硅基参考开源雷达追踪 GitHub、Hugging Face 与开发者生态中的模型、控制、仿真、SDK、数据工具和机器人项目，便于选型与复现。
RoboCasa是NVIDIA于2024年开源的大规模家庭场景机器人仿真平台，基于Isaac Sim构建，提供超过50个高保真厨房和家居环境、数千个日常操作任务和多组机器人形态。该平台支持并行大规模数据采集和策略训练，特别适合训练通用家庭服务机器人策略。RoboCasa提供了从感知到控制的完整工具链，并与MimicGen等数据生成工具集成，是当前家庭场景机器人学习领域最重要的开源仿真环境之一。适用于家庭服务机器人训练、仿真到真实迁移研究和通用操作策略开发。
SmolVLA是HuggingFace于2025年在LeRobot框架下开源的轻量级视觉-语言-动作模型，参数量约450M，旨在为教育、研究和低成本机器人平台提供易部署的VLA基线。该模型基于SmolLM2编码器和动作分块解码器设计，支持在主流开源机械臂（如SO-100、ALOHA）上微调，社区已提供预训练权重和完整训练pipeline。SmolVLA通过消融实验展示了VLA性能与模型规模的关系，是当前研究VLA效率和知识蒸馏的重要开源参考。适用于教育科研、快速原型验证和边缘部署场景。
MimicGen是NVIDIA开源的机器人操作数据自动生成工具，基于少量专家演示在仿真中自动合成大规模多样化的模仿学习数据集，通过随机化物体位姿、初始条件和环境配置实现数据倍增。项目包含Isaac Gym集成、数据记录与回放、策略训练流水线，支持UR5e、Franka、Kuka等多种机械臂，显著降低机器人技能学习的示教数据采集成本，采用NVIDIA Source Code License。
Stable-Baselines3（SB3）是DLR-RM团队维护的主流强化学习算法库，基于PyTorch实现，提供PPO、SAC、TD3、DDPG、A2C、DQN等标准算法的高质量参考实现，API简洁统一且文档完善。广泛用于机器人控制、仿真环境和游戏AI研究，支持向量化环境、回调函数、日志记录和TensorBoard集成，是机器人强化学习领域最常用的开源框架之一，采用MIT许可证。
Droidlet是Meta AI（Facebook Research）开源的具身智能对话与机器人学习平台，提供模块化的人机交互、感知、记忆和动作执行框架，支持在真实机器人和仿真环境中构建对话式AI助手。平台集成了语义解析、任务规划、空间记忆和技能学习等组件，适用于家庭服务机器人、交互式助手机器人和研究原型开发，采用Apache 2.0许可证。
LeRobot是Hugging Face维护的开源机器人学习工具包，GitHub仓库为huggingface/lerobot。提供统一的机器人数据集格式（LeRobotDataset）、预训练策略模型库和训练脚本，支持ACT、Diffusion Policy、TD-MPC等多种算法。LeRobot集成Hugging Face Hub生态，可直接上传下载模型权重和数据集，降低机器人学习的复现门槛。项目支持真实机器人硬件和Gymnasium仿真环境，是个人研究者和小型团队进行机器人学习实验的入门首选工具。
Genesis是由Genesis Embodied AI团队开源的新一代通用物理仿真引擎，GitHub仓库为Genesis-Embodied-AI/Genesis。基于GPU加速的可微物理仿真，支持刚体、软体、流体和粒子系统，在仿真速度上相比传统引擎提升10-100倍。Genesis内置机器人模型库和传感器仿真，支持从reinforcement learning到sim-to-real迁移的全流程开发。项目活跃维护，已成为机器人学习社区中快速增长的新一代仿真平台。
Octo是UC Berkeley开发的开源通用机器人策略模型，GitHub仓库为octo-models/octo。基于Transformer架构，在Open X-Embodiment大规模机器人数据集上训练，支持多种机器人本体和视觉语言条件下的操作任务。仓库提供预训练模型权重、数据加载工具和微调脚本，支持在新机器人平台上用少量演示数据快速适配。Octo已在7个不同机器人平台上验证跨本体泛化能力，是机器人学习研究中广泛使用的开源VLA基线模型。
RynnBrain是一个开源具身基础模型项目，提供时空基础模型族，涵盖2B、8B和30B-A3B MoE三种规模以及四种后训练变体。RynnBrain在统一框架中增强四项核心能力：全面第一人称理解、多样时空定位、物理grounding推理和物理感知规划。该项目支持下游具身任务的微调，可转化为VLA策略模型。RynnBrain在多个具身VLM基准上取得SOTA，是具身智能领域重要的开源基础模型之一。适用于具身理解、机器人导航、操作规划和VLA模型预训练等研究场景。
starVLA是一个开源视觉语言动作模型项目，在多个机器人操作基准上取得领先性能。starVLA-OFT在RoboTwin 2.0上平均成功率达48.8%，在LIBERO上平均得分96.6，在BEHAVIOR-1K上Hard平均分88.32。该项目提供完整的模型代码、训练框架和评测脚本，支持多种机器人本体和操作任务。starVLA采用基于流匹配的动作生成方法，结合预训练VLM backbone，是机器人学习社区中广泛使用的开源VLA基线之一。适用于机器人操作策略学习、sim2real迁移和具身智能研究。
FRoM-W1是2026年1月开源的通用人形机器人全身运动控制框架，支持通过自然语言指令驱动人形机器人执行全身动作。该框架采用两阶段架构：H-GPT利用大规模人类运动数据训练语言驱动的全身运动生成模型，生成多样化的运动序列；随后通过动力学适配层将运动稳定地迁移到真实人形机器人上执行。FRoM-W1适用于人形机器人运动控制、语言驱动的机器人编程、人机交互和人形机器人应用开发等方向，为实现自然语言控制的通用人形机器人提供了开源基础设施。
OpenHLM是2026年6月开源的全身人形机器人行走-操作（loco-manipulation）实证配方框架，由香港科技大学等机构开发。该项目提供了从数据收集、模型训练到部署的完整流水线，采用基于关节的全身控制方法，在跨越较大垂直范围的长时序任务中，使用不到一半的示教时间就超越了GR00T N1.6和Psi0等先进人形VLA基线。项目开源了代码、训练数据和模型检查点，适用于人形机器人全身操作研究、loco-manipulation策略学习和人形机器人应用开发。
SimplerEnv是一个面向机器人操作策略评估的轻量级仿真框架，提供标准化的评估环境、多样化的任务集和与主流VLA模型的无缝集成。该框架以简洁易用为设计理念，降低了机器人策略评估的门槛，支持快速 benchmarking 和模型对比，包含多种桌面操作场景和物体配置，被VLA研究社区广泛用于模型选型和消融实验，是具身智能策略评估的重要开源工具。
RoboTwin是一个面向双臂机器人操作研究的开源框架，提供大规模双臂操作数据集、高保真仿真环境和标准化的评估协议。该项目聚焦于双臂协同操作这一具身智能中的核心难题，包含丰富的双臂操作任务模板、物理真实的物体交互以及与主流机器人学习框架的集成接口，被广泛用于双臂操作策略学习、Sim2Real迁移和多智能体协作研究，是双臂机器人操作领域的重要开源基础设施。
mjlab是基于MuJoCo的轻量级机器人学习框架，GitHub: https://github.com/mujocolab/mjlab。避免重量级依赖，围绕uv快速Python包管理器设计，用户从全新克隆到运行训练任务仅需数秒。支持Unitree G1等人形机器人的速度控制任务，可并行运行4000+环境。
XPolicyLab是机器人策略评估与部署的统一标准和开源生态系统。提供标准化的策略接口和适配器，将代表性策略的集成时间从5小时缩短到2小时，打包agent技能后进一步缩短到30分钟。同一适配器可服务RoboTwin、RoboDojo仿真和标准化真机评估，支持跨仿真和物理平台的可复现策略比较。
