对于希望进入具身智能领域的新手而言，面对日新月异的技术迭代，构建一个系统性的知识框架至关重要。这份核心项目清单，涵盖了从基础模型、数据集到仿真平台的关键资源，旨在帮助初学者快速把握领域脉络，找到高效学习的切入点。
智能速览
Google的RT系列模型是构建通用机器人大脑的关键尝试。
DROID等大规模数据集为训练提供了坚实基础。
Habitat等仿真环境降低了研发与测试的成本。
RSL-RL等高效框架加速了机器人控制算法的开发。
多模态与长时序任务是当前研究的前沿方向。
精华内容
具身智能领域日新月异，新手入门常感无从下手。理解其核心模型、数据集与仿真平台，是构建系统知识体系的第一步，它们共同构成了这个前沿领域的生态基石。
通用大脑模型
迈向通用机器人的第一步，是构建能够跨平台、跨任务的通用策略模型。Google DeepMind提出的RT-X（Robotics Transformer X）便是这一方向的代表，它统一了22个不同的机器人平台，旨在学习一个共享的策略模型。
紧随其后的RT-2则更进一步，探索如何将海量的网页与视觉知识直接迁移到机器人行动上，实现了从“看懂”到“会做”的飞跃。这类模型的目标是让机器人具备更广泛的泛化能力，而非仅限于特定任务。
数据驱动基石
强大的模型离不开高质量、大规模的数据支撑。DROID Dataset是一个大型开源的具身操作数据集，包含了86个任务和多达76000条运动轨迹，为研究提供了丰富的样本。
BridgeData V2则更进一步，是一个跨机构的百万级机器人数据集，并提供了标准的评测基线，方便不同研究进行公平比较。而CALVIN数据集则专注于长时序、多任务的语言条件模仿学习，对机器人的序列规划能力提出了更高要求。
虚拟仿真平台
在现实世界中部署机器人进行实验成本高昂且风险较大，因此仿真平台成为了不可或缺的工具。Stanford大学提出的BEHAVIOR-IK定义了1000项家务活动，并配套了OmniGibson仿真环境，为研究复杂家庭场景提供了高保真度的测试床。
Meta AI推出的Habitat 3.0则聚焦于家庭环境，特别针对导航、抓取以及人机协作等场景进行了优化，为开发能与人共存的家用机器人提供了强大的仿真支持。
前沿框架与工具
在具体的研发工具层面，RSL-RL是一个轻量且高效的强化学习框架，因其与Isaac Sim仿真器和腿足机器人的良好兼容性，在相关领域被广泛应用。
同时，研究的前沿也在不断拓展。πo/πo.5代表了通用具身智能体研究方向的新趋势。而VIMA/VIMABench则提出了一个支持视觉与语言双模态输入的多模态提示学习任务集，用于评估模型在复杂指令下的理解和执行能力。
具身智能是一个由模型、数据和工具共同构成的复杂生态。这份清单揭示了该领域的几个关键支柱：从追求通用性的大脑模型，到提供养分的海量数据，再到加速研发的仿真平台与工具。深入探索这些方向，将是理解并参与构建下一代智能机器人的必经之路。
