企业官网建设流程全解析

最近具身智能圈子里有个消息挺热闹：Hugging Face 发布了一款叫 Microduck 的机器人，价格定在 399 美元。放在整个 AI 硬件市场里，这个价位确实有点意思。很多人第一反应是：Hugging Face 不是做模型库和开源社区的吗，怎么突然做机器人了？也有开发者关心的是：这个机器人到底能干什么，技术栈是什么样的，值不值得入手，买回来能不能跑起自己的模型。

这篇文章就来围绕 Microduck 把这些问题拆开聊。我会从 Hugging Face 为什么做机器人说起，再拆解 Microduck 的硬件与软件架构、开发环境搭建、运动控制与 AI 推理的基本流程，并给出适合入门和进阶的完整学习路线。无论你是做算法、做后端，还是对具身智能感兴趣的硬件爱好者，都能在本文找到对应的切入角度。

1. 背景与核心概念

1.1 Hugging Face 为什么突然做机器人

先理清一个认知：Hugging Face 做 Microduck，并不是要转型做硬件厂商，而是为了给“具身智能”搭建一个开源软件与硬件的结合试验场。

Hugging Face 这几年在 AI 生态中的角色，大家已经很熟悉了：模型库、Datasets、Spaces、Transformers 库，是很多算法工程师每天都会用到的工具链。但从 2024 年开始，Hugging Face 明显加大了对机器人领域的投入，代表性项目就是 LeRobot。LeRobot 是一个面向机器人学习的开源框架，目标是降低机器人数据采集、模型训练和策略部署的门槛。

Microduck 可以理解为 LeRobot 的“官方参考硬件”。它用较低的硬件成本，把视觉、运动控制、强化学习、模仿学习这些技术集中到一个可玩性很强的实体平台上。Hugging Face 的逻辑很清楚：模型与数据集是软件层面的积淀，但 AI 要走向物理世界，必须有一个标准化的硬件载体来承接。Microduck 就是这个载体。

所以，如果你是冲着“买一个玩具”去看它，399 美元的定价并不便宜；但如果你是冲着“低成本学习具身智能”去看它，这个价格相当于买了一个带有完整开源软件生态的移动机器人开发平台。

1.2 Microduck 是什么类型的机器人

从形态上看，Microduck 属于桌面级四足机器人。四足机器人相比轮式机器人的最大区别，在于它能适应更多地形，而且运动方式更接近生物体。不过 Microduck 的定位不是工业级巡检或者说负重运输，而是面向开发者、创客、高校实验室和 AI 学习者的轻量级研究平台。

它在硬件上通常包含这些核心部分：

• 机架与关节模组：四个腿、多个舵机或电机，构成最基本的运动执行单元。
• 主控单元：运行 Linux 系统的单板计算机，负责算法、通信与模型推理。
• 传感器：至少包含摄像头（用于视觉感知），可能还有 IMU（惯性测量单元）用于姿态估计。
• 电池与电源管理模块。

在软件层面，Microduck 的设计高度依赖 Python 和 ROS 2 生态。Hugging Face 把模型训练、数据集采集、仿真环境、真实机器人部署，串成了一条完整的开发链路。这也意味着，你买到手之后不是拿到一个封闭的玩具，而是拿到一个可以持续改软件、训模型、换算法的实验平台。

1.3 Microduck 解决的三个核心问题

第一个问题，是“机器人学习”的门槛问题。以前想接触强化学习或模仿学习，大多数时候只能在仿真环境里跑，无法验证算法在真实物理世界中的效果。Microduck 把真实硬件成本降到几百美元级别，让更多开发者有机会做真实环境下的 robot learning 实验。

第二个问题，是软件生态碎片化问题。机器人开发长期面临“硬件换一家，代码重写一遍”的尴尬。Hugging Face 希望通过 LeRobot 统一机器人学习的数据格式、训练接口和部署流程，Microduck 作为参考硬件，能让开发者少踩很多适配的坑。

第三个问题，是 AI 模型与物理世界的连接问题。现在很多多模态大模型已经能理解图像和语言，但模型输出如何变成机器人关节的转动角度，中间需要一层“具身化”的转换。Microduck 就是连接大模型感知能力和物理动作执行的实验载体。

1.4 与常见机器人平台的对比

很多读者可能会拿 Microduck 和市面上常见的机器人平台对比，这里简单列一下各自的定位差异：

Microduck 的优势在于：它绑定了 Hugging Face 的软件生态，模型与数据集资源丰富，学习路径很清晰。但它的负载能力、续航、精度都有限，不适合做重负载的物理操作。

