【极致中配】控制训练营 Control Bootcamp

Welcome to 2.830.1x_Introduction to the Course

Week 1_ Process Control Introduction and Production Lab

Week 1_ Process Control Introduction and Production Lab_1.1 Course Introduction_

Week 1_ 1.2 A General Process Model for Control

Week 1_ 1.3 Process Variation Lab Turning

Week 1_ 1.4 Process Variation Lab Part 2_ V-Die Bending

Week 1_ 1.5 Process Variation Lab Part 3_ Injection Molding

Week 1_ 1.6 Process Variation Lab Part 4_ Thermoforming

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.0 The Week Ahead

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.0 The Week Ahead_02-A

Week 2_ 2.1 Building a Probability Model for Manufacturing_ Process

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.2 Manufacturing as a

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.3 From Histograms to

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.4 Analytical Probabil

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.5 Using the PDF_ Conf

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.5 Using the PDF_ Conf

Week 2_ Modeling Randomness in Manufacturing Processes _ 2.6 Justifying the Norm

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.0 The Week

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.0 The Week_

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.1 Sampling_

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.2 Sampling_

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.3 Sampling_

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.4 General P

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.5 Statistic

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.6 Applying

Week 3_ Sampling, Sampling Distributions, and Hypothesis Testing _ 3.7 The Shewh

Week 4_ Statistical Process Control using Simple Charts _ 4.0 The Week Ahead_01-

Week 4_ Statistical Process Control using Simple Charts _ 4.0 The Week Ahead_02-

Week 4_ Statistical Process Control using Simple Charts _ 4.1 Control Charts_

Week 4_ Statistical Process Control using Simple Charts _ 4.2 Control Charts and

Week 4_ Statistical Process Control using Simple Charts _ 4.3 Problem Detection_

Week 4_ Statistical Process Control using Simple Charts _ 4.4 Sensitivity of Det

Week 4_ Statistical Process Control using Simple Charts _ 4.5 Charting Examples

Week 4_ Statistical Process Control using Simple Charts _ 4.6 Example_ Process C

Week 4_ Statistical Process Control using Simple Charts _ 4.7 Process Capability

Week 5_ Advanced SPC Methods _ 5.0 The Week Ahead_01-Lecture Video

Week 5_ Advanced SPC Methods _ 5.0 The Week Ahead_02-Alumni Perspective

Week 5_ Advanced SPC Methods _ 5.1 Advanced SPC Sequential vs. Moving Averages_

Week 5_ Advanced SPC Methods _ 5.2 Exponentially Weighted Moving Average (EWMA)

Week 5_ Advanced SPC Methods _ 5.3 Detecting Small, Persistent Mean Shifts_ Cumu

Week 5_ Advanced SPC Methods _ 5.4 Multivariate SPC_ Why Do We Need It_ (Boning)

Week 5_ Advanced SPC Methods _ 5.5 Multivariate Charts_

Week 5_ Advanced SPC Methods _ 5.6 Multivariate SPC_ Hoteling’s T2 Chart_

Week 5_ Advanced SPC Methods _ 5.7 Multivariate SPC_ Principal Components (Bonin

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.0 The

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.0 The_

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.1 Mode

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.2 Mode

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.3 Mode

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.4 Mode

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.5 A Pr

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.6 Proc

Week 6_ Engineering Approaches to Diagnosing Out of Control Processes _ 6.7 Orig

7.1 Case Study in Process Control- Review and Problem Definition_

7.2 Case Study in Process Control- Problem Definition_

7.3 Case Study in Process Control- Assessing the Measurement Methods_

7.4 Case Study in Process Control- Baseline Charting and Root Cause Analysis_

7.5 Case Study in Process Control- Applying Good Process Control Methods_

7.6 Course Summary_

Introduction to robot development

Motors, transmissions & drivers

Motors, transmissions & drivers II

Mechanical modeling

Modeling & design

Thermal modeling

Manufacturing

Additive manufacturing

Subtractive manufacturing

Manufacturing best practices

Gears, screws & linkages

Full planar model

Torque conversion

Kinematic conversions

Sensors

Digital communications

Omni wheels

Review

Control

Control loop structure

Filtering data

Steering control

Lecture 1 Introduction

Lecture 2 Markov Decision Processes

Lecture 3 Solving Continuous MDPs with Discretization

Lecture 4 MDPs and Function Approximation

Lecture 5 LQR

Lecture 6 Unconstrained (Convex) Optimization

Lecture 7 Constrained Optimization

Lecture 8 Optimization-based Control： Collocation, Shooting, MPC

Lecture 9 Collocation, Shooting, MPC, Contact-Invariant Optimization

Lecture 10 Motion Planning： PRM, RRT, Trajopt

Lecture 11 Probability Review, Bayes Filters, Gaussians

Lecture 12 Kalman Filters

Lecture 13 Kalman Smoother, MAP, ML, EM

Lecture 14 Particle Filters

Lecture 15 Partially Observable MDPs (POMDPs)

Lecture 17 Imitation Learning

Lecture 18 Reinforcement Learning I： Policy Gradients

Lecture 19 Off-Policy, Model-Free RL： DQN, SoftQ, DDPG, SAC

Lecture 20 Model-Based Reinforcement Learning

Lecture 21 Physics Simulation

Lecture 22 Sim2Real and Domain Randomization

Lecture 23 Guest Lecture： Drones

Lecture 24 Backstories behind how various papers came about

Lecture 25 Autonomous Helicopters (aka my thesis story ：)

Lecture 1: Robot dynamics and model-based control

Lecture 2: Nonlinear Dynamics

Lecture 3 | MIT 6.832 (Underactuated Robotics), Spring 2020 | Dynamic Programmi

Lecture 4: Dynamic Programming II

Lecture 5: Acrobots, Cart-poles, and Quadrotors I

Lecture 6: Dynamic Programming III

Lecture 7: Lyapunov Analysis I

Lecture 8: Computing Lyapunov Functions I

Lecture 9: Computing Lyapunov Functions II

Lecture 10: Trajectory Optimization I

Lecture 11: Trajectory Optimization II

Lecture 12: Trajectory Stabilization

Lecture 15: MIT 6.832 Underactuated Robotics (Spring 2022) | "Simple Models of

Lecture 14: Hybrid Trajectory Optimization

Lecture 15: Planning + Control Through Contact

Lecture 16: Humanoid Robots

Lecture 17: Mixed-discrete (combinatorial) and continuous optimization

Lecture 18: Sampling-based (kinodynamic) motion planning

Lecture 19: Stochastic dynamics

Lecture 20: Stochastic Control

Lecture 21: Robust Control & Policy Search

Lecture 22: Output feedback

Lecture 23: Feedback motion planning

Lecture 24: Imitation learning / Foundation models / Course wrap-up

01 - Intro

02 - Let's get you a robot

03 - Basic Pick and Place (Pt. 1)

04 - Basic Pick and Place (Pt. 2)

05 - Basic Pick and Place (Pt. 3)

06 - Manipulation in Clutter- Grasp Selection

07 - Geometric Perception (Pt. 1)

08 - Geometric Perception (Pt. 2)

09 - Manipulation in Clutter- Contact Simulation

10 - Manipulation in Clutter- Programming Tasks

11 - Motion Planning- Optimization Based

12 - Motion Planning- Sampling Based and Global Optimization

13 - Mobile Manipulation

14 - Force Control

15 - Manipulator Control

16 - Deep Perception

17 - Deep Perception Pt. 2

18 - Visuomotor Policies (via Behavior Cloning)

