RoboGenesis 101

English

项目状态：Alpha / 课程开发阶段。 L01–L07 已通过各自的 CPU clean-kernel 验证， 状态为 cpu-verified；这些讲次的附加 AMD 路径也已在参考 R9700 环境按各自合同通过。 L08 已通过双语 CPU 数值路径、CPU+EGL 和参考 R9700 AMD+EGL 的脚本化专家验证；L09 已通过双语 CPU 诊断、CPU+EGL 和参考 R9700 AMD+EGL 的双相机录制与回读验证，两讲均为 gpu-verified。重编号后的 L12 训练内容也已通过 ACT、SmolVLA GPU smoke、checkpoint 审计和重载验证，状态为 gpu-verified。L10 已通过双语 CPU-only 数据读取与检查路径，状态为 cpu-verified。L11 已通过双语诊断、CPU+EGL 和参考 R9700 AMD+EGL 的 bounded DR 录制、 回读与 provenance 验证，状态为 gpu-verified。L13 已通过双语诊断、参考 R9700 AMD+EGL 单 checkpoint 闭环评估、matched reference/shifted rollout、H.264 视频与报告证据审计，状态为 gpu-verified；这不表示已经证明稳定成功率、OOD 鲁棒性或 sim-to-real。L14 是不影响核心 13 讲完成路径的可选进阶实践，已在固定 companion runtime 和 4× W7900D 上完成 base 0/10、100-step LoRA、DCP→HF merge、merged 0/10 及 20 个视频的必做路径验证，状态为 gpu-verified。两组结果是独立 aggregate 小样本，不能证明策略提升；resolved-seed matching、 8 卡、1000 回合 benchmark 和 full SFT 尚未验证。

RoboGenesis 101 是一门 Datawhale 开源课程，面向具备 Python 基础、希望系统进入机器人学习实践的学习者。课程以 Genesis 为仿真平台，从环境诊断、场景和刚体物理出发，逐步连接机器人控制、逆运动学、抓取、演示数据、模仿学习、策略训练与闭环评估。

课程强调“概念—代码—实验—证据”的完整链路：讲义解释机制，可复用实现位于 Python 包中，notebook 提供可执行练习，课程状态只根据实际内容和验证结果更新。

在线阅读

• 中文课程：https://datawhalechina.github.io/robo-genesis-101/zh/
• English course: https://datawhalechina.github.io/robo-genesis-101/en/

在线站点目前展示课程目录和材料发布状态。完整学习内容将在准备完成并通过实际验证后逐步发布。

适合谁

建议学习者具备：

• Python 基础，能够阅读函数、类、NumPy 数组和命令行参数；
• 基本的终端、Git 和虚拟环境使用经验；
• 对机器人仿真、操作学习或模仿学习感兴趣。

不要求预先掌握 Genesis、机器人运动学或策略训练。课程会在概念成为后续实践的必要前提时进行讲解。

学习路径

课程按以下依赖关系推进：

1. Genesis 环境、场景、实体、物理和仿真生命周期；
2. 机器人自由度、关节控制、逆运动学、末端位姿、相机和并行仿真；
3. 抓取任务、脚本化专家、演示获取和数据录制；
4. 数据集、模仿学习、域随机化、ACT/SmolVLA 训练和闭环评估。
5. 可选 L14 使用 RoboTwin 数据完成 LingBot-VLA-v2 的 LoRA、checkpoint merge 和受控 闭环 aggregate 评估；它需要独立外部运行环境，不是核心 13 讲的完成前提。

训练 loss 或开环动作预测不等同于任务成功。课程最终以闭环 rollout 和明确的成功判据评价策略。

课程进度

course.json 是课程顺序、标题、时长、硬件要求和状态的唯一结构化来源。

讲次	主题	预计时长	硬件	状态
L01	导论、运行平台与环境诊断	30 分钟	cpu-ok	cpu-verified
L02	场景、实体与仿真生命周期	90 分钟	cpu-ok	cpu-verified
L03	刚体物理与稳定仿真	90 分钟	cpu-ok	cpu-verified
L04	机器人模型、DOF 与关节控制	90 分钟	cpu-ok	cpu-verified
L05	逆运动学、末端位姿与相机	120 分钟	cpu-ok	cpu-verified
L06	并行仿真与批量 Franka 控制	90 分钟	cpu-ok	cpu-verified
L07	抓取任务场景搭建	90 分钟	cpu-ok	cpu-verified
L08	演示数据获取与脚本化专家	120 分钟	gpu-recommended	gpu-verified
L09	合成数据录制与采数吞吐	120 分钟	gpu-recommended	gpu-verified
L10	数据集解剖与模仿学习 101	90 分钟	gpu-recommended	cpu-verified
L11	域随机化	90 分钟	gpu-recommended	gpu-verified
L12	ACT 与 SmolVLA 策略训练	150 分钟	gpu-required	gpu-verified
L13	闭环评估与 Capstone	120 分钟	gpu-required	gpu-verified
L14	可选进阶实践：使用 RoboTwin 数据微调 LingBot-VLA-v2	180 分钟	gpu-required	gpu-verified