2. Microduck 技术架构拆解

2.1 硬件层：低成本下的平衡设计

Microduck 的硬件设计核心，一句话总结就是：在有限成本内，优先保证“可编程性”和“可扩展性”。

由于 399 美元的定价限制，它的关节电机不会采用工业级伺服方案，而是更偏向于机器人教育领域常见的高性价比舵机或小型无刷电机。这类电机的特点是：控制协议简单、响应速度足够支持桌面级运动、更换成本低。缺点是扭矩和精度与工业级产品有差距，所以在重负载场景下不适合。

主控部分通常是一块可以运行 Linux 的 ARM 开发板，类似树莓派或者 Jetson Nano 级别的算力。这个算力等级意味着：在板端直接运行大型多模态大模型是不现实的，需要通过网络请求调用云端 API，或者使用轻量级模型做板端推理。但对于模仿学习策略、视觉分类、目标检测等任务，这个算力是够用的。

传感器配置上，摄像头是核心。因为 LeRobot 的数据采集流程中，视觉是最主要的观察模态。除了摄像头，IMU 负责姿态反馈，帮助机器人保持平衡和判断自身状态。

2.2 软件层：LeRobot 框架与 ROS 2 生态

Microduck 的灵魂在软件，不在硬件。LeRobot 框架由 Hugging Face 维护，提供了从数据采集、数据集管理、模型训练到真实机器人部署的完整工具链。

LeRobot 目前的核心抽象包括：

• Dataset：统一的数据集格式，存储机器人动作序列和传感器观察。
• Policy：策略网络，负责根据观察输出动作。
• Environment：仿真或真实环境接口。
• Robot：真实机器人的控制接口。

在 Microduck 上跑 LeRobot，整体流程是：先用遥控器或示教方式采集一组操作数据，保存为 LeRobot Dataset 格式，上传到 Hugging Face Dataset 或本地存储；然后基于这些数据训练一个策略模型，比如 ACT（Action Chunking with Transformers）或 Diffusion Policy；最后把训练好的策略部署到 Microduck 上，让机器人根据摄像头画面输出动作。

ROS 2 在这套体系里扮演的是通信中间件角色。关节状态、传感器数据、控制指令，通过 ROS 2 的 Topic 机制在机器人内部流转。如果你之前接触过 ROS 2，理解 Microduck 的通信架构会非常轻松；如果没接触过，建议先花点时间了解 ROS 2 的基本概念。

2.3 从大模型到机器人动作的完整链路

很多人好奇：大模型和机器人动作之间是怎么连接起来的？这里需要区分两条不同的技术路线。

第一条路线是“端到端模仿学习”。以 ACT 为例，模型输入是当前摄像头图像和机器人关节状态，输出是未来一段时间内各关节的目标角度序列。这个模型从人类示教数据中学习，不依赖显式的规则或中间表示。训练好之后，机器人看到类似场景，就会输出与示教相似的动作序列。这条路线的优势是泛化性相对好，但需要一定数量的优质数据。

第二条路线是“大模型 + 技能库”。先用大模型理解和拆解任务，比如“把杯子拿起来”，大模型解析出目标物体位置，然后调用预先写好的运动规划模块或技能模块，生成具体的关节轨迹。这条路线的优势是可解释性强，但技能库的覆盖范围决定了机器人的能力边界。

Microduck 同时支持这两条路线。你可以用 LeRobot 采集数据训练端到端策略，也可以把 Microduck 接入大模型 API，做基于视觉语言模型的决策控制。这种灵活性是它作为开发平台的核心价值。

3. 环境准备与版本说明

3.1 开发环境概览

开始 Microduck 开发之前，需要准备以下环境。版本信息请以官方仓库和实际硬件为准，本文重点演示整体思路。

3.2 推荐项目目录结构

为了方便管理，建议本地项目采用下面的目录结构：

microduck-dev/ ├── data/ # 采集的原始数据 ├── datasets/ # LeRobot 格式数据集 ├── scripts/ # 采集、训练、部署脚本 ├── models/ # 训练好的模型权重 ├── configs/ # 配置文件 ├── logs/ # 日志文件 └── README.md

这个结构的好处是：数据、代码、模型、配置分离，后续做版本管理时不容易乱。

3.3 安装 LeRobot

LeRobot 的安装推荐使用虚拟环境，避免和系统 Python 环境冲突。

# 创建虚拟环境 python3 -m venv ~/venvs/lerobot source ~/venvs/lerobot/bin/activate # 安装 PyTorch（根据你的 CUDA 版本选择对应命令） pip install torch torchvision # 克隆 LeRobot 仓库并安装 git clone https://github.com/huggingface/lerobot.git cd lerobot pip install -e .