19 - Reinforcement Learning Pt. 1

20 - Reinforcement Learning Pt. 2

21 - Multibody Parameter Estimation

22 - Foundational Models for Decision Making

23 - Soft Manipulation and Tactile Sensing

Introduction to the Lightboard

Modern Robotics Videos Acknowledgments (Kevin Lynch)

Modern Robotics, Chapters 2 and 3: Foundations of Robot Motion

Modern Robotics, Chapter 2.1: Degrees of Freedom of a Rigid Body

Modern Robotics, Chapter 2.2: Degrees of Freedom of a Robot

Modern Robotics, Chapter 2.3.1: Configuration Space Topology

Modern Robotics, Chapter 2.3.2: Configuration Space Representation

Modern Robotics, Chapter 2.4: Configuration and Velocity Constraints

Modern Robotics, Chapter 2.5: Task Space and Workspace

Modern Robotics, Chapter 3: Introduction to Rigid-Body Motions

Modern Robotics, Chapter 3.2.1: Rotation Matrices (Part 1 of 2)

Modern Robotics, Chapter 3.2.1: Rotation Matrices (Part 2 of 2)

Modern Robotics, Chapter 3.2.2: Angular Velocities

Modern Robotics, Chapter 3.2.3: Exponential Coordinates of Rotation (Part 1 of 2

Modern Robotics, Chapter 3.2.3: Exponential Coordinates of Rotation (Part 2 of 2

Modern Robotics, Chapter 3.3.1: Homogeneous Transformation Matrices

Modern Robotics, Chapter 3.3.2: Twists (Part 1 of 2)

Modern Robotics, Chapter 3.3.2: Twists (Part 2 of 2)

Modern Robotics, Chapter 3.3.3: Exponential Coordinates of Rigid-Body Motion

Modern Robotics, Chapter 3.4: Wrenches

Modern Robotics, Chapter 4.1.1: Product of Exponentials Formula in the Space Fra

Modern Robotics, Chapter 4.1.2: Product of Exponentials Formula in the End-Effec

Modern Robotics, Chapter 4: Forward Kinematics Example

Modern Robotics, Chapter 5: Velocity Kinematics and Statics

Modern Robotics, Chapter 5.1.1: Space Jacobian

Modern Robotics, Chapter 5.1.2: Body Jacobian

Modern Robotics, Chapter 5.2: Statics of Open Chains

Modern Robotics, Chapter 5.3: Singularities

Modern Robotics, Chapter 5.4: Manipulability

Modern Robotics, Chapter 6: Inverse Kinematics of Open Chains

Modern Robotics, Chapter 6.2: Numerical Inverse Kinematics (Part 1 of 2)

Modern Robotics, Chapter 6.2: Numerical Inverse Kinematics (Part 2 of 2)

Modern Robotics, Chapter 7: Kinematics of Closed Chains

Modern Robotics, Chapter 8.1: Lagrangian Formulation of Dynamics (Part 1 of 2)

Modern Robotics, Chapter 8.1: Lagrangian Formulation of Dynamics (Part 2 of 2)

Modern Robotics, Chapter 8.1.3: Understanding the Mass Matrix

Modern Robotics, Chapter 8.2: Dynamics of a Single Rigid Body (Part 1 of 2)

Modern Robotics, Chapter 8.2: Dynamics of a Single Rigid Body (Part 2 of 2)

Modern Robotics, Chapter 8.3: Newton-Euler Inverse Dynamics

Modern Robotics, Chapter 8.5: Forward Dynamics of Open Chains

Modern Robotics, Chapter 8.6: Dynamics in the Task Space

Modern Robotics, Chapter 8.7: Constrained Dynamics

Modern Robotics, Chapter 8.9: Actuation, Gearing, and Friction

Modern Robotics, Chapters 9.1 and 9.2: Point-to-Point Trajectories (Part 1 of 2)

Modern Robotics, Chapters 9.1 and 9.2: Point-to-Point Trajectories (Part 2 of 2)

Modern Robotics, Chapter 9.3: Polynomial Via Point Trajectories

Modern Robotics, Chapter 9.4: Time-Optimal Time Scaling (Part 1 of 3)

Modern Robotics, Chapter 9.4: Time-Optimal Time Scaling (Part 2 of 3)

Modern Robotics, Chapter 9.4: Time-Optimal Time Scaling (Part 3 of 3)

Modern Robotics, Chapter 10.1: Overview of Motion Planning

Modern Robotics, Chapter 10.2: C-Space Obstacles

Modern Robotics, Chapter 10.2.3: Graphs and Trees

Modern Robotics, Chapter 10.2.4: Graph Search

Modern Robotics, Chapter 10.3: Complete Path Planners

Modern Robotics, Chapter 10.4: Grid Methods for Motion Planning

Modern Robotics, Chapter 10.5: Sampling Methods for Motion Planning (Part 1 of 2

Modern Robotics, Chapter 10.5: Sampling Methods for Motion Planning (Part 2 of 2

Modern Robotics, Chapter 10.6: Virtual Potential Fields

Modern Robotics, Chapter 10.7: Nonlinear Optimization

Modern Robotics, Chapter 11.1: Control System Overview

Modern Robotics, Chapter 11.2.1: Error Response

Modern Robotics, Chapter 11.2.2: Linear Error Dynamics

Modern Robotics, Chapter 11.2.2.1: First-Order Error Dynamics

Modern Robotics, Chapter 11.2.2.2: Second-Order Error Dynamics

Modern Robotics, Chapter 11.3: Motion Control with Velocity Inputs (Part 1 of 3)

Modern Robotics, Chapter 11.3: Motion Control with Velocity Inputs (Part 2 of 3)

Modern Robotics, Chapter 11.3: Motion Control with Velocity Inputs (Part 3 of 3)

Modern Robotics, Chapter 11.4: Motion Control with Torque or Force Inputs (Part1

Modern Robotics, Chapter 11.4: Motion Control with Torque or Force Inputs (Part2

Modern Robotics, Chapter 11.4: Motion Control with Torque or Force Inputs (Part3

Modern Robotics, Chapter 11.5: Force Control

Modern Robotics, Chapter 11.6: Hybrid Motion-Force Control

Modern Robotics, Chapter 12: Grasping and Manipulation

Modern Robotics, Chapter 12.1.1: First-Order Analysis of a Single Contact

Modern Robotics, Chapter 12.1.2: Contact Types: Rolling, Sliding, and Breaking

Modern Robotics, Chapter 12.1.3: Multiple Contacts

Modern Robotics, Chapter 12.1.6: Planar Graphical Methods (Part 1 of 2)

Modern Robotics, Chapter 12.1.6: Planar Graphical Methods (Part 2 of 2)

Modern Robotics, Chapter 12.1.7: Form Closure

Modern Robotics, Chapter 12.2.1: Friction

Modern Robotics, Chapter 12.2.2: Planar Graphical Methods

Modern Robotics, Chapter 12.2.3: Force Closure

Modern Robotics, Chapter 12.2.4: Duality of Force and Motion Freedoms

Modern Robotics, Chapter 12.3: Manipulation and the Meter-Stick Trick

Modern Robotics, Chapter 12.3: Transport of an Assembly

Modern Robotics, Chapter 13.1: Wheeled Mobile Robots

Modern Robotics, Chapter 13.2: Omnidirectional Wheeled Mobile Robots (Part 1)

Modern Robotics, Chapter 13.2: Omnidirectional Wheeled Mobile Robots (Part 2)

