01
机器人系统组成
理解感知、决策、控制、执行和反馈的基本结构。
Final Proof
机器人任务 Demo + 实验记录 + 展示脚本
Path Modules
四个模块，完成一个可证明学习周期
每条路径都按照 ChatBear 的学习闭环组织：先理解问题与能力，再进入模块任务，最后留下能被展示和复盘的项目成果。
02
视觉与传感器实验
完成识别、避障、追踪或分类等感知任务。
03
任务控制逻辑
把模型输出、规则和执行动作组织成可重复流程。
04
项目展示
完成智能分拣、巡线、视觉识别或交互任务展示。
Robotics Lab Protocol
机器人项目必须能解释每一次失败来自哪里
AI + Robotics 的交付重点不是只拍一段成功视频，而是训练学习者用工程方式拆解任务：感知是否准确、决策是否合理、控制是否稳定、失败是否可复现。
Sense
感知输入
记录摄像头、传感器或环境数据如何进入系统，先确认机器人看到的世界是否可靠。
Proof
感知样本集
Decide
决策规则
说明 AI 模型、阈值规则或人工策略如何把输入转成行动判断。
Proof
决策流程图
Control
控制动作
把决策拆成速度、方向、抓取、避障或执行器动作，避免只停留在识别结果。
Proof
控制逻辑表
Run
重复运行
至少连续运行 5 次，记录稳定成功、边界失败和偶发错误。
Proof
运行记录表
Improve
复盘改进
判断错误来自模型、传感器、机械结构、环境光线还是控制参数。
Proof
失败样本分析
失败样本记录表
真实机器人课程最有价值的不是一次成功，而是能把失败样本变成下一版改进证据。
Failure Case
机器人在哪个输入、场地或动作阶段失败？
Likely Cause
更像感知、决策、控制、结构还是环境问题？
Evidence
有什么截图、视频、传感器读数或日志可以证明？
Fix Attempt
本轮改了什么参数、提示词、结构或流程？
Retest Result
复测是否稳定，还是只在单次样本里有效？
Showcase Note
Demo Day 需要如何诚实说明这个限制？
项目任务
搭建一个 AI + 机器人任务 Demo，记录实验过程并形成可讲解的项目故事。
白熊导师追问
机器人现在能感知什么？
错误来自模型、传感器还是控制逻辑？
如何让任务更稳定、可重复？
成果交付物
机器人任务 Demo + 实验记录 + 展示脚本
查看项目作品Delivery Plan
这条路径具体怎么交付
ChatBear 把每条学习路径拆成可执行的周计划、明确交付物和作品集模板，方便个人自学、课堂组织和项目小组推进。
适合对象
有基础项目经验的学生机器人社团/科技营想结合 AI 与硬件的学习者
Week 1
系统拆解
理解机器人感知、决策、控制、执行和反馈链路。
Week 2-3
感知实验
完成视觉识别、传感器读取或环境检测实验。
Week 4-5
控制逻辑
把模型/规则输出转成稳定动作，记录失败样本。
Week 6-7
任务整合
完成智能分拣、巡线或交互任务的稳定演示。
Week 8
展示与答辩
整理实验记录、Demo 脚本和问题复盘。
Deliverables
完成后应留下这些交付物
01系统结构图
02感知实验记录
03控制逻辑说明
04机器人任务 Demo
05展示脚本
Portfolio Template
作品集页面可以这样写
Section 1
机器人要完成什么任务
Section 2
它如何感知环境
Section 3
控制逻辑如何设计
Section 4
失败样本如何改进
Assessment Rubric
用明确标准判断学习是否真的完成
每条路径都需要可检查的标准件：作业样例、验收 Rubric 和证据包。这样学习者、家长、老师和展示评审看到的是同一套成果语言。
Assignment Sample
作业样例：稳定完成一次机器人任务
围绕分拣、巡线、识别或避障任务，记录感知输入、控制逻辑、失败样本和最终演示过程。
Rubric 01
系统拆解
能说明感知、决策、控制、执行和反馈链路。
Rubric 02
实验记录
有清楚的传感器/视觉实验过程和失败样本。
Rubric 03
任务稳定
机器人任务能重复运行，并解释主要不稳定来源。
Rubric 04
展示表达
能用演示脚本讲清楚技术选择和改进方向。
Evidence Pack
系统结构图
实验数据/照片
失败样本表
任务演示视频
展示答辩脚本
Start This Path
从一次路径诊断开始
先确认学习目标、基础和项目方向，再进入课程模块、导师反馈和作品集交付。