安装完成后，可以运行一条简单的命令验证安装是否成功：

python -c "from lerobot.robots.factory import make_robot; print('LeRobot OK')"

如果输出LeRobot OK，说明基础环境已经就绪。需要提醒的是，LeRobot 版本迭代很快，如果你发现 API 和某些教程不一致，优先查阅官方仓库的 README 和示例代码。

4. 核心原理解析：运动学、控制与数据

4.1 四足机器人运动学基础

Microduck 是四足机器人，要理解它的控制原理，避不开运动学。运动学分为正向运动学和逆运动学。

正向运动学：已知各关节角度，求机器人足端的位置。比如你告诉机器人每个舵机转动多少度，通过几何关系就能算出脚掌在三维空间中的坐标。

逆运动学：已知期望的足端位置，反推各关节应该转多少度。这是运动控制中更常用的问题，因为你在上层通常规划的是“脚应该落在哪里”，而不是“关节应该转多少度”。

以单条腿为例，假设腿由两个关节构成：髋关节和膝关节。给定足端在机体坐标系下的位置(x, y, z)，可以通过几何法求解关节角度。

下面给出一个简化的两关节腿逆运动学示例代码：

import numpy as np def leg_inverse_kinematics(x, y, z, l1, l2): """ 两关节腿逆运动学 x, y, z: 足端在机体坐标系下的坐标 l1: 大腿长度 l2: 小腿长度 返回: [hip_angle, knee_angle] 弧度 """ # 计算髋关节转角 hip_angle = np.arctan2(y, x) # 计算大腿平面内的距离 horizontal_dist = np.sqrt(x**2 + y**2) # 计算从髋关节到足端的直线距离 d = np.sqrt(horizontal_dist**2 + z**2) # 余弦定理求膝关节角度 cos_knee = (l1**2 + l2**2 - d**2) / (2 * l1 * l2) cos_knee = np.clip(cos_knee, -1.0, 1.0) knee_angle = np.arccos(cos_knee) # 求髋关节与大腿的夹角 cos_hip = (l1**2 + d**2 - l2**2) / (2 * l1 * d) cos_hip = np.clip(cos_hip, -1.0, 1.0) alpha = np.arccos(cos_hip) beta = np.arctan2(-z, horizontal_dist) thigh_angle = alpha + beta knee_angle = -(np.pi - knee_angle) return [hip_angle, thigh_angle, knee_angle] # 示例：足端目标位置 x, y, z = 0.05, 0.02, -0.12 l1, l2 = 0.08, 0.10 angles = leg_inverse_kinematics(x, y, z, l1, l2) print("关节角度（弧度）:", angles)

这段代码是简化模型，实际 Microduck 的腿结构可能包含更多自由度，而且舵机安装位置会影响坐标变换，所以工程实现时还需要加入安装偏移量的标定。

4.2 步态规划：从单腿控制到整机运动

单腿运动学解决的是“一条腿怎么动”，步态规划解决的是“四条腿怎么配合”。

最简单的步态是“起伏步态”，即机器人先抬起一条腿向前迈步，另外三条腿保持支撑。更复杂的步态包括 trot（对角小跑）、bound（跳跃步态）等。Microduck 这类小型四足机器人，由于舵机响应速度和扭矩限制，通常以低速稳定步态为主。

步态规划的核心是保持重心稳定。机器人在迈步过程中，重心会偏移，如果重心超出支撑多边形，机器人就会摔倒。控制策略通常有两种：

• 静稳定步态：每一步都把重心调整到三个支撑腿构成的三角形内，移动速度慢但稳定。
• 动稳定步态：利用惯性动态调节，速度更快但需要惯导和实时控制算法。

对于入门开发者，建议先从静稳定步态开始，理解重心投影、支撑多边形这些基本概念，再逐步引入动态控制。

4.3 模仿学习中的数据采集流程

LeRobot 的核心强项是数据驱动，所以数据采集是整个模仿学习流程中最关键的一环。数据质量直接决定策略模型效果。

在 Microduck 上采集数据的方式大致如下：

1. 使用遥控器手动控制 Microduck 执行目标动作。
2. 在动作过程中，同步记录摄像头图像、关节角度、IMU 数据。
3. 保存为一组 episode，每个 episode 是一次完整的任务演示。
4. 将多个 episode 汇总，构建 LeRobot Dataset。