状态从 planned 依次推进到 draft、reviewed、cpu-verified 或 gpu-verified，最终才是 published。详细证据要求见课程内容规范。

环境基线

• Python：3.12.x；项目声明范围为 >=3.12,<3.13。
• Genesis：genesis-world==1.3.3。
• LeRobot：数据与训练扩展均固定为 lerobot==0.6.0。
• 核心课程完整训练参考平台：Linux x86_64、AMD Radeon AI PRO R9700、系统 ROCm 7.2.0，以及经实测的 ROCm 7.2.1 PyTorch wheels。
• L14 独立参考 profile：4× AMD Radeon PRO W7900D、固定 companion runtime、Python 3.12.3、PyTorch 2.9.1+rocm7.2.1.gitff65f5bc 与 HIP 7.2.53211-e1a6bc5663。

除上述两个明确记录的 AMD profile 外，其他 GPU/ROCm 组合、CPU-only 完整训练链路、 Apple Silicon、Windows 和其他 Python 版本尚未验证。精确版本、wheel 校验和、已验证能力和限制见 兼容性矩阵。

快速开始

本地阅读文档

文档 CI 使用 Node.js 24；建议本地采用相同主版本：

npm ci
npm run docs:dev

构建静态站点：

npm run docs:build

运行轻量质量门禁

以下环境只安装 pytest、纯逻辑测试所需的 numpy 和当前项目，不安装 Genesis、PyTorch 或训练栈：

UV_PROJECT_ENVIRONMENT=.venv uv sync --only-group dev --locked
uv pip install --python .venv/bin/python --no-deps --editable .
.venv/bin/python -m robo_genesis.course_validation
.venv/bin/python -m pytest

也可以在安装后运行 robo-genesis-validate。

安装完整课程依赖

uv sync --locked --all-extras

该命令使用仓库的可移植依赖解析，并不自动构成 AMD ROCm 环境验证。参考 AMD 平台还需要按兼容性矩阵安装并校验指定的 ROCm wheels。安装后可验证仓库内置的四个 YCB 对象：

uv run python -m robo_genesis.setup_assets

已达到验证状态的讲次可以按课程表进入学习；仍为 planned 的材料可能是结构占位，也可能 仍在开发或验证中，不应当作完整教程使用。

运行 L01 环境自检

使用项目环境启动 Jupyter，打开 L01 notebook 并执行一次 Run All：

uv run jupyter lab

notebook 会打印核心版本，自动优先选择可用的 AMD ROCm 后端，否则使用 CPU，然后运行 一个最小 Genesis 场景。CPU fallback 不阻止继续 L01–L07；训练环境要求和参考平台见 L01 讲义与 兼容性矩阵。

仓库结构

docs/                       VitePress 站点与双语讲义
notebooks/{zh,en}/          双语课程 notebook
src/robo_genesis/           可复用场景、数据、训练和评估实现
scripts/                    仓库级开发与校验入口
tests/                      纯逻辑和仓库契约测试
assets/third_party/         经审计并保留原许可的第三方资产
course.json                 课程元数据和状态真相源

参与贡献

提交 Issue 或 Pull Request 前，请阅读：

• 贡献指南：开发环境、工作流程、验证和 PR 清单；
• 课程内容规范：双语讲义、notebook、代码、状态和证据标准；
• 第三方材料说明：来源、许可和再分发边界。

贡献者

姓名	职责
王迅（Xun Wang）	项目负责人；课程设计、开发与维护

贡献者名单只根据已经合入的实际贡献更新。

许可

除另有注明的第三方材料外，本项目有权许可的原创代码、讲义、notebook、练习和原创课程媒体均采用 MIT License。提交原创贡献即表示同意按该许可证提供贡献。

第三方代码、资产、数据集、模型、商标及其他材料保留各自原始许可与限制，不受项目 MIT License 覆盖。具体边界见 NOTICE.md 和 LICENSE_POLICY.md。仓库内置的 YCB 资产采用 CC BY-NC 4.0，不属于 MIT 范围。

致谢

感谢 Datawhale 开源学习社区。本课程使用 Genesis 和 LeRobot 构建教学实践；项目与第三方组件之间不存在因引用而产生的官方背书关系。