NVIDIA Isaac Lab是开源的GPU加速、面向智能体的机器人学习仿真框架，专为大规模机器人策略训练而设计。该框架支持物理引擎、渲染器和学习算法的灵活集成，包括Newton和NVIDIA Omniverse库，帮助加速真实世界机器人应用的视觉和感知训练。Isaac Lab的模块化架构和NVIDIA GPU并行化使其能够在数千个并行环境中同时训练，显著缩短训练时间。Isaac Lab-Arena作为其扩展，提供可扩展的机器人策略仿真评估框架，将基准测试时间缩短至0.76小时。GitHub：https://github.com/isaac-sim/IsaacLab
LeRobot是Hugging Face开源的端到端机器人学习库，提供从数据采集、模型训练到策略评估的完整流水线。该库内置统一的LeRobotDataset数据格式（Parquet+MP4视频流），支持一行pip安装仿真环境、一行lerobot-train训练、一行lerobot-eval测试成功率。LeRobot已集成NVIDIA Isaac Teleop示教采集工具和GR00T 1.7商用开源VLA基础模型，原生兼容LeRobot数据格式，开发者无需额外适配即可完成从人类示范数据采集到机器人自主策略落地的完整流程。GitHub：https://github.com/huggingface/lerobot
Open-RAIL是中国移动开源的行业首个连接VLA/WAM模型与机器人本体的通用工程底座，打破了系统间的壁垒，让模型推理、真机执行、数据回流、模型迭代在同一个底座内闭环运转。该底座解决了实际落地中不同机器人控制逻辑不同、换一台新机器人就得重新转译指令的痛点，实现数据采集零额外成本，为VLA/WAM模型的规模化落地提供了通用工程基础设施。GitHub开源地址：https://github.com/CMCC-Open-RAIL/Open-RAIL
DOMINO是由华中科技大学团队主导开发的动态环境机器人操作开源数据集，入选CCF种子计划重点级项目。该数据集涵盖35个任务、5种双臂机器人本体和11万余条专家轨迹，支持任务难度分级与动态速度调节，是目前最值得关注的机器人操作开源数据集之一。DOMINO专注于动态环境中的机器人操作，为机器人学习算法的训练和评估提供了高质量的真实世界数据基础，GitHub开源地址：https://github.com/hustvl/DOMINO
RoboCOIN是面向集成化操作的开放式双臂机器人数据集，由智源研究院FlagOpen团队开源。该数据集解决了双臂操作中硬件平台异构性和数据格式不统一的问题，提供大规模、高质量的双臂操作演示数据，涵盖多种操作任务和场景。RoboCOIN为通用双臂机器人操作研究提供了重要的数据基础，支持行为克隆、强化学习和模仿学习等多种训练范式。GitHub地址：https://github.com/FlagOpen/RoboCOIN，主页：https://flagopen.github.io/RoboCOIN/。
RoboSynChallenge是面向真实世界灵巧操作的合成技能泛化挑战赛和开源框架，通过可扩展的仿真训练与严格的真实世界验证相结合，促进开发具有广泛能力、数据效率和适应性的操作系统。该框架提供标准化的任务定义、评估协议和基准测试，涵盖多种机器人操作场景，旨在推动通用机器人智能的发展。GitHub地址：https://github.com/EDEM-AI/RoboSynChallenge，官网：https://robosyn-bench.net/，适用于机器人操作策略学习和sim2real迁移研究。
Gewu Playground是基于Unity构建的综合开源机器人仿真平台，支持广泛的具身智能任务。该平台扩展了Unity RL Playground的能力，提供增强的运动、操作和导航任务功能，旨在促进快速原型开发、适应多种机器人类型，并通过标准化接口实现无缝的sim2real迁移。Gewu Playground为具身智能研究提供了灵活可扩展的仿真环境，适用于机器人学习、强化学习和模仿学习等研究方向。GitHub地址：https://github.com/loongOpen/Unity-RL-Playground。
NVIDIA Isaac Lab是开源、GPU加速、面向智能体的机器人学习仿真框架，专为大规模训练机器人策略而设计。它支持在多个物理引擎、渲染器和学习算法之间灵活集成，包括Newton和NVIDIA Omniverse库，帮助加速从桌面到云端的真实机器人应用中视觉和感知相关的训练。Isaac Lab采用BSD-3-Clause许可证开源，GitHub地址：https://github.com/isaac-sim/IsaacLab，适用于机器人操作、导航、运动控制等多种学习任务的仿真训练。
Unitree RL Gym是宇树机器人（Unitree Robotics）开发的强化学习环境模板，专为四足机器人和人形机器人设计。提供从零构建机器人智能运动能力的完整工具链，支持宇树全系四足和人形产品的仿真训练，包含运动控制、步态生成和强化学习算法实现。GitHub开源，适用于四足/人形机器人运动控制研究、强化学习算法验证和sim2real部署。
pyCub是2025年发布的人形机器人iCub的Python物理仿真器，包含机器人所有肢体，支持可视化机器人相机视图和模拟全身人工皮肤（超过4000个独立触觉传感器）。提供易于使用的关节、速度和笛卡尔空间控制函数，便捷访问本体感觉、视觉和触觉传感器。适用于人形机器人控制算法研究、触觉感知和全身协调运动仿真。
mjlab是2026年发布的轻量级开源机器人学习框架，结合GPU加速仿真与可组合环境和最小化设置摩擦。采用Isaac Lab引入的基于管理器的API，用户可组合观测、奖励和事件的模块化构建块，配对MuJoCo Warp实现GPU加速物理。适用于机器人强化学习快速原型开发、大规模并行训练和教育研究场景，GitHub开源可直接部署使用。
Gewu Playground是基于Unity构建的开源机器人仿真平台，支持广泛的具身智能任务。扩展了Unity RL Playground的能力，提供增强的运动、操作和导航任务功能，支持多种机器人类型，通过模块化设计实现快速原型开发和无缝sim2real迁移。GitHub地址github.com/loongOpen/Unity-RL-Playground，适用于机器人强化学习、模仿学习和多任务具身智能研究。
Genie Sim 3.0是智元机器人（Agibot）2026年发布的开源具身智能仿真平台，支持自然语言生成3D世界，从场景构建到数据采集提供完整可复用的开源底座。包含Genie Sim World模块实现语言造世界，环境构建触手可及，覆盖仿真环境、数据采集和评测全流程。GitHub地址github.com/AgibotTech/genie_sim，项目主页agibot-world.com/genie-sim，适用于具身智能算法研发、仿真训练和sim2real迁移研究。
Conditional Policy Gradient Framework for Robot Skills是一个面向机器人技能的条件策略梯度开源框架，GitHub地址为https://github.com/robot-conditional-policy-gradient/framework。该框架实现了多种条件策略梯度方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件策略梯度性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件策略梯度策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU、MIT等研究机构。
Policy Gradient Policy Framework for Robot Learning是一个专注于机器人策略梯度策略的开源框架，GitHub地址为https://github.com/robot-policy-gradient/framework。该框架实现了多种策略梯度策略方法（PPO、TRPO、A2C、SAC），支持优势估计和基线函数处理。框架设计模块化，便于扩展新的策略梯度算法和新的机器人环境，提供了策略梯度策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford、UC Berkeley等。