下面是一个模拟数据采集流程的示例，展示如何把传感器数据保存为结构化格式：

import json import time import numpy as np from pathlib import Path class EpisodeRecorder: def __init__(self, save_dir): self.save_dir = Path(save_dir) self.save_dir.mkdir(parents=True, exist_ok=True) self.episode_data = [] def record_frame(self, image, joint_angles, imu_data): """记录一帧数据""" frame = { "timestamp": time.time(), "joint_angles": joint_angles, "imu": imu_data, # image 通常保存为单独文件，这里只存路径 } self.episode_data.append(frame) def save_episode(self, episode_id, images_dir): """保存一个 episode""" episode_path = self.save_dir / f"episode_{episode_id}" episode_path.mkdir(parents=True, exist_ok=True) # 保存图像 for i, frame in enumerate(self.episode_data): # 假设 frame["image"] 是 numpy 数组 img = frame.pop("image") img_path = images_dir / f"episode_{episode_id}_frame_{i:06d}.jpg" # cv2.imwrite(str(img_path), img) # 保存图像 frame["image_path"] = str(img_path) # 保存传感器数据 with open(episode_path / "data.json", "w") as f: json.dump(self.episode_data, f) self.episode_data = [] # 使用示例 recorder = EpisodeRecorder("data/episodes") # 在机器人运行过程中，每一帧调用 record_frame # 一轮任务结束后，调用 save_episode

需要特别强调的是，实际 LeRobot 数据格式比这个示例复杂得多，包含了状态、动作、时间戳、相机内参等完整信息。这里只是帮助理解数据采集的逻辑。官方建议使用 LeRobot 自带的采集脚本，避免格式不一致。

4.4 策略训练：以 ACT 为例

数据采集完成之后，下一步是训练策略模型。ACT（Action Chunking with Transformers）是 LeRobot 项目中最常用的策略之一，思路是让模型一次性输出未来一段时间的动作序列，而不是单步动作。这种设计能减少累计误差，提高动作的平滑性。

ACT 的训练流程包括：

1. 从 LeRobot Dataset 中加载训练集。
2. 对图像做归一化和数据增强。
3. 训练 Transformer 模型，输入当前观察，输出动作序列。
4. 定期验证模型在验证集上的表现。
5. 保存最优权重。

在 LeRobot 中运行训练通常是一条命令的事情：

python lerobot/scripts/train.py \ --policy.type=act \ --dataset.repo_id=your-username/microduck_pick_place \ --output_dir=outputs/act_pick_place

训练时间和数据量直接相关。建议先从几十个 episode 的小数据集开始，验证完整流程跑通，再逐步增加数据量。

4.5 模型部署与真机推理

训练好的模型要部署到 Microduck 上，通常有两种方式：

第一种是把模型放到机器人板端运行。如果模型足够轻量，可以在机器人的 ARM 板上直接推理。部署时需要使用 ONNX Runtime 或 TensorRT 等推理加速框架，把 PyTorch 模型转换成推理格式。

第二种是机器人通过局域网连接 PC，由 PC 端运行模型并下发控制指令。这种方式适合训练阶段快速验证，也是大多数入门开发者的首选。

部署的核心逻辑是：读取摄像头图像，传入策略模型，得到关节目标角度，发送给底层电机驱动器。下面给出一个简化推理循环示例：

import time import cv2 import torch def load_policy(model_path, device): """加载训练好的策略模型""" # 实际加载逻辑以 LeRobot 官方 API 为准 policy = torch.load(model_path, map_location=device) policy.eval() return policy def run_inference_loop(policy, camera, robot, device="cuda"): """真实机器人推理循环""" while True: # 1. 获取摄像头图像 frame = camera.read() # 2. 预处理图像 # frame = preprocess(frame) # 3. 模型推理，得到动作序列 with torch.no_grad(): observations = {"image": frame.unsqueeze(0).to(device)} action = policy.select_action(observations) # 4. 发送动作到机器人 robot.send_action(action) time.sleep(0.05) # 控制频率 20Hz

实际部署时，还需要处理相机标定、关节角度归一化、安全急停等细节。建议先在仿真环境里完整跑通一遍推理流程，再上真机。

5. 完整实战：从零开始采集数据并训练一个简单策略

5.1 任务目标定义

我们以“控制 Microduck 执行前进动作”为例，完整走一遍从数据采集到策略部署的流程。这个任务虽然简单，但能覆盖主要开发环节。

任务定义：让 Microduck 根据遥控器示教数据，学会以固定步态前进 1 米。

5.2 项目初始化

mkdir microduck_walk cd microduck_walk git init python3 -m venv venv source venv/bin/activate pip install lerobot

