1. 建实验室先想清楚三件事：定位、预算、生态

这几年具身智能的热度确实高得吓人，从学界到产业界，从投资人到高校领导，都在谈"具身智能"。机械臂、人形机器人、灵巧手、VLA模型，这些词几乎成了AI领域的新流量密码。很多高校也开始冲动上马"具身智能实验室"，但说实话，我见过不少实验室建起来之后的使用率低得可怜，几百万的设备放在玻璃房里落灰，学生只能在旁边拍拍照、写写PPT。问题出在哪？多半是建之前没想清楚三件事。

1.1 定位决定一切：科研型、教学型还是竞赛型

建实验室的第一步不是列采购清单，而是定义这间实验室到底为谁服务、产出什么。具身智能实验室至少有三条完全不同的路线，混着做往往会两头不讨好。

科研型实验室的目标是出论文、出技术突破，核心指标是顶会论文数量和代表性系统demo。这种实验室需要的是高自由度、强开放性的平台，比如带力控的七轴机械臂、高精度灵巧手、高性能仿真集群，以及足够的算法研究空间。设备贵但数量不用多，几套精良的比几十套低端的更管用。

教学型实验室的目标是让本科生和低年级研究生真正理解机器人学和AI的基础原理，核心指标是课程完成度和学生上手率。这种实验室反而需要一定数量的标准化设备，比如单臂协作机器人配上统一的软件接口，让学生可以并行做实验。追求的不是指标多强，而是稳定、好维护、学习成本低。

竞赛型实验室的目标是打比赛、出成绩，核心指标是赛项名次。这种实验室的设备选型几乎完全跟着比赛规则走，比如RoboMaster、各种机器人挑战赛，需要的是针对性强、改造空间大的平台，以及一套围绕赛题打磨的工程体系。

我个人的建议是，新建实验室不要贪多，先明确一到两个主定位。比较好的组合是"科研为主、教学兼顾"——科研设备在非实验时间开放给学生做课程项目，既提升利用率，也降低"设备吃灰"的概率。你可以在申报书里把三件事都写上，但内部一定要有优先级，否则预算很快就会花得乱七八糟。

1.2 预算分配：别把钱全砸在硬件上

这是我最想吐槽的一点。很多高校建具身智能实验室，预算表里90%都是硬件采购：机械臂、移动底盘、传感器、GPU服务器，剩下10%给装修和桌椅。结果设备到了，软件没人写、课程没人排、维护没人管，半年之后设备就开始出故障，一年之后基本成了展示品。

合理的预算结构应该是：硬件占60%~70%，软件与平台授权占10%~15%，场地改造与安全设施占10%，剩下的10%~20%留作耗材、维护和人员培训。具身智能实验室跟传统机器人实验室最大的区别在于，它的核心资产其实是软件和数据生态。你买一套机械臂，如果没有配套的仿真环境、算法库和课程资料，它就是一坨贵重的金属摆件；但如果软件栈搭建得好，同一套机械臂能被十几个学生同时用出花样来。

预算上还有一个容易被忽略的点：耗材和易损件。夹爪的指尖、力传感器的线缆、电机驱动器的保险丝、螺丝和3D打印材料，这些都是持续消耗品。我见过不少实验室因为"买的时候没算耗材钱"，导致坏了个夹爪就得等半年采购流程，整个组的进度全卡住。建议申报预算时直接在设备总价上加10%~15%作为运维专项资金，并且跟学校设备处提前沟通好小额采购的通道。

1.3 生态系统评估：你选的平台有没有社区支撑

具身智能技术迭代极快，今天买的平台，可能明年就落后了。所以选硬件和软件栈时，一定要评估"生态系统"，而不只是参数表。所谓生态，就是这套平台有没有活跃的开发者社区、有没有足够的开源代码和教程、有没有厂商持续更新和维护。