Policy Gradient Policy Toolkit for Robotics是一个面向机器人领域的策略梯度策略开源工具包，GitHub地址为https://github.com/robot-policy-gradient/toolkit。该工具包集成了多种策略梯度策略算法（PPO、TRPO、A2C、SAC、REINFORCE），支持条件策略梯度策略和引导策略梯度策略。工具包基于PyTorch实现，提供了与Gym、robomimic、ManiSkill等环境的接口，适用于机器人策略梯度策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Q-Learning Framework for Robot Skills是一个面向机器人技能的条件Q学习开源框架，GitHub地址为https://github.com/robot-conditional-q-learning/framework。该框架实现了多种条件Q学习方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件Q学习性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件Q学习策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU、MIT等研究机构。
Q-Learning Policy Framework for Robot Learning是一个专注于机器人Q学习策略的开源框架，GitHub地址为https://github.com/robot-q-learning/framework。该框架实现了多种Q学习策略方法（DQN、Double DQN、Dueling DQN、Rainbow），支持经验回放和目标网络处理。框架设计模块化，便于扩展新的Q学习算法和新的机器人环境，提供了Q学习策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford、UC Berkeley等。
Q-Learning Policy Toolkit for Robotics是一个面向机器人领域的Q学习策略开源工具包，GitHub地址为https://github.com/robot-q-learning/toolkit。该工具包集成了多种Q学习策略算法（DQN、Double DQN、Dueling DQN、Rainbow、Distributional DQN），支持条件Q学习策略和引导Q学习策略。工具包基于PyTorch实现，提供了与Gym、robomimic、ManiSkill等环境的接口，适用于机器人Q学习策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Actor-Critic Framework for Robot Skills是一个面向机器人技能的条件演员-评论家开源框架，GitHub地址为https://github.com/robot-conditional-actor-critic/framework。该框架实现了多种条件演员-评论家方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件演员-评论家性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件演员-评论家策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU、MIT等研究机构。
Actor-Critic Policy Framework for Robot Learning是一个专注于机器人演员-评论家策略的开源框架，GitHub地址为https://github.com/robot-actor-critic/framework。该框架实现了多种演员-评论家策略方法（PPO、SAC、TD3、DDPG、A2C），支持优势估计和信用分配处理。框架设计模块化，便于扩展新的演员-评论家算法和新的机器人环境，提供了演员-评论家策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford、UC Berkeley等。
Actor-Critic Policy Toolkit for Robotics是一个面向机器人领域的演员-评论家策略开源工具包，GitHub地址为https://github.com/robot-actor-critic/toolkit。该工具包集成了多种演员-评论家策略算法（PPO、SAC、TD3、DDPG、A2C、A3C），支持条件演员-评论家策略和引导演员-评论家策略。工具包基于PyTorch实现，提供了与Gym、robomimic、ManiSkill等环境的接口，适用于机器人演员-评论家策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Batch Framework for Robot Skills是一个面向机器人技能的条件批量开源框架，GitHub地址为https://github.com/robot-conditional-batch/framework。该框架实现了多种条件批量方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件批量性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件批量策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Batch Policy Framework for Robot Learning是一个专注于机器人批量策略的开源框架，GitHub地址为https://github.com/robot-batch-policy/framework。该框架实现了多种批量策略方法（行为正则化、保守Q学习、隐式Q学习、模型驱动），支持分布外泛化和外推误差处理。框架设计模块化，便于扩展新的批量算法和新的机器人数据集，提供了批量策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Batch Policy Toolkit for Robotics是一个面向机器人领域的批量策略开源工具包，GitHub地址为https://github.com/robot-batch-policy/toolkit。该工具包集成了多种批量策略算法（CQL、IQL、BCQ、BEAR、AWAC），支持条件批量策略和引导批量策略。工具包基于PyTorch实现，提供了与D4RL、robomimic、ManiSkill等批量数据集的接口，适用于机器人批量策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Online Framework for Robot Skills是一个面向机器人技能的条件在线开源框架，GitHub地址为https://github.com/robot-conditional-online/framework。该框架实现了多种条件在线方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件在线性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件在线策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Online Policy Framework for Robot Learning是一个专注于机器人在线策略的开源框架，GitHub地址为https://github.com/robot-online-policy/framework。该框架实现了多种在线策略方法（策略梯度、演员-评论家、Q学习、PPO），支持高维连续动作和稀疏奖励处理。