Modern Robotics, Chapter 13.3.1: Modeling of Nonholonomic Wheeled Mobile Robots

Modern Robotics, Chapter 13.3.2: Controllability of Wheeled Mobile Robots (Part1

Modern Robotics, Chapter 13.3.2: Controllability of Wheeled Mobile Robots (Part2

Modern Robotics, Chapter 13.3.2: Controllability of Wheeled Mobile Robots (Part3

Modern Robotics, Chapter 13.3.2: Controllability of Wheeled Mobile Robots (Part4

Modern Robotics, Chapter 13.3.3: Motion Planning for Nonholonomic Mobile Robots

Modern Robotics, Chapter 13.3.4: Feedback Control for Nonholonomic Mobile Robots

Modern Robotics, Chapter 13.4: Odometry

Modern Robotics, Chapter 13.5: Mobile Manipulation

Lecture 1 Course Introduction What is Robot Learning

Lecture 2 Robot Learning An Overview

Lecture 3 MLDL Refresher Part 1

Lecture 4 MLDL Refresher Part 11

Lecture 5 MDP Basics and Imitation Learning Part 1

Lecture 6 Imitation Learning Part 2

Lecture 7 Introduction to Reinforcement Learning

Lecture 8 Q Learning and Variants

Lecture 9 Q Learning VariantsPolicy Gradient Methods

Lecture 10 Policy Gradient Methods Part II and ActorCritic Methods

Lecture 11 Advanced RL Algorithms Part 1

Lecture 12 Advanced RL Algorithms Part 2

Lecture 13 Introduction to Modelbased RL and Control

Lecture 14 Optimal Control and Planning Part 1

Lecture 15 Optimal Control and Planning Part 2

Lecture 16 Model Learning and Deep MBRL

Lecture 17 Bandits and Preferencebased Learning

Lecture 18 Preferencebased Learning Part II and Exploration

Lecture 19 Guest Lecture Offline Reinforcement Learning

Lecture 20 Inverse Reinforcement Learning

Lecture 21 Guest Lecture Yunzhu Li

Lecture 22 Robot Simulation and Sim2Real

Lecture 23 Safe Robot Learning

Lecture 24 MultiTask and Adaptive Robot Learning

Lecture 25 Robot Learning Opportunities and Challenges

Lecture 1: Intro and Dynamics Review

Lecture 2: Equilibria, Stability, and Discrete-Time Dynamics

Lecture 3: Optimization Pt. 1

Lecture 4: Optimization Pt. 2

Lecture 5: Optimization Pt. 3

Lecture 6: Regularization, Merit Functions, and Control History

Lecture 7: Deterministic Optimal Control and Pontryagin

Lecture 8: The Linear Quadratic Regulator Three Ways

Lecture 9: Controllability and Dynamic Programming

Lecture 10: Convex Model-Predictive Control

Lecture 11: Nonlinear Trajectory Optimization

Lecture 12: Differential Dynamic Programming

Lecture 13: Direct Trajectory Optimization

Lecture 14: Intro to 3D Rotations

Lecture 15: Optimizing Rotations

Lecture 16: LQR with Quaternions and Quadrotors

Lecture 17: Hybrid Systems and Legged Robots

Lecture 18: Iterative Learning Control

Lecture 19: Stochastic Optimal Control and LQG

Lecture 20: How to Walk

Lecture 21: Kalman Filters and Duality

Lecture 22: Convex Relaxation and Landing Rockets

Lecture 23: Autonomous Driving and Game Theory

Lecture 24: Data-Driven Control and Behavior Cloning

Lecture 1： Introduction to Robotics

Lecture 2： Control Architectures

Lecture 3： Motion Control

Lecture 4： Sensors and Perception

Lecture 5： Localization

Lecture 6： Navigation & Path Planning

Lecture 7： Multi-Robot Systems & Collective Motion

Lecture 8： Multi-Robot Assignment Methods

Lecture 9： Multi-Robot Path Planning

Lecture 10： Introduction to Reinforcement Learning and Outlook

Control Bootcamp: Overview

Linear Systems [Control Bootcamp]

Stability and Eigenvalues [Control Bootcamp]

Linearizing Around a Fixed Point [Control Bootcamp]

Controllability [Control Bootcamp]

Controllability, Reachability, and Eigenvalue Placement [Control Bootcamp]

Controllability and the Discrete-Time Impulse Response [Control Bootcamp]

Degrees of Controllability and Gramians [Control Bootcamp]

Controllability and the PBH Test [Control Bootcamp]

Cayley-Hamilton Theorem [Control Bootcamp]

Reachability and Controllability with Cayley-Hamilton [Control Bootcamp]

Inverted Pendulum on a Cart [Control Bootcamp]

Pole Placement for the Inverted Pendulum on a Cart [Control Bootcamp]

Linear Quadratic Regulator (LQR) Control for the Inverted Pendulum on a Cart [Co

Motivation for Full-State Estimation [Control Bootcamp]

Control Bootcamp: Observability

Control Bootcamp: Full-State Estimation

The Kalman Filter [Control Bootcamp]

Control Bootcamp: Observability Example in Matlab

Control Bootcamp: Observability Example in Matlab (Part 2)

Control Bootcamp: Kalman Filter Example in Matlab

Control Bootcamp: Linear Quadratic Gaussian (LQG)

Control Bootcamp: LQG Example in Matlab

Control Bootcamp: Introduction to Robust Control

Control Bootcamp: Three Equivalent Representations of Linear Systems

Control Bootcamp: Example Frequency Response (Bode Plot) for Spring-Mass-Damper

Control Bootcamp: Laplace Transforms and the Transfer Function

Control Bootcamp: Benefits of Feedback on Cruise Control Example

Control Bootcamp: Benefits of Feedback on Cruise Control Example (Part 2)

Control Bootcamp: Cruise Control Example with Proportional-Integral (PI) control

Control Bootcamp: Sensitivity and Complementary Sensitivity

Control Bootcamp: Sensitivity and Complementary Sensitivity (Part 2)