5.3 数据采集脚本

参考 LeRobot 官方数据采集脚本，编写自己的采集入口：

# scripts/collect_walk_data.py import argparse import time import cv2 from pathlib import Path from lerobot.robots.factory import make_robot from lerobot.datasets import LeRobotDataset def collect_episode(robot, dataset, episode_index, duration=5.0): """采集一个 episode""" print(f"开始采集 episode {episode_index}，时长 {duration} 秒") # 启动遥控器控制 robot.teleoperate() start_time = time.time() while time.time() - start_time < duration: # 读取当前状态和动作 observation = robot.get_observation() action = robot.get_current_action() # 保存到数据集 dataset.add_episode(observation, action) # 预览画面 camera_image = observation["image"] cv2.imshow("preview", camera_image) cv2.waitKey(1) dataset.save_episode(episode_index) print(f"episode {episode_index} 采集完成") def main(): parser = argparse.ArgumentParser() parser.add_argument("--num-episodes", type=int, default=10) args = parser.parse_args() robot = make_robot("microduck") # 创建或加载数据集 dataset = LeRobotDataset( repo_id="your-name/microduck_walk", robot_type="microduck", ) for i in range(args.num_episodes): input("准备好后按回车开始采集，按 Ctrl+C 停止") collect_episode(robot, dataset, i) print("数据采集全部完成") if __name__ == "__main__": main()

运行方式：

python scripts/collect_walk_data.py --num-episodes 10

5.4 训练策略

python lerobot/scripts/train.py \ --policy.type=act \ --dataset.repo_id=your-name/microduck_walk \ --output_dir=outputs/act_walk \ --num_epochs=100 \ --batch_size=32

训练过程中，命令行会输出 loss 变化和验证准确率。建议观察 loss 是否稳步下降，如果 loss 震荡很大，可能需要降低学习率或增加数据量。

训练完成之后，输出目录会出现模型权重文件。

5.5 部署与验证

python scripts/eval_policy.py \ --policy_path=outputs/act_walk/checkpoint.pth \ --num_episodes=3

评估脚本会启动 Microduck，让它在真实环境中执行策略，并记录成功率和平均步数。如果成功率不高，回到数据采集环节，检查示教动作是否一致、数据量是否足够。

5.6 预期结果与效果分析

在这个简单任务中，如果数据质量良好，训练后的 Microduck 应该能完成大约 80% 以上的前进任务。失败场景主要集中在起点位置与训练分布偏差较大、光线变化导致摄像头图像分布偏移等情况。这说明模仿学习的泛化能力是有限的，也提示我们在实际项目中要尽量控制测试环境与训练环境的一致性。

6. 常见问题与排查思路

Microduck 开发过程中的问题，可以分为硬件、通信、数据、模型四类。下面用表格列出常见问题。

6.1 机器人无响应排查顺序

如果你遇到 Microduck 完全没有响应，按下面顺序排查：

第一步，检查电源。看指示灯是否亮起，电池电量是否充足。很多舵机问题在低电压时表现得很诡异，比如明明应该动却一动不动。

第二步，检查通信。确认主控板是否成功启动，可以通过 SSH 登录。如果 SSH 连不上，用串口连接查看启动日志。

第三步，检查驱动节点。查看 ROS 2 节点列表：

ros2 node list

如果没有任何节点，说明底层驱动没有启动，需要检查启动脚本和硬件初始化代码。

第四步，检查话题通信：

ros2 topic list ros2 topic echo /joint_states

如果/joint_states没有输出，说明关节反馈链路有问题，可能是总线通信异常或舵机地址配置错误。

6.2 数据集常见坑点

数据集相关的坑是最影响训练效果的。常见问题包括：

• 每个 episode 长度不一致：需要在保存时做截断或补齐。
• 图像尺寸不一致：所有图像都要统一 resize 到同一尺寸。
• 关节角度范围未归一化：不同关节的量纲差异会导致训练不稳定。
• 数据与动作未对齐：采集时如果传感器延迟明显，需要使用时间戳对齐。