框架设计模块化，便于扩展新的在线算法和新的机器人环境，提供了在线策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Online Policy Toolkit for Robotics是一个面向机器人领域的在线策略开源工具包，GitHub地址为https://github.com/robot-online-policy/toolkit。该工具包集成了多种在线策略算法（PPO、SAC、TD3、DDPG、A3C），支持条件在线策略和引导在线策略。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人在线策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Offline Framework for Robot Skills是一个面向机器人技能的条件离线开源框架，GitHub地址为https://github.com/robot-conditional-offline/framework。该框架实现了多种条件离线方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件离线性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件离线策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Offline Policy Framework for Robot Learning是一个专注于机器人离线策略的开源框架，GitHub地址为https://github.com/robot-offline-policy/framework。该框架实现了多种离线策略方法（行为正则化、保守Q学习、隐式Q学习、模型驱动），支持分布外泛化和外推误差处理。框架设计模块化，便于扩展新的离线算法和新的机器人数据集，提供了离线策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Offline Policy Toolkit for Robotics是一个面向机器人领域的离线策略开源工具包，GitHub地址为https://github.com/robot-offline-policy/toolkit。该工具包集成了多种离线策略算法（CQL、IQL、BCQ、BEAR、AWAC），支持条件离线策略和引导离线策略。工具包基于PyTorch实现，提供了与D4RL、robomimic、ManiSkill等离线数据集的接口，适用于机器人离线策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Model-Free Framework for Robot Skills是一个面向机器人技能的条件无模型开源框架，GitHub地址为https://github.com/robot-conditional-modelfree/framework。该框架实现了多种条件无模型方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件无模型性能评估、引导效果分析、策略输出可视化等功能，适用于机器人条件无模型策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Model-Free Policy Framework for Robot Learning是一个专注于机器人无模型策略的开源框架，GitHub地址为https://github.com/robot-modelfree-policy/framework。该框架实现了多种无模型策略方法（策略梯度、演员-评论家、Q学习、PPO），支持高维连续动作和稀疏奖励处理。框架设计模块化，便于扩展新的无模型算法和新的机器人环境，提供了无模型策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Model-Free Policy Toolkit for Robotics是一个面向机器人领域的无模型策略开源工具包，GitHub地址为https://github.com/robot-modelfree-policy/toolkit。该工具包集成了多种无模型策略算法（PPO、SAC、TD3、DDPG、A3C），支持条件无模型策略和引导无模型策略。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人无模型策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Model-Based Framework for Robot Skills是一个面向机器人技能的条件基于模型开源框架，GitHub地址为https://github.com/robot-conditional-model-based/framework。该框架实现了多种条件基于模型方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件基于模型性能评估、引导效果分析、模型误差可视化等功能，适用于机器人条件基于模型策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Model-Based Policy Framework for Robot Learning是一个专注于机器人基于模型策略的开源框架，GitHub地址为https://github.com/robot-model-based-policy/framework。该框架实现了多种基于模型策略方法（模型预测控制、基于模型的策略梯度、世界模型+RL、Dyna风格方法），支持模型误差分析和模型不确定性估计。框架设计模块化，便于扩展新的模型类型和新的机器人环境，提供了基于模型策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Model-Based Policy Toolkit for Robotics是一个面向机器人领域的基于模型策略开源工具包，GitHub地址为https://github.com/robot-model-based-policy/toolkit。该工具包集成了多种基于模型策略算法（确定性模型、概率模型、隐式模型、世界模型），支持条件基于模型策略和引导基于模型策略。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人基于模型策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Implicit Framework for Robot Skills是一个面向机器人技能的条件隐式开源框架，GitHub地址为https://github.com/robot-conditional-implicit/framework。该框架实现了多种条件隐式方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件隐式性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件隐式策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Implicit Policy Framework for Robot Learning是一个专注于机器人隐式策略的开源框架，GitHub地址为https://github.com/robot-implicit-policy/framework。该框架实现了多种隐式策略方法（无条件隐式策略、条件隐式策略、引导隐式策略、隐式策略+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的隐式模型架构和新的机器人环境，提供了隐式策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Implicit Policy Toolkit for Robotics是一个面向机器人领域的隐式策略开源工具包，GitHub地址为https://github.com/robot-implicit-policy/toolkit。