这直接关联到一个热搜词——xbotics具身智能开源社区。这两年具身智能领域开源生态的爆发，其实给高校实验室省了大量的重复造轮子成本。过去搭一套机械臂操作环境，从底层驱动到运动规划到视觉识别，至少得花一个博士半年时间；现在有了成熟的开源社区，很多模块可以直接拉下来用，学生可以站在更高的起点上做研究。

所以我的建议是：选型之前，花两周时间去把目标平台相关的社区、GitHub仓库、技术文档、B站教程翻一遍。一个很简单的判断标准——如果某个平台的教程和开源代码数量在持续增长，说明生态在变好；如果相关内容半年不更新，或者只有厂商自己的营销内容，那就要谨慎了。生态好的平台，学生的自学成本低，实验室的可持续性强，老师也不用天天当客服。

2. 硬件平台怎么选：机械臂、移动底盘、还是人形机器人

具身智能的"身"是硬件平台，"智"是算法大脑。没有合适的身体，再好的算法也跑不起来；但选硬件绝对是整个实验室建设中最容易踩坑的环节。我按形态把常见平台分成三类，分别说说它们适合什么场景、有哪些坑。

2.1 机械臂：实验室最核心的"手"

机械臂是具身智能实验室里最基础也最常用的执行机构，无论是抓取、操作、装配还是人机协作实验，都离不开它。选机械臂的时候，有几个参数比品牌更重要。

第一是自由度与构型。六轴机械臂是通用选择，灵活性够用，技术成熟；七轴臂多了冗余自由度，更适合做避障和复杂姿态操作，但价格和算法复杂度都上了一个台阶。如果实验室以科研为主，建议至少配置一台七轴力控臂；如果以教学为主，六轴就够，便宜皮实还好教。

第二是负载与精度。别只看最大负载，要看末端在典型工作半径下的实际负载能力和重复定位精度。很多厂商给的重复定位精度是在理想条件下的数据，实际装夹、温漂之后要打折扣。我建议把精度指标打七折来评估需求——你实验室要做精密插拔实验，就别买标称精度0.1mm的入门臂，实际可能只有0.15甚至0.2。

第三是力控能力。这是具身智能和传统工业机器人最大的区别点。具身智能讲究"柔顺交互"，机械臂要能在接触环境中感知力、控制力，而不是简单的位置运动。所以一定要选带关节力矩传感器或六维力传感器接口的臂，而且要确认厂商提供的力控SDK是否开放，是否支持你自行开发控制算法。很多国产臂的力控功能只是演示级的，真正的科研深度控制还是得靠进口高端臂或者自己改。

第四是接口开放性。这是很多新手最容易忽略的。你要确认机械臂有没有ROS 2驱动、有没有Python API、底层控制接口开不开放。有些厂商的机械臂只能用自己的上位机软件，想接入自研算法简直是噩梦。在具身智能这个领域，开放性是第一生产力。

2.2 移动平台与底盘：让机器人"走"起来

如果说机械臂是手，那移动底盘就是腿。很多具身智能任务需要机器人在环境中导航、寻找目标、移动到操作位置，这时候就需要移动平台。

移动平台的选择相对简单一些，主要看三点：导航能力、负载能力和二次开发接口。导航能力看是否支持激光雷达SLAM、视觉导航、自主避障；负载能力看能否扛得住你的机械臂和电池；二次开发接口看是否提供ROS 2驱动和底层运动控制接口。

对高校实验室来说，我比较推荐购买成熟的通用移动底盘，而不是自己从轮子电机开始攒一台。自己做的底盘调试周期极长，而且稳定性堪忧，学生的大部分时间会花在"为什么走歪了"而不是"怎么走得更聪明"上。当然，如果实验室的定位就是研究底盘控制算法本身，那另当别论。

这里顺便说一句人形机器人。人形是具身智能的重要发展方向，但我不建议刚建实验室就把宝押在人形上。人形机器人目前成本极高、稳定性有限、二次开发门槛大，对绝大多数高校来说，买一台人形的钱够买五套"机械臂+底盘"的组合，而后者的研究覆盖面其实更广。更务实的做法是：先以机械臂+移动底盘为核心搭建实验环境，同时通过仿真环境做人形相关的算法研究，等技术成熟、预算充足之后再购入实体人形。

