这一章并不是为了让你“立刻跑一个模型”，而是为具身智能系统提供稳定性、可解释性与工程底座。控制论保证系统在高频下不崩溃，机器人学提供几何与动力学约束，SLAM 与状态估计让机器人“知道自己在哪里”，ROS 与工程库则把理论变成可复现的系统。
这一章覆盖的是具身智能中最底层、也最容易被跳过的能力层。
控制与机器人学本身并不会直接提高 benchmark 分数，但它们决定了系统是否稳定、可解释、可调试、可部署。如果说算法篇解决的是“我想让机器人做什么”，那么这一章回答的是：机器人凭什么能连续、安全、可控地做到。
推荐把学习路线收敛到两门课程即可，其它材料作为补充参考：
- Modern Robotics（Northwestern）：link
系统覆盖坐标系、自由度、FK/IK、旋量与运动学，是机器人学入门的首选。 - Advanced Robotics（Berkeley, Abbeel）：link
从控制、规划到 RL / IL / Sim2Real，强调真实系统与决策问题。
推荐顺序：Modern Robotics → Advanced Robotics
前者解决“机器人是什么”，后者解决“机器人如何在真实世界中做决策”。
控制论的目标不是“聪明”，而是稳定、可预测与可调试。
在具身系统中，学习策略通常建立在控制系统之上：控制负责高频稳定，学习负责复杂决策。
这一部分帮助你建立对“反馈系统”的直觉：系统建模、反馈回路、时域与频域分析、传递函数，以及前馈与反馈的区别。
PID 控制是必须掌握的最低配工具：
原理直觉：link，视频讲解：link。
在真实机器人调试中，PID 往往是你第一个、也是最常用的工具。
现代控制将问题表述为优化问题，关注系统的整体行为而非单一参数调节。核心包括状态空间模型、状态反馈以及最优控制（如 LQR）。
推荐材料包括：
Modern Control Systems（Bishop & Dorf）：link，
LQR 直观讲解：link，
以及 CMU 16-745 Optimal Control（非常推荐）：
Website：link，YouTube：link，Bilibili：link。
在操作与交互任务中，以下方法尤为关键：鲁棒控制（应对模型不准）、阻抗/导纳/力位混合控制（link）、模型预测控制（MPC）以及基于学习的控制方法。
在真实系统中，力控 + MPC + 学习策略 是非常常见且实用的组合。
机器人学解决的是“几何 + 物理 + 结构”问题，是控制与感知能够落地的前提。
核心课程与教材包括：
现代机器人学课程：link，
以及《现代机器人学：机构、规划与控制》（Kevin Lynch）、《机构学与机器人学的几何基础与旋量代数》（戴建生）、《机器人学的现代数学理论基础》（丁希仑）。
运动学关注“能不能到达”，动力学关注“能不能稳住、能不能用力”。
快速建立直觉可参考：
IK/FK 直觉视频：link，原理概览：link。
系统学习可参考：
IK 视频：link、link，
FK 视频：link、link，
IK 理论参考：link。
动力学中尤其重要的是斜对称矩阵、Twist、Exponential of Twist 与旋量代数——操作机器人、力控、MPC 与 whole-body control 都离不开这些概念。
状态估计决定了机器人是否“知道自己在哪里”。
常见方法基于 EKF 或优化，融合 IMU、相机、雷达、轮速计等传感器，形成 VIO / LIO / LIVO 等体系。
代表系统包括：
VINS-Mono：link，ORB-SLAM3：link，VINS-Fusion：link，LOAM：link，FAST-LIO：link，FAST-LIVO：link。
SLAM 进一步将定位与建图结合，推荐参考：
SLAM Handbook：link，经典综述：link，《视觉 SLAM 十四讲》：link，以及端到端方法 DROID-SLAM：link。
ROS 是把理论变成系统的关键纽带：
ROS1 入门：link，ROS2 入门：link，ROS2 Humble 3h 教程：link，Open Robotics 官网：link。
常用机器人库包括：
cuRobo（CUDA 加速 IK / 碰撞 / 规划）：link，
IKFast：link，
mplib：link。