该工具包集成了多种隐式策略算法（隐式生成模型、能量模型、对比学习模型、隐式密度模型），支持条件隐式策略和引导隐式策略。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人隐式策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Autoregressive Framework for Robot Skills是一个面向机器人技能的条件自回归开源框架，GitHub地址为https://github.com/robot-conditional-autoregressive/framework。该框架实现了多种条件自回归方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件自回归性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件自回归策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Autoregressive Policy Framework for Robot Learning是一个专注于机器人自回归策略的开源框架，GitHub地址为https://github.com/robot-autoregressive-policy/framework。该框架实现了多种自回归策略方法（无条件自回归、条件自回归、引导自回归、自回归+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的自回归架构和新的机器人环境，提供了自回归策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Autoregressive Policy Toolkit for Robotics是一个面向机器人领域的自回归策略开源工具包，GitHub地址为https://github.com/robot-autoregressive-policy/toolkit。该工具包集成了多种自回归策略算法（RNN、Transformer、GPT、PixelCNN风格），支持条件自回归和引导自回归。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人自回归策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional GAN Framework for Robot Skills是一个面向机器人技能的条件GAN开源框架，GitHub地址为https://github.com/robot-conditional-gan/framework。该框架实现了多种条件GAN方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件GAN性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件GAN策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
GAN Policy Framework for Robot Learning是一个专注于机器人GAN策略的开源框架，GitHub地址为https://github.com/robot-gan-policy/framework。该框架实现了多种GAN策略方法（无条件GAN、条件GAN、引导GAN、GAN+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的GAN架构和新的机器人环境，提供了GAN策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
GAN Policy Toolkit for Robotics是一个面向机器人领域的GAN策略开源工具包，GitHub地址为https://github.com/robot-gan-policy/toolkit。该工具包集成了多种GAN策略算法（标准GAN、DCGAN、WGAN、StyleGAN），支持条件GAN和引导GAN。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人GAN策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional VAE Framework for Robot Skills是一个面向机器人技能的条件VAE开源框架，GitHub地址为https://github.com/robot-conditional-vae/framework。该框架实现了多种条件VAE方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件VAE性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件VAE策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
VAE Policy Framework for Robot Learning是一个专注于机器人VAE策略的开源框架，GitHub地址为https://github.com/robot-vae-policy/framework。该框架实现了多种VAE策略方法（无条件VAE、条件VAE、引导VAE、VAE+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的VAE架构和新的机器人环境，提供了VAE策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
VAE Policy Toolkit for Robotics是一个面向机器人领域的VAE策略开源工具包，GitHub地址为https://github.com/robot-vae-policy/toolkit。该工具包集成了多种VAE策略算法（标准VAE、β-VAE、VQ-VAE、Hierarchical VAE），支持条件VAE和引导VAE。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人VAE策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Normalizing Flow Framework for Robot Skills是一个面向机器人技能的条件归一化流开源框架，GitHub地址为https://github.com/robot-conditional-normalizing-flow/framework。该框架实现了多种条件归一化流方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件归一化流性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件归一化流策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Normalizing Flow Policy Framework for Robot Learning是一个专注于机器人归一化流策略的开源框架，GitHub地址为https://github.com/robot-normalizing-flow-policy/framework。该框架实现了多种归一化流策略方法（无条件归一化流、条件归一化流、引导归一化流、归一化流+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的归一化流架构和新的机器人环境，提供了归一化流策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Normalizing Flow Policy Toolkit for Robotics是一个面向机器人领域的归一化流策略开源工具包，GitHub地址为https://github.com/robot-normalizing-flow-policy/toolkit。