2.3 传感器配置：眼睛、耳朵和皮肤

具身智能强调多模态感知，"眼"是视觉、"耳"是听觉与力觉、"皮肤"是触觉。传感器配置直接决定了能做什么实验，也决定了数据采集能力——而数据恰恰是具身智能研究的命脉。

视觉系统是必备项。至少要配置一台高分辨率RGB相机和一台深度相机（如RealSense系列），有条件的可以上双目视觉或者结构光方案。注意相机的安装位置和标定问题，手眼标定是具身智能基础实验的第一课，这一关过不了，后面所有视觉引导抓取都是空中楼阁。

力觉与触觉是具身智能区别于传统视觉机器人的关键。六维力传感器装在机械臂末端或手腕，用于检测操作过程中的接触力；触觉传感器装在夹爪或灵巧手指尖，用于感知物体的纹理、滑动等精细信息。触觉传感器目前选择不多，好用的贵、便宜的不好用，建议根据自己的研究课题按需配置，不要一次性买一堆。

其他传感器包括激光雷达（用于移动平台导航）、麦克风阵列（用于语音交互）、IMU（用于姿态感知）等。这部分可以跟着具体项目走，有了明确的实验需求再来配，不必一步到位。

我在实操中还有一个经验：传感器买回来之后，第一件事是先做标定和数据采集的标准化流程。很多实验室设备到了就急着跑demo，标定随便做做，数据采集格式混乱，最后做实验的时候数据废掉，后悔都来不及。建议从一开始就建立一套传感器标定和数据格式规范，哪怕是简单的checklist，也能避免后面大量的返工。

2.4 算力选型：GPU服务器、边缘盒子与仿真

具身智能算法对算力的需求是分层的。云端/机房侧需要高性能GPU服务器来训练视觉模型、VLA模型或强化学习策略；机器人本体上需要边缘算力来跑推理模型和实时控制；中间还有一层是仿真集群，用来大规模并行跑数据生成和策略训练。

我见过不少实验室在算力上走极端：一种是把所有钱都买了GPU服务器，结果机器人本体带的边缘算力太弱，模型在真机上跑不起来；另一种是只买了机器人的机载电脑，结果训练一个大模型要跑半个月，根本没法做迭代。正确的思路是分档配置：

• 机房训练算力：建议配置2~4张高性能GPU（如RTX 4090或A6000级别）的服务器，用于主流具身智能模型的训练和仿真。如果预算充足，可以考虑H800/A800级别的卡，但对于绝大多数高校的具身智能方向，4090级别的性价比是最高的。
• 机载边缘算力：机械臂和移动底盘的工控机或迷你工作站，至少要有中端GPU能力（如RTX 4060及以上），用来跑感知推理和轻量级控制策略。记住，真机上的实时性要求远远高于离线训练，算力不够会出现"脑子转不过来"的尴尬局面。
• 仿真计算：仿真主要吃CPU和内存，配置多核CPU加64G以上内存的机器即可，仿真任务可以通过集群调度来提升吞吐。

另外，仿真环境是具身智能实验室的重要基础设施，值得单独投入精力配置好。常用的有MuJoCo（物理精确、轻量快速）、Isaac Sim（NVIDIA生态、适合复杂场景）、Gazebo（ROS生态、适合导航）等。我的建议是不要只装一个，而是按项目需求组合使用：底层运动学和控制用MuJoCo，复杂场景和渲染用Isaac Sim，移动机器人导航用Gazebo或Isaac Sim自带的导航模块。

3. 软件栈搭建：从ROS到开源社区的玩法

硬件选好了，真正的重头戏是软件栈。具身智能的软件栈不像传统软件工程那么"标准化"，它横跨机器人操作系统、感知算法、控制规划、强化学习和多模态大模型，每一层都有自己的一套工具链。软件栈搭得好不好，直接决定学生能不能快速上手、实验室能不能高效运作。