Control Bootcamp: Loop shaping

Control Bootcamp: Loop Shaping Example for Cruise Control

Control Bootcamp: Sensitivity and Robustness

Control Bootcamp: Limitations on Robustness

Control Bootcamp: Cautionary Tale About Inverting the Plant Dynamics

Control systems with non-minimum phase dynamics

Model Predictive Control

ROB 501： Mathematics for Robotics Introduction & Proof Techniques

ROB 501： Induction, Fundamental Theorem, & Contradiction

ROB 501： Abstract Linear Algebra

ROB 501： Subspaces & Linear Independence

ROB 501： Basis Vectors & Dimension

ROB 501： Linear Operators & Eigenvalues

ROB 501： Similar Matrices & Norms

ROB 501： Inner Product Spaces

ROB 501： Projection Theorem & Gram-Schmidt

ROB 501： Normal Equations & Least Squares

ROB 501： Symmetric & Orthogonal Matrices

ROB 501： Positive Semi-Definite Matrices & Schur Complement Theorem

ROB 501： Recursive Least Squares & Kalman Filter

ROB 501： Least Squares & Probability

ROB 501： Best Linear Unbiased Estimator

ROB 501： QR Factorization

ROB 501： Modified Gram-Schmidt & Minimum Variance Estimator

ROB 501： Probability Space & Random Variables

ROB 501： Gaussian Random Vectors

ROB 501： Real Analysis & Normed Spaces

ROB 501： Real Analysis & Interior of a Set

ROB 501： Newton-Raphson Algorithm

ROB 501： Cauchy Sequences

ROB 501： Continuous Functions

ROB 501： Weierstrass Theorem

ROB 501： Final Class & Linear Programming

Lecture 01-Introduction

Lecture 02-Bayes Filters-Kalman Filtering

Lecture 03-Nonlinear Kalman Filtering

Lecture 04-Particle Filtering

Lecture 05-Symmetry & Rigid Body Motion

Lecture 06-Matrix Lie Groups for Robotics I

Lecture 07-Matrix Lie Groups for Robotics II

Lecture 08-Robot Motion & Uncertainty Propagation

Lecture 09-Invariant Kalman Filtering I

Lecture 10-Invariant Kalman Filtering II

Lecture 11-Localization

Lecture 12-Occupancy Grid Mapping

Lecture 13-Robotics Mapping

Lecture 14-Optimization & Smoothing I

Lecture 15-Optimization & Smoothing II

Lecture 16-Point Cloud Registration I

Lecture 17-RKHS Registration

Lecture 18-RGB-D Visual Odometry

Lecture 19-SLAM I

Lecture 20-SLAM II

Guest Lecture by Antoni Rosinol - Kimera： From Classical SLAM to 3D Spatial Per

Matrix Lie Groups for Robotics - Winter 2020

Riemannian Geometry - Winter 2020

Guest Lecture by Kevin Doherty - Factor Graph Representation for Hybrid Percept

Guest Lecture by Minghan Zhu - Equivariant Learning for Robotic 3D Perception

Guest Lecture by Chien Erh (Cynthia) Lin - Place Recognition

Guest Lecture by Lukas Schmid - Khronos： From Volumetric Mapping to Perception

Guest Lecture by Alan Papalia - Efficient Global Optimization and Collaborative

Guest Lecture by Junwoo Jang - Mobile Robotics in Marine Environments

Lecture 1： Introduction; numerics; error analysis (part I)

Lecture 1： Introduction; numerics; error analysis (part II)

Lecture 2： Linear systems and LU (Part I)

Lecture 2： Linear systems and LU (Part II)

Lecture 3： More LU; conditioning and sensitivity (part I)

Lecture 3： More LU; conditioning and sensitivity (part II)

Lecture 3： More LU; conditioning and sensitivity (part III)

Lecture 4： Designing linear systems; special structure (part I)

Lecture 4： Designing linear systems; special structure (part II)

Lecture 4： Designing linear systems; special structure (part III)

Lecture 5： Column spaces and QR (part I)

Lecture 5： Column spaces and QR (part II)

Lecture 5： Column spaces and QR (part III)

Lecture 6： Eigenproblems： How they arise, properties (part I)

Lecture 6： Eigenproblems： How they arise, properties (part II)

Lecture 6： Eigenproblems： How they arise, properties (part III)

Lecture 7： Eigenproblems II： Algorithms (part I)

Lecture 7： Eigenproblems II： Algorithms (part II)

Lecture 7： Eigenproblems II： Algorithms (part III)

Lecture 8： Eigenproblems III (QR iteration, conditioning); singular value decom

Lecture 8： Eigenproblems III (QR iteration, conditioning); singular value decom

Lecture 8： Eigenproblems III (QR iteration, conditioning); singular value decom

Lecture 9： Nonlinear equations and convergence analysis (part I)

Lecture 9： Nonlinear equations and convergence analysis (part II)

Lecture 9： Nonlinear equations and convergence analysis (part III)

Lecture 10： Systems of equations; optimization in one variable (part I)

Lecture 10： Systems of equations; optimization in one variable (part II)

Lecture 10： Systems of equations; optimization in one variable (part III)

Lecture 12： Optimization： Multiple variables, constraints (part I)

Lecture 12： Optimization： Multiple variables, constraints (part II)

Lecture 12： Optimization： Multiple variables, constraints (part III)

Lecture 13： Conjugate gradients I： Gradient descent, setup (part I)

Lecture 13： Conjugate gradients I： Gradient descent, setup (part II)

Lecture 13： Conjugate gradients I： Gradient descent, setup (part III)

Lecture 14： Conjugate gradients II： Formulation, preconditioning, and variants

Lecture 14： Conjugate gradients II： Formulation, preconditioning, and variants

Lecture 14： Conjugate gradients II： Formulation, preconditioning, and variants

Lecture 15： Interpolation (part I)

Lecture 15： Interpolation (part II)

Lecture 15： Interpolation (part III)

Lecture 16： Numerical integration and differentiation (part II)

Lecture 16： Numerical integration and differentiation (part III)

Lecture 16： Numerical integration and differentiation (part I)

Lecture 17： Initial value problems and basics of ODE (part I)

Lecture 17： Initial value problems and basics of ODE (part II)

Lecture 17： Initial value problems and basics of ODE (part III)

Lecture 18： Time-stepping strategies (part I)

Lecture 18： Time-stepping strategies (part II)

Lecture 18： Time-stepping strategies (part III)

Lecture 19： PDE I： Examples⧸theory, derivative operators (part I)

Lecture 19： PDE I： Examples⧸theory, derivative operators (part II)

Lecture 19： PDE I： Examples⧸theory, derivative operators (part III)

Lecture 20： PDE II： Basic solution techniques (part I)

Lecture 20： PDE II： Basic solution techniques (part II)

Lecture 20： PDE II： Basic solution techniques (part III)