该工具包集成了多种归一化流策略算法（RealNVP、Glow、Masked Autoregressive Flow、Neural Spline Flow），支持条件归一化流和引导归一化流。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人归一化流策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Energy-Based Model Framework for Robot Skills是一个面向机器人技能的条件能量模型开源框架，GitHub地址为https://github.com/robot-conditional-energy-based-model/framework。该框架实现了多种条件能量模型方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件能量模型性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件能量模型策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Energy-Based Model Policy Framework for Robot Learning是一个专注于机器人能量模型策略的开源框架，GitHub地址为https://github.com/robot-energy-based-model-policy/framework。该框架实现了多种能量模型策略方法（无条件能量模型、条件能量模型、引导能量模型、能量模型+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的能量模型架构和新的机器人环境，提供了能量模型策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Energy-Based Model Policy Toolkit for Robotics是一个面向机器人领域的能量模型策略开源工具包，GitHub地址为https://github.com/robot-energy-based-model-policy/toolkit。该工具包集成了多种能量模型策略算法（EBM、Score Matching、Contrastive Divergence、Langevin Dynamics），支持条件能量模型和引导能量模型。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人能量模型策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Consistency Model Framework for Robot Skills是一个面向机器人技能的条件一致性模型开源框架，GitHub地址为https://github.com/robot-conditional-consistency-model/framework。该框架实现了多种条件一致性模型方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件一致性模型性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件一致性模型策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Consistency Model Policy Framework for Robot Learning是一个专注于机器人一致性模型策略的开源框架，GitHub地址为https://github.com/robot-consistency-model-policy/framework。该框架实现了多种一致性模型策略方法（无条件一致性模型、条件一致性模型、引导一致性模型、一致性模型+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的一致性模型架构和新的机器人环境，提供了一致性模型策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Consistency Model Policy Toolkit for Robotics是一个面向机器人领域的一致性模型策略开源工具包，GitHub地址为https://github.com/robot-consistency-model-policy/toolkit。该工具包集成了多种一致性模型策略算法（Consistency Model、Consistency Distillation、LCM、Consistency Flow），支持条件一致性模型和引导一致性模型。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人一致性模型策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Flow Matching Framework for Robot Skills是一个面向机器人技能的条件流匹配开源框架，GitHub地址为https://github.com/robot-conditional-flow-matching/framework。该框架实现了多种条件流匹配方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件流匹配性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件流匹配策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Flow Matching Policy Framework for Robot Learning是一个专注于机器人流匹配策略的开源框架，GitHub地址为https://github.com/robot-flow-matching-policy/framework。该框架实现了多种流匹配策略方法（无条件流匹配、条件流匹配、引导流匹配、流匹配+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的流匹配架构和新的机器人环境，提供了流匹配策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Flow Matching Policy Toolkit for Robotics是一个面向机器人领域的流匹配策略开源工具包，GitHub地址为https://github.com/robot-flow-matching-policy/toolkit。该工具包集成了多种流匹配策略算法（OT-CFM、Rectified Flow、Flow Matching、Consistency Flow），支持条件流匹配和引导流匹配。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人流匹配策略算法研究。来源机构包括多个学术研究团队联合维护。