3.1 ROS 2是必选项，不是可选项

关于ROS（机器人操作系统），我态度很明确：ROS 2已经是具身智能实验室的必修课，几乎没有替代选项。ROS 2提供了话题通信、服务调用、参数管理的标准机制，支持节点化的分布式开发，而且实时性比ROS 1强了很多。更重要的是，市面上几乎所有主流机器人硬件和算法库都提供了ROS 2接口，你学的ROS 2技能可以平移到不同平台上。

搭建ROS 2环境有几个关键点要注意：

• 发行版选择：ROS 2的发行版和Ubuntu版本严格绑定，比如Humble对应Ubuntu 22.04，Jazzy对应Ubuntu 24.04。建议全实验室统一操作系统版本和ROS 2版本，避免不同学生机器之间互相不兼容。
• Docker化部署：强烈建议把ROS 2环境做成Docker镜像，统一分发。具身智能项目的依赖极其复杂（PyTorch、CUDA、OpenCV、各种驱动库），每台机器手动配置很容易出幺蛾子。用Docker镜像可以做到"一个镜像，到处运行"，省下来的是大量的环境调试时间。
• 驱动层与算法层分离：软件架构上，尽量把厂商提供的硬件驱动包和你们自研的算法包分开维护。驱动包跟随厂商更新，算法包自己迭代，中间用标准的ROS 2接口对接。这样既不影响升级，也不污染自己的代码库。

3.2 善用开源社区：xbotics这类社区的真正价值

具身智能的科研节奏快到什么程度？今天刚出来的一个模型，下周就有人开源了复现代码；过了两周，社区里已经出现了改进版本。如果你的团队还在"什么代码都自己写"，那大概率是跟不上节奏的。

这就是为什么我特别强调要重视xbotics这类具身智能开源社区。这类社区的价值不仅仅是"给你代码下载"，更在于几个方面：

一是降低入门门槛。新手可以从社区里找到完整的项目案例、数据集、预训练模型和复现教程，对照着学习比自己从零啃论文快十倍。二是提供通用工具链。很多社区会维护统一的开发框架、中间件和基准测试环境，你只需要把算法模块接进去，就能跑出可对比的结果。三是形成学术交流场域。在社区里你能看到同行在做什么、遇到什么问题、用什么方案解决，这种情报价值比读十篇论文都有用。

我在管理实验室时，有几个具体做法可以参考：第一，要求每个进组的学生注册主要开源社区账号，把社区资源整理成一个内部的"工具库"文档，标注每个仓库的用途、质量评价和使用方法；第二，每两周安排一次代码讨论会，专门看社区里新出现的具身智能相关开源项目，评估有没有值得引入和复现的；第三，鼓励学生把自己做的工作回馈到社区，开源代码和数据集，这既是对社区的反哺，也能提升实验室的学术影响力。

3.3 仿真环境先行：Isaac Sim、MuJoCo与Gazebo

在具身智能领域，仿真已经不是"先仿后实"那么简单了，它本身就是研究的主战场。数据生成、策略训练、安全验证，大量工作是在仿真中完成的——所谓Sim-to-Real，就是从仿真迁移到真机。所以仿真环境的搭建水平，某种意义上决定了你实验效率的天花板。

我对三款主流仿真器的定位理解是这样的：

• MuJoCo：轻量、快速、物理引擎精度高。适合做强化学习策略训练、接触操作仿真。它的最大优势是速度快，可以跑大规模并行训练。
• Isaac Sim / Isaac Lab：NVIDIA家的仿真平台，渲染效果好，支持复杂场景构建和传感器模拟，而且深度整合了GPU加速和强化学习库。适合做高保真的具身智能任务，比如操作、导航、灵巧手控制。
• Gazebo：ROS生态的老牌仿真器，在移动机器人导航领域积累深厚。如果你的实验涉及SLAM、路径规划、多机器人协同，Gazebo依然是稳妥之选。