Lecture 1 Course Introduction What is Robot Learning（重制版）

Lecture 2 Robot Learning An Overview（重制版）

Lecture 3 MLDL Refresher Part 1（重制版）

Lecture 4 MLDL Refresher Part 11（重制版）

Lecture 5 MDP Basics and Imitation Learning Part 1（重制版）

Lecture 6 Imitation Learning Part 2（重制版）

Lecture 7 Introduction to Reinforcement Learning（重制版）

Lecture 8 Q Learning and Variants（重制版）

Lecture 9 Q Learning VariantsPolicy Gradient Methods（重制版）

Lecture 10 Policy Gradient Methods Part II and ActorCritic Methods（重制版）

Lecture 11 Advanced RL Algorithms Part 1（重制版）

Lecture 12 Advanced RL Algorithms Part 2（重制版）

Lecture 13 Introduction to Modelbased RL and Control（重制版）

Lecture 14 Optimal Control and Planning Part 1（重制版）

Lecture 15 Optimal Control and Planning Part 2（重制版）

Lecture 16 Model Learning and Deep MBRL（重制版）

Lecture 17 Bandits and Preferencebased Learning（重制版）

Lecture 18 Preferencebased Learning Part II and Exploration（重制版）

Lecture 19 Guest Lecture Offline Reinforcement Learning（重制版）

Lecture 20 Inverse Reinforcement Learning（重制版）

Lecture 21 Guest Lecture Yunzhu Li（重制版）

Lecture 22 Robot Simulation and Sim2Real（重制版）

Lecture 23 Safe Robot Learning（重制版）

Lecture 24 MultiTask and Adaptive Robot Learning（重制版）

Lecture 25 Robot Learning Opportunities and Challenges（重制版）

Lecture 1 Course Introduction What is Robot Learning

Lecture 2 Robot Learning An Overview

Lecture 3 MLDL Refresher Part 1

Lecture 4 MLDL Refresher Part 11

Lecture 5 MDP Basics and Imitation Learning Part 1

Lecture 6 Imitation Learning Part 2

Lecture 7 Introduction to Reinforcement Learning

Lecture 8 Q Learning and Variants

Lecture 9 Q Learning VariantsPolicy Gradient Methods

Lecture 10 Policy Gradient Methods Part II and ActorCritic Methods

Lecture 11 Advanced RL Algorithms Part 1

Lecture 12 Advanced RL Algorithms Part 2

Lecture 13 Introduction to Modelbased RL and Control

Lecture 14 Optimal Control and Planning Part 1

Lecture 15 Optimal Control and Planning Part 2

Lecture 16 Model Learning and Deep MBRL

Lecture 17 Bandits and Preferencebased Learning

Lecture 18 Preferencebased Learning Part II and Exploration

Lecture 19 Guest Lecture Offline Reinforcement Learning

Lecture 20 Inverse Reinforcement Learning

Lecture 21 Guest Lecture Yunzhu Li

Lecture 22 Robot Simulation and Sim2Real

Lecture 23 Safe Robot Learning

Lecture 24 MultiTask and Adaptive Robot Learning

Lecture 25 Robot Learning Opportunities and Challenges

第1讲：课程介绍

第2讲：让我们为你配置一台机器人！

第3讲：基础拾取与放置（一）

第4讲：基础拾取与放置（二）

第5讲：基础拾取与放置（三）

第6讲：几何感知（一）

第7讲：几何感知（二）

第8讲：杂乱环境中的操作——接触仿真

第9讲：杂乱环境中的操作——抓取选择

第10讲：杂乱环境中的操作——任务编程

第11讲：运动规划——基于优化的方法

第12讲：运动规划——基于采样的方法与全局优化

第13讲：移动操作

第14讲：力控制

第15讲：机械臂控制

第16讲：深度感知

第17讲：深度感知（二）

第18讲：视觉运动策略（通过行为克隆）

第19讲：强化学习（一）

第20讲：强化学习（二）

第21讲：多体参数估计

第22讲：决策基础模型

第23讲：柔性操作与触觉感知

01. Lecture 1（重制版）

02. Lecture 2（重制版）

03. Lecture 3（重制版）

04. Lecture 4（重制版）

05. Lecture 5（重制版）

06. Lecture 6（重制版）

07. Lecture 7（重制版）

08. Lecture 8（重制版）

09. Lecture 9（重制版）

10. Lecture 10（重制版）

11. Lecture 11（重制版）

12. Lecture 12（重制版）

13. Lecture 13（重制版）

14. Lecture 14（重制版）

01_Lecture_1

02_Lecture_2

03_Lecture_3

04_Lecture_4

05_Lecture_5

06_Lecture_6

07_Lecture_7

08_Lecture_8

09_Lecture_9

10_Lecture_10

11_Lecture_11

12_Lecture_12

13_Lecture_13

14_Lecture_14

01. Lecture 1（重制版）

02. Lecture 2（重制版）

03. Lecture 3（重制版）

04. Lecture 4（重制版）

05. Lecture 5（重制版）

06. Lecture 6（重制版）

07. Lecture 7（重制版）

08. Lecture 8（重制版）

09. Lecture 9（重制版）

10. Lecture 10（重制版）

11. Lecture 11（重制版）

12. Lecture 12（重制版）

13. Lecture 13（重制版）

01_Lecture_1

02_Lecture_2

03_Lecture_3

04_Lecture_4

05_Lecture_5

06_Lecture_6

07_Lecture_7

08_Lecture_8

09_Lecture_9

10_Lecture_10

11_Lecture_11

12_Lecture_12

13_Lecture_13

线性系统

稳定性与特征值

在不动点附近线性化

能控性

能控性、能达性与特征值配置

能控性与离散时间脉冲响应

能控度与格拉姆矩阵

能控性与PBH检验

凯莱-哈密顿定理

用凯莱-哈密顿定理分析能达性与能控性

小车上的倒立摆

小车倒立摆的极点配置

小车倒立摆的线性二次型调节器（LQR）控制

全状态估计的动机

控制训练营：能观性

控制训练营：全状态估计

卡尔曼滤波器

控制训练营：MATLAB中的可观测性示例

控制训练营：MATLAB中的可观测性示例（二）

控制训练营：MATLAB中的卡尔曼滤波器示例

控制训练营：线性二次高斯（LQG）

控制训练营：MATLAB中的LQG示例

控制训练营：鲁棒控制导论

控制训练营：线性系统的三种等价表示

控制训练营：弹簧-质量-阻尼系统的频率响应示例（伯德图）

控制训练营：拉普拉斯变换与传递函数

控制训练营：反馈在巡航控制示例中的优势

控制训练营：反馈在巡航控制示例中的优势（二）

控制训练营：采用比例-积分（PI）控制的巡航控制示例

控制训练营：灵敏度与互补灵敏度

控制训练营：灵敏度与互补灵敏度（二）

控制训练营：回路整形

控制训练营：巡航控制的回路整形示例

控制训练营：灵敏度与鲁棒性

控制训练营：鲁棒性的局限性

控制训练营：关于对系统动态求逆的警示故事

具有非最小相位动态的控制系统

模型预测控制

第1讲：导论与动力学回顾

第2讲：平衡点、稳定性与离散时间动力学

第3讲：优化（一）

第4讲：优化（二）

第5讲：优化（三）

第6讲：正则化、评价函数与控制历史

第7讲：确定性最优控制与庞特里亚金原理

第8讲：线性二次型调节器的三种解法

第9讲：能控性与动态规划

第10讲：凸模型预测控制

第11讲：非线性轨迹优化

第12讲：微分动态规划

第13讲：直接轨迹优化

第14讲：三维旋转导论

第15讲：旋转的优化

第16讲：基于四元数与四旋翼的LQR

第17讲：混合系统与腿式机器人

第18讲：迭代学习控制

第19讲：随机最优控制与LQG

第20讲：如何行走

第21讲：卡尔曼滤波器与对偶性

第22讲：凸松弛与火箭着陆

第23讲：自动驾驶与博弈论

第24讲：数据驱动控制与行为克隆

利用几何学推进机器人学习

学习与规划的融合

交互式自主系统

解锁自主医疗机器人

长程机器人自主性的要素

运动中的机械智能

从人类经验中学习机器人

生成控制、动作分块与莫拉维克悖论

斯坦福 AA228V | 安全关键系统验证 | 可解释性

触觉系统的设计与控制：机器人技术的挑战

Ψ0：一个开放的基础模型

什么是触觉设备？Allison Okamura 教授解释

先睹为快：触觉系统的设计与控制

课程概览：触觉系统的设计与控制 (ME327)