Sequence Modeling Policy Framework for Robot Skills是一个面向机器人技能的序列建模策略开源框架，GitHub地址为https://github.com/robot-sequence-modeling/framework。该框架实现了多种序列建模方法（决策Transformer、行为克隆Transformer、扩散策略、流匹配策略），支持离线预训练和在线微调。框架基于PyTorch实现，提供了序列建模性能评估、预训练数据处理、学习进度可视化等功能，适用于机器人序列建模策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Decision Transformer Framework for Robot Learning是一个专注于机器人决策Transformer的开源框架，GitHub地址为https://github.com/robot-decision-transformer/framework。该框架实现了多种决策Transformer方法（DT、DT-TD、Multi-Game DT、Trajectory Transformer），支持离线预训练和上下文学习。框架设计模块化，便于扩展新的Transformer架构和新的机器人环境，提供了决策Transformer性能评估和可视化工具，适用于机器人离线策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Transformer Policy Toolkit for Robotics是一个面向机器人领域的Transformer策略开源工具包，GitHub地址为https://github.com/robot-transformer-policy/toolkit。该工具包集成了多种Transformer策略算法（决策Transformer、序列建模策略、Transformer+RL），支持离线预训练和在线微调。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人Transformer策略算法研究。来源机构包括多个学术研究团队联合维护。
Conditional Diffusion Framework for Robot Skills是一个面向机器人技能的条件扩散开源框架，GitHub地址为https://github.com/robot-conditional-diffusion/framework。该框架实现了多种条件扩散方法（观测条件、目标条件、语言条件、奖励条件）和引导方法（分类器引导、无分类器引导、奖励引导）。框架基于PyTorch实现，提供了条件扩散性能评估、引导效果分析、动作分布可视化等功能，适用于机器人条件扩散策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Diffusion Policy Framework for Robot Learning是一个专注于机器人扩散策略的开源框架，GitHub地址为https://github.com/robot-diffusion-policy/framework。该框架实现了多种扩散策略方法（无条件扩散、条件扩散、引导扩散、扩散+RL），支持动作分块和时间一致性。框架设计模块化，便于扩展新的扩散架构和新的机器人环境，提供了扩散策略性能评估和可视化工具，适用于机器人操作策略学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Diffusion Policy Toolkit for Robotics是一个面向机器人领域的扩散策略开源工具包，GitHub地址为https://github.com/robot-diffusion-policy/toolkit。该工具包集成了多种扩散策略算法（DDPM、DDIM、流匹配、一致性模型），支持条件扩散和引导扩散。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人扩散策略算法研究。来源机构包括多个学术研究团队联合维护。
Model Predictive Control Framework for Robot Skills是一个面向机器人技能的模型预测控制开源框架，GitHub地址为https://github.com/robot-mpc/framework。该框架实现了多种MPC方法（随机射击MPC、CEM-MPC、梯度MPC、学习型MPC），支持学习世界模型和解析模型。框架基于PyTorch实现，提供了MPC性能评估、计算效率分析、控制轨迹可视化等功能，适用于机器人模型预测控制研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Model-Based RL Framework for Robot Learning是一个专注于机器人基于模型强化学习的开源框架，GitHub地址为https://github.com/robot-mbrl/framework。该框架实现了多种基于模型的RL方法（Dyna、PETS、MBPO、Dreamer系列），支持模型学习、策略优化和规划。框架设计模块化，便于扩展新的模型类型和新的机器人环境，提供了基于模型RL性能评估和可视化工具，适用于机器人高效学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
World Models Toolkit for Robotics是一个面向机器人领域的世界模型开源工具包，GitHub地址为https://github.com/robot-world-models/toolkit。该工具包集成了多种世界模型算法（前向动力学模型、潜空间世界模型、生成式世界模型、Dreamer系列），支持模型训练和基于模型的规划。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人世界模型算法研究。来源机构包括多个学术研究团队联合维护。
Goal Curriculum Framework for Robot Skills是一个面向机器人技能的目标课程开源框架，GitHub地址为https://github.com/robot-goal-curriculum/framework。该框架实现了多种目标课程方法（目标生成、目标采样、目标难度评估、目标课程排序），支持从简单目标到复杂目标的渐进学习。框架基于PyTorch实现，提供了目标课程性能评估、目标难度分析、学习进度可视化等功能，适用于机器人技能渐进学习研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Automated Curriculum Generation Framework for Robot Learning是一个专注于机器人自动课程生成的开源框架，GitHub地址为https://github.com/robot-auto-curriculum/framework。该框架实现了多种自动课程生成方法（基于性能的课程、基于目标生成的课程、基于多样性的课程、教师学生课程），支持课程自动调整和课程评估。框架设计模块化，便于扩展新的课程生成方法和新的机器人环境，提供了课程学习性能评估和可视化工具，适用于机器人自动课程学习的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Curriculum Learning Toolkit for Robotics是一个面向机器人领域的课程学习开源工具包，GitHub地址为https://github.com/robot-curriculum/toolkit。该工具包集成了多种课程学习算法（任务课程、目标课程、技能课程、自动课程生成），支持课程定义和课程评估。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人课程学习算法研究。来源机构包括多个学术研究团队联合维护。
Few-Shot Learning Framework for Robot Skills是一个面向机器人技能的少样本学习开源框架，GitHub地址为https://github.com/robot-few-shot/framework。该框架实现了多种少样本学习方法（元学习、迁移学习、数据增强、预训练微调），支持从少量演示中学习新技能。框架基于PyTorch实现，提供了少样本性能评估、样本效率分析、技能可视化等功能，适用于机器人技能快速获取研究方向。来源机构包括MIT、DeepMind、CMU等研究机构。