实操建议：不要试图只学一个仿真器。以Isaac Sim为主、MuJoCo为辅助、Gazebo按需使用，是一个比较合理的组合。每个仿真器都配有Python API，建议实验室内部封装一层统一的仿真接口，把场景创建、传感器配置、任务定义都标准化，这样换仿真器的时候不用大规模改代码。

3.4 大模型与VLA的接入：实验室的"加分项"

具身智能这两年最大的变量，是大模型和VLA（视觉-语言-动作模型）的引入。过去做机器人操作是一套传统pipeline：感知、规划、控制分别做，再串起来；现在流行的是直接用多模态大模型理解环境，输出动作指令，配合VLA模型实现从语言/视觉到动作的端到端映射。

对高校实验室来说，没必要从零训练一个VLA大模型，那不是高校该干的事。更务实的是两条路：一条是基座大模型调用，用开源多模态模型做场景理解和任务规划，输出结构化指令，再交给传统运动规划模块去执行；另一条是微调，在开源VLA模型的基础上，用自己采集的数据做轻量级微调，适配具体任务域。这两条路都有不少开源实现可以参考，结合xbotics这类社区里的预训练模型和数据集，可以省下大量的训练成本。

接入大模型时有个坑必须先说出来：真机安全问题。大模型的输出是不可控的，它可能给你一个机械臂根本做不到的动作指令，或者一个会让机械臂撞坏自身的轨迹。所以任何大模型输出进真机之前，必须经过一层安全过滤和运动约束检查。我见过不止一次，学生做demo时没做约束检查，大模型一句话让机械臂猛力砸向桌面，差点把末端传感器干废。轻则损失几千块，重则出安全事故。这个教训，务必记在心里。

4. 课程与学习路线：让学生真正上手

设备只是硬件基础，实验室能不能"好用"，最终要看人——老师怎么带，学生怎么学。具身智能是一个高度交叉的方向，对学生的要求横跨机器人学、计算机视觉、自然语言处理、强化学习和控制理论，学习路线的设计直接影响培养效率。

4.1 基础路线：编程、控制与ROS

任何一个具身智能方向的学生，进组后的前两个月都应该完成基础线的学习，这是"地基"。我建议按下面的顺序来安排：

第一步是Python和C++的基础强化。Python是算法主力语言，C++是做实时控制和底层开发绕不开的。不需要精通，但至少要能读懂和修改关键代码。

第二步是机器人学和运动学基础。理解坐标变换、正逆运动学、雅可比矩阵这些概念，不需要像数学系那样推导所有东西，但要知道机械臂为什么这样运动、怎么控制末端到达目标位姿。

第三步是ROS 2实操。从前面的Docker镜像开始，自己写一个简单的发布订阅节点、做一个机械臂的仿真控制demo、跑一次视觉识别加抓取的完整流程。这个环节最好用一个相对简单的项目做载体，比如"用相机识别桌面的方块并用机械臂抓起来放到指定位置"，做完这个，学生基本就入门了。

这里我特别想强调一点：基础阶段的产出必须是"能跑的demo"，而不是"看过的教程"。很多学生容易陷入刷教程的舒适区，今天看一个深度学习视频，明天读一个机器人博客，但代码是一行没写。进组第一个月结束，必须交一个可以运行的项目出来，哪怕很简单。这个习惯要一开始就立好。

4.2 进阶路线：感知、规划、强化学习

过了基础关，学生就要按研究方向走进阶路线了。这里大致有三条分支，学生根据课题选一条为主、相关方向做了解：

感知方向：重点是视觉感知在机器人上的应用，包括目标检测、语义分割、位姿估计、手眼标定、点云处理。工具链以OpenCV、PyTorch、各视觉模型为主，关键考核点是能否把感知结果正确转化成机器人可执行的空间信息。

运动规划方向：重点是机械臂和移动平台的路径规划算法，包括RRT系列、MPC、轨迹优化等。这个方向对数学要求高，适合数理基础强的学生；实操要把规划算法在仿真和真机上跑通，并且学会处理避障、奇异点、动力学约束等实际问题。