让 AI 加速前进

户外环境中的自主导航

弹性自主系统

基于物理偏微分方程先验的机器人运动学习

2025年秋季 | 流体物理交互的动力学

2025年秋季 | 下一代灵巧操作

2025年秋季 | 图物理人工智能方法

2025年秋季 | 具身基础模型

2025年秋季 | 通用柔顺机器人交互

斯坦福网络研讨会 - 人工智能安全

2025年秋季 | 自适应机器人

2025年秋季 | 操作数据金字塔

2025年秋季 | 让每一步都成为实验

人工智能与机器人前沿

斯坦福网络研讨会 - 从像素到人类影响：解锁真实世界价值

斯坦福研讨会 - 无需动作分块的机器人学习

斯坦福研讨会 - 学习控制大规模机器人团队

斯坦福研讨会 - 迈向开放世界机器人安全

斯坦福研讨会 - 迈向高效泛化与适应的机器人

斯坦福研讨会 - 野外机器人在哪里？

斯坦福研讨会 - 为人形机器人建模人类

斯坦福研讨会 - 机器人技能获取：策略表示与数据生成

斯坦福 CS25：V2 I 机器人与模仿学习

人工智能与机器人技术 - Chelsea Finn 与 Andrew Ng

第1讲：机器人学导论

第2讲：动力学

第3讲：反馈控制

第4讲：稳定性与PD控制

第5讲：线性二次型调节器（LQR）

第6讲：离散规划（BFS与DFS）

第7讲：最优离散规划

第8讲：随机运动规划（RRT）

第9讲：微分平坦性

第10讲：带动力学约束的规划

第11讲：非确定性滤波器

第12讲：贝叶斯滤波

第13讲：粒子滤波与卡尔曼滤波

第14讲：定位

第15讲：建图

第16讲：SLAM

第17讲：视觉导论

第18讲：光流

第19讲：深度学习视觉导论

第20讲：随机梯度下降

第21讲：过拟合与正则化

第22讲：卷积神经网络

第23讲：强化学习

第24讲：机器人学与经济、伦理

机器人开发导论

电机、传动与驱动器（一）

电机、传动与驱动器（二）

机械建模

建模与设计

热建模

制造技术

增材制造

减材制造

制造最佳实践

齿轮、丝杠与连杆机构

完整平面模型

扭矩转换

运动学转换

传感器

数字通信

全向轮

复习

控制

控制回路结构

数据滤波

转向控制

第1讲：纳米技术导论，纳米尺度输运现象

第2讲：特征时间与长度，简单动理论

第3讲：薛定谔方程与物质波

第4讲：薛定谔方程的解，能量量子化

第5讲：一维晶格链中的电子能级

第6讲：晶体键合与晶体中的电子能级

第7讲：晶体中的声子能级与晶体结构

第8讲：态密度与统计分布

第9讲：比热与普朗克定律

第10讲：统计热力学基础

第11讲：波的能量传递：平面波

第12讲：电磁波：单一界面的反射

第13讲：电磁波在薄膜与多层膜中的传播

第14讲：波动现象与朗道尔形式理论

第15讲：粒子描述，刘维尔方程与玻尔兹曼方程

第16讲：费米黄金规则与弛豫时间近似

第17讲：玻尔兹曼方程的解：扩散定律

第18讲：电子输运与热电效应

第19讲：经典尺寸效应，平行方向

第20讲：经典尺寸效应，垂直方向

第21讲：滑移条件，耦合能量输运与转换

第22讲：PN结、二极管与光伏电池

第23讲：液体：布朗运动与液体中的力

第24讲：双电层，相变中的尺寸效应

第25讲：分子动力学模拟的统计基础

第1讲：导论

第2讲：贝叶斯滤波器与卡尔曼滤波

第3讲：非线性卡尔曼滤波

第4讲：粒子滤波

第5讲：对称性与刚体运动

第6讲：机器人学中的矩阵李群（一）

第7讲：机器人学中的矩阵李群（二）

第8讲：机器人运动与不确定性传播

第9讲：不变卡尔曼滤波（一）

第10讲：不变卡尔曼滤波（二）

第11讲：定位

第12讲：占据栅格地图构建

第13讲：机器人建图

第14讲：优化与平滑（一）

第15讲：优化与平滑（二）

第16讲：点云配准（一）

第17讲：RKHS配准

第18讲：RGB-D视觉里程计

第19讲：SLAM（一）

第20讲：SLAM（二）

特邀讲座：Antoni Rosinol - Kimera：从经典SLAM到三维空间感知

机器人学中的矩阵李群 - 2020年冬季

黎曼几何 - 2020年冬季

特邀讲座：Kevin Doherty - 混合感知的因子图表示

特邀讲座：Minghan Zhu - 机器人三维感知的等变学习

特邀讲座：Chien Erh (Cynthia) Lin - 地点识别

特邀讲座：Lukas Schmid - Khronos：从体积建图到感知

特邀讲座：Alan Papalia - 高效全局优化与协作

特邀讲座：Junwoo Jang - 海洋环境中的移动机器人

教程：制绒

教程：掺杂

教程：光电导

教程：太阳能电池的工作原理

1. 导论

2. 太阳能资源

3. 光吸收与光学损耗

4. 电荷激发

5. 电荷分离（Part 1）

6. 电荷分离（Part 2）

7. 迈向一维器件模型（Part 1）：器件基础

8. 迈向一维器件模型（Part 2）：材料基础

9. 电荷提取

10. 硅片基太阳能电池（Part 1）

11. 硅片基太阳能电池（Part 2）

12. 薄膜太阳能电池：材料选择与制造（Part 1）

13. 薄膜太阳能电池：材料选择与制造（Part 2）

14. 光伏转换效率：测量方法与理论极限

15. 进阶概念

16. 太阳能电池表征

17. 光伏组件、系统与可靠性

18. 成本、价格、市场与扶持机制（Part 1）

19. 成本、价格、市场与扶持机制（Part 2）

20. 光伏领域的研发投资与创新

学生项目展示（一）

学生项目展示（二）

1. 导论与课程概览

2. 胞状固体的制备与加工

3. 胞状固体的结构

4. 蜂窝结构：面内力学行为

5. 蜂窝结构：面外力学行为

6. 天然蜂窝结构：木材

7. 天然蜂窝结构：软木；泡沫材料的线弹性

8. 泡沫材料：非线性弹性

9. 泡沫材料：热学性能

10. 考试复习

11. 骨小梁与骨质疏松症

12. 骨质疏松与演化

13. 组织工程支架：制备与性能

14. 组织工程：骨软骨支架；如何撰写学术论文

15. 细胞—支架相互作用；能量吸收

16. 应用：泡沫材料中的能量吸收

17. 夹层板结构

18. 天然夹层结构；密度梯度

19.仿生设计

1. 动力学史；运动参考系中的运动

2. 牛顿定律与粒子运动学描述

3. 质心运动；旋转参考系中的加速度

4. 极坐标系下质点的圆周运动

R2. 平移和旋转坐标系中的速度和加速度

5. 质点系统的冲量、力矩和角动量

6. 扭矩与角动量随时间的变化率

R3. 运动参考系中的运动

7. 自由度、受力分析图和虚拟力

8. 虚构力与旋转质量

R4. 自由体图

9. 旋转不平衡

10. 刚体的运动方程、力矩、角动量

R5. 运动方程

11. 刚体的质量转动惯量

12. 旋转刚体问题的求解方法

R6. 角动量和扭矩

13. 旋转运动问题的四类

14. 更复杂的旋转问题及其运动方程

R7. 小车摆法，直接法

符号系统

15. 拉格朗日定理简介及实例

第8次复习课：小车与摆的拉格朗日方法

16. 利用运动学方法求解广义力

17. 练习使用拉格朗日方程求运动方程组

R9. 广义力

18. 选修习题集 8 的测验复习

19. 机械振动导论

20. 单自由度振荡器的线性系统建模

21. 隔振

22. 求二自由度系统的固有频率和振型

23. 模式叠加振动

24. 模态分析：正交性、质量刚度、阻尼矩阵

25. 模态分析：对内摩擦和简谐力的响应

26. 利用传递函数分析二自由度系统的响应

27. 连续结构的振动：弦、梁、杆等

Lecture 1 识别、估计、学习导论

Lecture 2 最小二乘法

Lecture 3 带遗忘因子的递归最小二乘法

Lecture 4 随机变量和随机过程

Lecture 5 主成分回归

Lecture 6 偏最小二乘回归

Lecture 7 离散时间卡尔曼滤波器

Lecture 8 连续时间卡尔曼滤波器

Lecture 9 扩展卡尔曼滤波器与无迹卡尔曼滤波器

Lecture 10 贝叶斯滤波器

Lecture 11 同步定位与地图构建（SLAM）