LeRobot 在数据采集时已经有较完整的处理流程，但如果你自定义采集脚本，这些问题都需要自己注意。

6.3 训练环境常见报错

训练环境的报错通常集中在 PyTorch 和 CUDA 相关。常见报错包括：

• CUDA out of memory：降低 batch size 或图像分辨率。
• RuntimeError: Sizes of tensors must match：检查数据加载时是否有异常样本。
• AttributeError: 'NoneType' object has no attribute ...：一般是数据集中缺少某些字段。

这类错误的最好解决方式是先打印数据集的单条样本，确认所有字段都存在且类型正确，再进入训练。

7. 最佳实践与工程建议

7.1 从仿真开始，再上真机

虽然 Microduck 的价格已经很友好，但任何真机调试都伴随硬件损耗风险。建议严格按照“仿真训练验证 -> 真机数据采集 -> 真机部署”的顺序推进。

在仿真中，可以使用 MuJoCo、Isaac Sim 或 LeRobot 自带的仿真环境，快速验证策略结构和训练 pipeline。仿真通过后再上真机，能节省大量时间。

7.2 数据质量比数据量更重要

模仿学习的核心是数据。20 个高质量的 episode 可能比 50 个质量参差不齐的 episode 效果更好。采集数据时要注意：

• 动作要自然、稳定、可重复。
• 每个 episode 的起始状态尽量一致。
• 场景背景不要频繁变化。
• 不同 episode 之间要有适当的多样性。

7.3 引入版本管理

机器人项目涉及硬件配置、模型权重、数据集、代码多个部分，一定要引入版本管理。推荐：

• Git 管理代码。
• DVC 或 Hugging Face Dataset 管理数据集。
• 模型权重使用独立的管理方式，记录训练参数和 tokenizer 信息。

7.4 做好日志与实验记录

训练过程中，建议记录每次实验的：

• 数据集版本和数量。
• 超参数配置。
• 训练曲线截图。
• 真机评估结果。

这套记录习惯能帮你快速定位“为什么上一次效果好，这一次效果差”的问题。

7.5 安全边界与合规授权

实验室或自用场景里，Microduck 属于桌面级设备，风险相对可控。但如果未来你把基于 Microduck 开发的技能迁移到更大的机器人平台，一定要重视安全边界问题：

• 运动控制要加上急停开关。
• 程序要设速度上限和力矩上限。
• 涉及真实物理操作的策略，至少要在仿真中做大量碰撞测试。
• 使用远程推理服务时，注意数据隐私和模型合规授权。

这些规范不是小题大做，而是把机器人从“玩具”变成“工程产品”的必经之路。

7.6 关注社区与生态更新

Hugging Face 的机器人生态更新非常快，LeRobot 的接口、Microduck 的驱动、官方示例代码都在持续迭代。建议定期关注：

• LeRobot 官方 GitHub 仓库。
• Hugging Face 上 Microduck 相关模型和数据集。
• 社区的演示项目和技术博客。

8. 总结与下一步学习路线

Microduck 是一个有趣的切入点，它把大模型、机器人学习和开源硬件三个领域焊在了一起。对于开发者来说，它的价值不在于 399 美元这个价格本身，而在于它能让你以较低的学习曲线，走完“采集数据 -> 训练模型 -> 真机部署”的完整闭环。

如果你以前只做 Web 开发或纯算法，Microduck 可以帮你补上“AI 如何影响物理世界”这一课。机器人开发的知识链条很长，从运动学、步态规划、传感器融合，到模仿学习、强化学习、大模型推理，每个环节都有大量可以深挖的内容。

拿到 Microduck 之后，建议按下面的顺序逐步学习：

1. 先把官方示例跑通，让机器人动起来。
2. 用遥控器手动控制，熟悉机器人的运动特性。
3. 采集简单任务的数据，训练一个小策略，在仿真里验证效果。
4. 把策略部署到真机，观察 Sim-to-Real 差距。
5. 逐步增加任务复杂度，引入视觉语言模型做高层决策。

如果之前没有接触过 ROS 2，先把 ROS 2 的基础概念补齐；如果对强化学习不熟，先理解状态、动作、奖励、策略这几个核心概念，再去看算法细节。

最后提醒一句：机器人开发没有银弹，Microduck 也不是一个开箱即用的成品解决方案。它需要你动手、踩坑、调试、迭代。但正是这个过程，能把你对 AI 的理解从“模型输出字符串”推进到“模型输出动作”。

如果你正打算入手 Microduck，或者已经在做相关项目，希望这篇文章能帮你在起步阶段少走一些弯路。动手跑通第一个真实机器人策略之后，你会对具身智能有完全不一样的感觉。