强化学习方向：重点是RL算法在机器人控制中的应用，包括PPO、SAC、TD3等主流算法，以及Sim-to-Real的迁移方法。这个方向需要学生具备一定的深度学习和概率论基础，实操上主要在MuJoCo或Isaac Lab里做训练，再迁移到真机。

进阶路线的核心是"课题驱动"：让学生带着一个真实项目去学，而不是先学完再找项目。项目不必太难，但必须是完整的——从场景搭建到算法设计到真机验证，全链路走一遍。做完一个完整项目，学生对这个领域的理解会比刷一百个教程都深。

4.3 高阶路线：具身智能与大模型结合

到了研究生高年级或博士阶段，学生就应该开始接触当前研究的前沿了——具身智能与大模型结合。这包括视觉-语言-动作模型（VLA）、机器人基础模型（Robot Foundation Model）、多模态大模型驱动的任务规划等。

这个阶段的学习已经不是看教程能解决的了，更多的是"读论文+复现代码+找idea"的科研训练。我给学生的建议是：从经典论文读起，比如RT系列、π0、OpenVLA等，然后去开源社区找相关的复现实现，先在仿真里把baseline跑通，再基于自己的任务场景找出差距，尝试改进。

其实好多同学卡在了"复现"这一步，因为具身智能的论文代码实在复杂。我的经验是：三维度判断法。先看代码库的star数和issue活跃度，活跃说明用的人多、排错容易；再看有没有预训练权重可以直接下载，有的话省去大半训练时间；最后看作者的README写得好不好，写得好说明作者在乎用户。满足这三条的，优先复现。

高校实验室在这里的定位应该是"小步快跑"：跟着开源社区的最新进展走，选有价值的方向深入做增量创新，而不是闭门造车去挑战"从头训练大模型"这种不现实的目标。

4.4 组织模式：项目制学习与Lab Rotation

实验室好不好用，跟学生的组织方式强相关。我比较推荐"项目制+梯队制"的组织模式。

项目制是指实验室的工作围绕项目展开，而不是围绕课程展开。学生进组后首先被分配到某个项目组，项目组里有一个高年级学生当组长，低年级学生做具体任务，老师在总体上把握方向。每个项目有明确的里程碑和产出，比如"学期末完成XX任务的完整系统demo"。

梯队制是指低年级跟高年级学习的传帮带机制。具身智能方向东西太杂，光靠老师一个人教是教不过来的。高年级学生在项目实战中学到的东西，是他自己摸索出来的经验，往往比书本上的知识更管用。安排低年级跟着高年级做项目，既能加速上手，也能让高年级在带人的过程中把知识体系化。

另外，如果实验室覆盖多个课题组，我建议搞简单的Lab Rotation机制：新进来的研究生在前两个月轮转接触不同方向的项目，然后根据兴趣和表现双向选择。这样学生选方向不盲目，老师也能提前观察学生的能力和风格。

5. 实验室运营与安全：好用与否的关键

有了设备、有了软件栈、有了学生，接下来就是日复一日的运营管理。说实话，设备选型顶多决定实验室的上限，运营管理才决定实际的下限。一个管理混乱的实验室，再好的设备也会迅速沦为废铁；一个管理得当的实验室，哪怕设备一般，也能产出不错的结果。

5.1 设备管理制度：从预约到维护

机械设备最怕两件事：闲置和乱用。闲置会导致电机润滑不足、电子元件受潮、电池老化；乱用会导致碰撞、过载、操作错误带来的损坏。所以设备管理的第一要务是"用起来且用得规范"。

我的建议是建立一套简单的设备预约系统，不需要多复杂的软件，一个共享表格或者飞书/钉钉的预约日历就够。关键规则有：

• 预约上机：每次上机前必须预约，明确使用时段和用途。
• 操作登记：使用后登记设备状态、异常情况，形成一机一档。
• 定期巡检：每周安排一次设备巡检，检查线缆、润滑、紧固件、软件版本，并记录在案。
• 专人负责制：每台设备指定一个学生负责人，负责日常维护和使用指导。