Lecture 12 粒子滤波器

Lecture 13 非参数线性系统辨识

Lecture 14 参数化线性系统辨识

Lecture 15 参数估计量的渐近分布

Lecture 16 无偏系统辨识

Lecture 17 系统辨识的子空间方法

Lecture 18 MOESP 与 N4SID 子空间辨识算法

Lecture 19 非线性函数逼近

Lecture 20 神经网络与误差反向传播

Lecture 21 基于 CNN 与 RNN 的深度学习

Lecture 22 支持向量机与核方法

Lecture 23 高斯过程

Lecture 25 双面线性化及其在非线性模型预测控制中的应用

1. 导论／课程概述

2. 透平机械基本理论（Part 1）

3. 透平机械基本理论（Part 2）

4. 透平机械基本理论（Part 3）

5. 透平机械基本理论（Part 4）

6. 透平机械基本理论（Part 5）

7. 透平机械基本理论（Part 6）

8. 水力机械：离心泵（Part 1）

9. 水力机械：离心泵（Part 2）

10. 水力机械：离心泵（Part 3）

11. 水力机械：离心泵（Part 4）

12. 水力机械：弗朗西斯水轮机／混流式水轮机（Part 1）

13. 水力机械：弗朗西斯水轮机／混流式水轮机（Part 2）

14. 水力机械：卡普兰水轮机／轴流转桨式水轮机

15. 水力机械：佩尔顿水轮机／水斗式冲击水轮机

16. 容积式泵：齿轮泵

17. 热力透平机械概论

18. 热力透平机械：燃气轮机

19. 热力透平机械：蒸汽轮机

20. 热力透平机械（一）

21. 热力透平机械（二）

Lecture 2: 机器人机构：运动学与动力学

Lecture 3: 机器人手/本体感觉与触觉感知

Lecture 4A: 面向行动的视觉感知

Lecture 4B: 运动控制的发展视角

Lecture 5A: 机器人动力学、控制与运动规划

Lecture 5B: 预测与控制的计算神经科学视角

Lecture 6A: 强化学习

Lecture 6B: 强化学习

Lecture 7: 行为克隆

Lecture 8: 视觉模仿学习

Lecture 9: 机器人运动案例研究

Lecture 10: 机器人导航案例研究

Lecture 11A: 灵巧操作案例研究

Lecture 11B: 灵巧操作案例研究

Lecture 12: 长时程规划与语言的作用

Lecture 1: 工程断裂力学课程概述

Lecture 2: 典型重大断裂失效案例

Lecture 3: 重大断裂失效带来的启示

Lecture 4: 线弹性断裂力学（LEFM）与弹塑性断裂力学（EPFM）

Lecture 5: 断裂力学的整体性分析方法

Lecture 6: 疲劳裂纹扩展模型

Lecture 7: 裂纹扩展与断裂机制

Lecture 8: 弹性应变能

Lecture 9: Griffith 理论中的断裂强度

Lecture 10: 能量释放率

Lecture 11: 能量释放率的应用

Lecture 12: Pop-in 突跳现象

Lecture 13: 位移与应力表述方法

Lecture 14: 应力函数的形式

Lecture 15: I 型裂纹的 Airy 应力函数

Lecture 16: I 型裂纹应力场的 Westergaard 解

Lecture 17: I 型裂纹的位移场

Lecture 18: 应力强度因子 KI 与能量释放率 GI 的关系

Lecture 19: II 型裂纹的应力场

Lecture 20: 广义 Westergaard 方法

Lecture 21: Williams 特征函数方法

Lecture 22: 多参数应力场方程

Lecture 23: 多参数场方程的验证

Lecture 24: 讨论课（一）

Lecture 25: 不同几何结构的应力强度因子（SIF）计算

Lecture 26: 内部埋藏裂纹的应力强度因子

Lecture 27: 表面裂纹的应力强度因子

Lecture 28: 塑性变形建模

Lecture 29: Irwin 塑性区模型

Lecture 30: Dugdale 模型

Lecture 31: 断裂韧性测试

Lecture 32: 平面应变断裂韧性测试

Lecture 33: 平面应力断裂韧性测试

Lecture 34: Paris 定律与 S 形裂纹扩展曲线

Lecture 35: 裂纹闭合效应

Lecture 36: 裂纹扩展模型

Lecture 37: J 积分

Lecture 38: HRR 场与裂纹尖端张开位移（CTOD）

Lecture 39: 失效评定图（FAD）与混合型断裂

Lecture 40: 裂纹止裂与修复方法

Lecture 41: 讨论课（二）

欢迎来到 2.830.1x 课程简介

Week 1: 校友观点

Week 1.1.1: 过程控制简介

Week 1.1.2: 控制的通用过程模型

Week 1.1.3: 过程变异实验（一）｜手工车削

Week 1.1.4: 过程变异实验（二）｜V形模弯曲

Week 1.1.5: 过程变异实验（三）｜注塑成型

Week 1.1.6: 过程变异实验（四）｜热成型

Week 2: 从数据出发建立制造过程概率模型

Week 2: 校友观点

Week 2.1: 构建制造过程的概率模型：过程观测

Week 2.2: 制造过程中的随机性

Week 2.3: 从直方图理解概率函数

Week 2.4: 解析概率模型

Week 2.5: 利用概率密度函数理解置信区间

Week 2: 正态分布手册

Week 2: 论证制造过程采用正态分布模型的合理性

Week 3: 统计模型的应用：抽样、校准与休哈特假设

Week 3: 校友观点

Week 3.1: 抽样：用数据校准制造过程的概率模型

Week 3.2: 抽样：真实均值估计中的不确定性

Week 3.3: 抽样：方差估计中的不确定性

Week 3.4: 一般参数估计：Student t 分布

Week 3.5: 统计推断：假设检验

Week 3.6: 假设检验在制造过程中的应用

Week 3.7: 休哈特假设：统计过程控制的由来

Week 4: 控制图与统计过程控制基础

Week 4: 校友观点

Week 4.1: 控制图

Week 4.2: 控制图与统计过程控制（SPC）

Week 4.3: 问题检测：如何判断过程处于失控状态

Week 4.4: 均值偏移检测的灵敏度

Week 4.5: 控制图实例：如何选择控制限

Week 4.6: 案例分析：微压印工艺的过程控制

Week 4.7: 过程能力：连接制造与设计

Week 5: 高级SPC方法：指数加权移动平均、累积和与多变量控制

Week 5: 校友观点

Week 5.1: 高级SPC：序贯方法 vs. 移动平均法

Week 5.2: EWMA控制图：指数加权移动平均法

Week 5.3: 微小持续均值偏移的检测：CUSUM累积和方法

Week 5.4: 多变量SPC：为什么需要多变量统计过程控制？

Week 5.5: 多变量控制图

Week 5.6: 多变量SPC：Hotelling T²控制图

Week 5.7: 多变量SPC：主成分分析（PCA）

Week 6: 失控过程诊断：工程分析方法

Week 6: 校友观点

Week 6.1: 确定性过程建模：简单车削案例

Week 6.2: 确定性过程建模：钣金弯曲

Week 6.3: 确定性过程建模：热塑性塑料注塑成型

Week 6.4: 确定性过程建模：真空热成型

Week 6.5: 面向过程控制的过程模型构建

Week 6.6: 过程参数分析：状态变量与属性

Week 6.7: 过程变异的来源、变异方程与控制层级

7.1: 过程控制案例：回顾与问题界定

7.2: 过程控制案例：问题界定

7.3: 过程控制案例：测量方法评估

7.4: 过程控制案例：基准控制图与根因分析

7.5: 过程控制案例：有效过程控制方法的应用

7.6: Course Summary

