月 12 日
第 3 周：3 月 02 日模仿学习代码 (https://github.com/mees-robot-learning-course/ethz-course-2026/tree/main/hw3_imitation_learning)3 月 26 日
第 5 周：3 月 29 日强化学习代码 (https://github.com/mees-robot-learning-course/ethz-course-2026/tree/main/hw4_reinforcement_learning)4 月 16 日

相似文章