还有一个容易被忽视的点：演示模式和科研模式要分开。有些设备（尤其是进口高端设备）的校准参数很精密，平时学生实验调好的参数，被某个来参观的领导随手按了几下，参数全乱了，第二天实验全废。建议在系统层面做两级配置：默认的演示配置和科研配置分开保存，切换需要管理员权限。

5.2 安全规范：机械臂不是玩具

机械臂的力度远超很多人想象。工业级和准工业级的机械臂，在高速运动下的冲击力足以造成严重伤害。实验室的安全规范绝对不能形同虚设，这是每个实验室管理者的底线。

几条红线我先放在这里：

机械臂运行期间，严禁任何人进入机械臂工作半径内的区域。必须进入时，先按急停、确认机械臂完全停止。

六轴及以上机械臂必须有急停按钮在显眼且随时可触及的位置，并且每学期至少做一次急停演练，确保每个学生都知道急停在哪、怎么按。

所有涉及真机的新算法，必须先通过仿真验证，再经过低速、低力限制的模式下试运行，最后才允许正常运行。

力控实验必须设置力/力矩上限，超出阈值自动停机。

除了人身安全，还有设备安全。机械臂最常见的损坏就是碰撞——夹爪撞到桌面、末端撞到夹具、连杆撞到机架。建议在调试阶段开启碰撞检测和减速模式，养成"新轨迹先在仿真跑、再低速试、最后全速跑"的三级验证习惯。很多厂商的SDK里自带碰撞检测接口，用起来并不麻烦，关键是学生要有这个意识和纪律。

5.3 数据与代码资产管理

具身智能实验室最容易出现混乱的地方之一，就是数据。一个抓取实验跑一天，可能产生几百GB的视觉数据、力觉数据、动作日志；训练一个策略，会产生几十个模型权重文件；学生的代码迭代了十几个版本，散落在各自的笔记本里。没有资产管理的实验室，半年之后找数据会找到崩溃。

我的建议是按下面的层次做管理：

代码层面：所有代码进Git仓库，不管是实验代码还是项目代码。实验室内部搭建一个Git服务器（Gitea或者直接用GitHub私有仓库都行），统一代码管理规范。分支策略不用太复杂，main分支保持稳定，每个人用feature分支开发，合并时通过Code Review。

数据和模型层面：按照"项目/日期/实验目的"的目录结构统一存放，元信息用配置文件或数据库记录。模型权重文件统一存放到NAS或者网盘，按版本命名，不用的旧版本定期清理。

文档层面：所有实验都有实验记录文档，记录实验目的、环境配置、参数、结果、问题与结论。这个文档既是复现的依据，也是论文素材的来源。很多学生嫌麻烦不愿意写，但真到写论文的时候就知道它的价值了——没有实验记录，等于实验白做。

这里还要强调一下开源合规问题。用开源社区的代码和模型，一定要遵守对应的开源协议（比如MIT、Apache、GPL的区别）。尤其注意有些代码是学术用途限制的，允许科研使用但不允许商用，高校实验室一般没问题，但做产学研合作或者成果转化时就要特别留意，别因为协议问题把整个成果卡住。

5.4 与产业界、兄弟实验室的协作

高校实验室不是孤岛。具身智能领域产业界的发展速度极快，很多企业的工程化能力远超高校，而高校的算法研究也有企业迫切需要的价值。建立健康的协作关系，对实验室的发展是巨大的助推。

我的建议有两类协作模式可以探索：

一是企业联合实验室/共建项目。选择与实验室研究方向契合的机器人公司、AI公司合作，企业提供设备和真实场景数据，高校提供算法能力和人才储备。这种合作能让实验室的设备更新跟上产业节奏，也能让学生的研究方向更贴近实际需求。

二是兄弟实验室的共享生态。同一个校园或同一个城市圈内的相关实验室（机器人、计算机视觉、NLP、控制工程），可以建立设备共享、课程互选、联合组会的机制。比如你们实验室的机械臂空闲时段，共享给兄弟团队用；他们的GPU集群训练任务少的时候，你们去蹭算力。这种共享看起来小，实际能解决很多燃眉之急。