0.1-制造过程控制II概述

0.2-MATLAB简介

0.3-MATLAB入门

0.4-制造过程控制I概述 Summary of Manufacturing Process

0.5-校友视角

1.1-流程改进模型-输入-输出因果关系

1.2-流程改进模型-输入-输出因果关系-校友视角

1.3-流程建模目标

1.4-多输入水平-效果模型和方差分析介绍

1.5-方差分析表和示例

1.6-多输入方差分析

2.1-我们可以解决的问题

2.2-校友视角

2.3-基本线性模型

2.4-多输入建模-一般线性回归

2.5-双因素输入线性效应模型和响应面

2.6-多因素对比和延伸

2.7-使用ANOVA和弯曲实验中的示例测试模型项的显著性

3.1-缩减分数线性模型和高阶二次模型

3.2-校友视角

3.3-部分因子模型

3.4-选择别名结构

3.5-实验设计-混杂和阻断

3.6-模型测试-二次效应

3.7-二次模型

4.1-使用设计的实验进行过程优化和过程稳健性

4.2-校友视角

4.3-优化能力和质量损失-结合均值和方差模型

4.4-响应面方法

4.5-使用内部和外部阵列的噪声建模和过程鲁棒性

4.6-噪声响应表面

5.1-嵌套方差

5.2-校友视角

5.3-制造中的嵌套

5.4-比较方差分析与嵌套方差

5.5-嵌套方差机制

5.6-两级和三级嵌套方差示例

5.7-空间一致性度量的采样和估计

5.8-过程和空间参数的响应面建模

5.9-空间一致性建模优化和控制的现场模型

6.1-案例研究-汽车零部件工厂的流程建模和优化

6.2-实验设计和结果

6.3-产量问题概述

6.4-离散统计的回顾

6.5-空间产量模型

6.6-空间产量建模中的关键区域

7.1-校友视角

7.2-循环控制-使用反馈和SPC的情况

7.3-循环到循环流程模型

7.4-离散时间反馈系统分析-对方差的影响

7.5-循环控制的应用

7.6-课程总结

Lecture 1: 机器人动力学与基于模型的控制

Lecture 2: 非线性动力学

Lecture 3: 动态规划（一）

Lecture 4: 动态规划（二）

Lecture 5: Acrobot、倒立摆小车与四旋翼（一）

Lecture 6: 动态规划（三）

Lecture 7: 李雅普诺夫分析（一）

Lecture 8: 李雅普诺夫函数的计算（一）

Lecture 9: 李雅普诺夫函数的计算（二）

Lecture 10: 轨迹优化（一）

Lecture 11: 轨迹优化（二）

Lecture 12: 轨迹稳定控制

Lecture 13: 步行运动的简单模型

Lecture 14: 混合系统轨迹优化

Lecture 15: 基于接触的规划与控制

Lecture 16: 人形机器人

Lecture 17: 混合离散（组合）与连续优化

Lecture 18: 基于采样的动力学约束运动规划

Lecture 19: 随机动力学

Lecture 20: 随机控制

Lecture 21: 鲁棒控制与策略搜索

Lecture 22: 输出反馈控制

Lecture 23: 反馈运动规划

Lecture 24: 模仿学习、基础模型与课程总结

1.1-简介-欢迎学习2008x课程

1.2-制造的重要性

1.3-简介-现在和未来的制造工艺

1.4-2008_x的框架

1.5-Yoyo项目介绍

1.6-加工车间360度视频

2.1-工艺规划和性能-简介

2.2-工艺规划-简单和复杂产品

2.3-工艺规划-工艺性能属性

2.4-工艺规划-结论

3.1-基本加工操作

3.2-加工简介

3.3-工具-材料相互作用的基础

3.4-加工-刀具运动和材料变形

3.5-加工-切削力

3.6-加工-IMTS实地考察

3.7-加工-工具和磨损

3.8-加工-切割能量和功率

3.9-加工-铣削

3.10-加工-面向制造的设计

3.11-加工-结论

3.12-演示1-切削力

3.13-演示2-工具磨损和材料去除率

4.1-乐高积木的注射成型

4.2-注射成型周期

4.3-注射成型-简介

4.4-聚合物基础

4.5-注塑模具

4.6-注射成型参数

4.7-循环时间冷却和收缩

4.8-注射成型-缺陷和工艺窗口

4.9-高级主题

4.10-注射成型-结论

4.11-注塑模具和机器操作概述

5.1-一次性杯子的热成型

5.2-热成型介绍

5.3-工艺和设备基础

5.4-热成型过程中的聚合物力学

5.5-速率限制和连续处理

5.6-热成型-工艺窗口和设计指南

5.7-热成型-结论

5.8-其他聚合物成型工艺

5.9-麻省理工学院制造车间的热成型机

6.1-钣金的的剪切和弯曲

6.2-级进模钣金成形

6.3-钣金介绍

6.4-钣金切割

6.5-钣金弯曲

6.6-钣金回弹

6.7-iPhone 4外壳

6.8-钣金弯曲演示

7.1-砂型铸造

7.2-铸造介绍

7.3-铸造-铸造方法的分类

7.4-铸造-砂型铸造

7.5-铸造-压铸

7.6-铸造-流动性和冷却

7.7-铸造-凝固和微观结构

7.8-铸造缺陷

7.9-铸造-熔模铸造

7.10-铸造-比较和结论

7.11-凝固时间-砂型铸造与压铸

7.12-熔融沉积建模

7.13-直接金属激光烧结

8.1-增材制造-简介

8.2-增材制造的重要性

8.3-增材制造业

8.4-增材制造工艺概述

8.5-增材制造工作流程

8.6-挤压FFFFDM

8.7-光聚合

8.8-粉末床融合

8.9-增材制造新兴趋势

8.10-3D打印齿轮360视频

9.1-奶瓶质量检查

9.2-质量和偏差介绍

9.3-正态分布

9.4-偏差叠加和简单配合

9.5-对数正态分布

9.6-工艺灵敏度

9.7-测量原理

9.8-统计过程控制

9.9-统计过程控制

9.10-质量和偏差

9.11-溜溜球组装

10.1-制造系统基础

10.2-制造系统类型

10.3-利特尔定律

10.4-不可靠的机器

10.5-不可靠的机器

10.6-单机器生产线-确定性

10.7-单机器生产线-随机

10.8-多机器生产线

11.1-成本介绍

11.2-成本-制造成本的要素

11.3-成本-固定成本

11.4-成本-可变成本

11.5-示例-制作乐高积木的成本

11.6-限制案例-制造成本和商业模式

11.7-成本-结论

12.1-一切事物的环境分析

12.2-生命周期评估简介

12.3-材料生产

12.4-气候变化从真相到希望简介

12.5-气候变化从真相到希望

12.6-什么是可持续制造

13.1-TSMC的半导体制造业

13.2-拾取和放置印刷电路板组件

13.3-电子学简介

13.4-晶体管

13.5-半导体制造

13.6-半导体加工中的单元操作

13.7-大规模薄膜图案的应用

13.8-微机电系统

13.9-电路板制造和组装

13.10-电子-结论

14.1-Krispy_Kreme

14.2-麻省理工学院技术评论-中国机器人劳动力

14.3-机器人和自动化-简介

14.4-圣佩莱格里诺的新高速线

14.5-机器人和自动化-简介

14.6-为什么要自动化

14.7-关节式机器人

14.8-精确度和校准

14.9-ScaraDelta和龙门机器人

14.10-抓取

14.11-新兴趋势

15.1-2008x总结

15.2-制造业是一个动态的全球生态系统

15.3-制造业的未来是什么

15.4-你在制造业的未来是什么

Lecture 1: 课程导论

Lecture 2: 马尔可夫决策过程（MDP）

Lecture 3: 通过离散化求解连续状态 MDP

Lecture 4: MDP 与函数逼近

Lecture 5: 线性二次型调节器（LQR）

Lecture 6: 无约束（凸）优化

Lecture 7: 约束优化

Lecture 8: 基于优化的控制——配点法、打靶法与模型预测控制（MPC）

Lecture 9: 配点法、打靶法、MPC 与接触不变优化

Lecture 10: 运动规划——PRM、RRT 与轨迹优化