6. 避坑经验与常见问题实录

做了这么多年相关的工作，踩过的坑说多不多说少不少，但每个坑背后都是实打实的时间和经费。整理几个最常见的问题和应对思路，给正在规划或已经在运营具身智能实验室的朋友参考。

6.1 买了高端设备没人会用怎么办

这个困境太常见了——设备按最高配置买的，结果组里没人会用，或者只有一两个老师会用，学生完全摸不着门。高端设备的学习曲线陡峭，尤其是进口的七轴力控臂、灵巧手，光看文档就能劝退大多数人。

我的应对经验是"渐进式启用"：不要把高端设备当作教学主力，而是让一部分基础好的高年级学生，在老师的带领下先啃透一套设备，形成内部的"操作手册+使用教程"，再以老带新逐步扩大使用人群。这个过程可能需要两个学期，但比设备到了干着急强得多。同时，善用厂商的培训资源——很多进口设备厂商提供免费或者收费的培训课程，派送两三名核心学生去参加培训，回来再转训，是最快见效的路径。

6.2 设备吃灰的三大原因

我观察下来，设备吃灰无非三个原因：不好用、没人用、用不上。

不好用是技术问题，软件栈太烂、操作太复杂、稳定性太差，学生宁可用仿真也不愿意碰真机。解决办法是优化软件栈，把复杂的操作封装成简单的接口，让"一键启动实验"成为可能。

没人用是组织问题，没有课程任务和项目任务驱动，学生自然不去碰设备。解决办法是把设备使用纳入课程考核和项目里程碑，用制度推着人用。

用不上是定位问题，当初选型没对准研究方向，设备的功能和实验室的需求不匹配。这个最麻烦，只能将错就错——要么调整研究课题去适配设备，要么想办法跨院系共享设备。所以选型阶段多做功课，比事后补救划算得多。

6.3 常见故障速查

实验室机械臂和机器人平台的故障，来来去去就那么几类，我整理了一个速查表，可以贴在实验室里。

这个表你不用照搬，但建议每个实验室根据自己设备的情况，建立一张自己的故障速查表。让学生在使用登记时记录问题，时间长了这张表就是实验室最值钱的经验库之一。

6.4 关于实验室建设的几条个人心得

最后分享几条我在实际操盘实验室建设中沉淀下来的体会，不成体系，但都是实打实的经验。

第一，实验室的灵魂是软件栈和数据集，不是硬件。早期可以多花时间在软件栈和开源生态的搭建上，这部分的投入回报率远高于硬件。一套好的软件栈能让一台普通机械臂发挥出十台的价值。

第二，永远留一条"能跑通"的基线系统。实验室里一定要有一套经过验证、随时能跑的完整系统——从开机到机械臂动起来到完成一个标准任务，全程不超过30分钟。这套基线系统是新生培训的教材、是来访展示的demo、是排查新问题的参照。基线系统不能动，这个原则要写进实验室规范里。

第三，学生能自己装一台小设备，比直接用好设备更有价值。一台几百块钱的桌面级小机械臂或者DIY小车，让学生在低风险环境下折腾，反而能学到很多。等有了基础的工程感觉，再接触贵重设备，损坏率和挫败感都会大幅下降。

第四，建立常态化记录习惯。实验记录、代码注释、设备日志，这些"看似浪费时间"的工作，是所有长期价值的来源。你可以不当强迫症，但一定要有最低限度的记录规范。具身智能的实验不可复现率本来就高，好的记录习惯是保障成果可信度最便宜的手段。

具身智能实验室的建设是一个持续迭代的过程，不太存在"一步到位"的方案。我见过的最好的实验室，并不是设备最贵的，而是软件栈最顺的、学生最有干劲的、数据资产最完整的。如果这篇文章能帮你在规划时少走几步弯路，就算值了。接下来就看你怎么把想法落地成选型清单、施工图纸和课程大纲了。