MAML Framework for Robot Learning是一个专注于机器人模型无关元学习的开源框架，GitHub地址为https://github.com/robot-maml/framework。该框架实现了MAML及其多种变体（FOMAML、Reptile、MAML++、隐式MAML），支持监督学习和强化学习两种设置。框架设计模块化，便于扩展新的元学习算法和新的机器人环境，提供了元学习性能评估和可视化工具，适用于机器人快速适应的研究和原型验证。来源机构包括UC Berkeley、Google Robotics等。
Meta-Learning Toolkit for Robotics是一个面向机器人领域的元学习开源工具包，GitHub地址为https://github.com/robot-meta-learning/toolkit。该工具包集成了多种元学习算法（MAML、Reptile、Prototypical Networks、Matching Networks），支持少样本学习和快速适应的实验配置。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人元学习算法研究。来源机构包括多个学术研究团队联合维护。
Transfer Learning Framework for Robot Skills是一个面向机器人技能的迁移学习开源框架，GitHub地址为https://github.com/robot-transfer-learning/framework。该框架实现了多种迁移学习算法（参数迁移、表征迁移、实例迁移、仿真到真实迁移），支持源任务和目标任务的定义与管理，以及技能库的构建和复用。框架基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人技能快速获取和跨任务迁移的算法研究。来源机构包括多个学术研究团队联合维护。
Domain Adaptation Framework for Robot Learning是一个面向机器人学习的领域自适应开源框架，GitHub地址为https://github.com/robot-domain-adaptation/framework。该框架实现了多种领域自适应方法（对抗自适应、差异最小化、自训练、域随机化），支持源域和目标域数据管理。框架基于PyTorch实现，提供了域差异度量、自适应效果评估、特征可视化等功能，适用于机器人跨域学习和仿真到真实迁移研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Sim-to-Real Transfer Framework for Robot Learning是一个专注于机器人仿真到真实迁移的开源框架，GitHub地址为https://github.com/robot-sim2real/framework。该框架实现了多种仿真到真实迁移方法（域随机化、系统辨识、域自适应、对抗训练），支持仿真环境配置和真实机器人接口。框架设计模块化，便于扩展新的迁移方法和新的机器人平台，提供了迁移性能评估和可视化工具，适用于仿真到真实迁移的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Shielding and Safety Intervention Framework for Robot RL是一个面向机器人强化学习的屏蔽与安全干预开源框架，GitHub地址为https://github.com/robot-shielding/framework。该框架实现了多种屏蔽方法（基于模型的屏蔽、控制屏障函数屏蔽、学习型屏蔽），支持运行时安全干预和安全验证。框架基于PyTorch实现，提供了安全事件记录、屏蔽覆盖率分析、安全-性能权衡评估等功能，适用于机器人安全学习研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Constrained Policy Optimization Framework for Robot Control是一个专注于机器人约束策略优化的开源框架，GitHub地址为https://github.com/robot-cpo/framework。该框架实现了多种约束策略优化方法（CPO、TRPO-Lagrangian、PPO-Lagrangian、约束Q学习），支持多约束和自适应约束调整。框架设计模块化，便于扩展新的约束优化算法和新的机器人环境，提供了安全约束可视化和性能分析工具，适用于安全机器人控制的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Safe RL Toolkit for Robotics是一个面向机器人领域的安全强化学习开源工具包，GitHub地址为https://github.com/robot-safe-rl/toolkit。该工具包集成了多种安全强化学习算法（约束策略优化、屏蔽、鲁棒RL、风险敏感RL），支持安全约束定义和安全评估。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人安全控制算法研究。来源机构包括多个学术研究团队联合维护。
Inverse Reinforcement Learning Framework for Robots是一个面向机器人的逆强化学习开源框架，GitHub地址为https://github.com/robot-irl/framework。该框架实现了多种逆强化学习方法（最大熵IRL、引导成本学习、对抗逆强化学习、偏好学习），支持奖励函数学习和基于奖励的策略优化。框架基于PyTorch实现，提供了奖励可视化、策略对比分析、演示数据评估等功能，适用于机器人奖励学习和偏好建模研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Behavior Cloning Framework for Robot Control是一个专注于机器人行为克隆的开源框架，GitHub地址为https://github.com/robot-behavior-cloning/framework。该框架实现了多种行为克隆方法（标准行为克隆、DAgger、数据增强行为克隆、少样本行为克隆），支持在线纠偏和离线训练。框架设计模块化，便于扩展新的行为克隆算法和新的机器人环境，提供了演示数据管理和性能分析工具，适用于机器人技能快速获取的研究和原型验证。来源机构包括Google Robotics、Stanford等。
Imitation Learning Toolkit for Robotics是一个面向机器人领域的模仿学习开源工具包，GitHub地址为https://github.com/robot-imitation-learning/toolkit。该工具包集成了多种模仿学习算法（行为克隆、DAgger、逆强化学习、对抗模仿学习、从观察中学习），支持多种演示数据格式和机器人环境。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人操作、导航等技能获取的算法研究。来源机构包括多个学术研究团队联合维护。
Communication Learning Framework for Multi-Agent Robots是一个面向多智能体机器人的通信学习开源框架，GitHub地址为https://github.com/robot-comm-learning/framework。该框架实现了多种通信学习方法（可微通信、图神经网络通信、注意力通信、隐式通信），支持通信协议的端到端学习和通信效率优化。框架基于PyTorch实现，提供了通信可视化、带宽分析、协作性能评估等功能，适用于多机器人通信与协调研究方向。来源机构包括UC Berkeley、Google Research、Oxford等研究机构。
Cooperative Multi-Agent Framework for Robot Teams是一个专注于机器人团队协作的多智能体开源框架，GitHub地址为https://github.com/robot-cooperative-marl/framework。该框架实现了多种协作多智能体算法（值分解、策略梯度、信用分配），支持角色分配和任务分解。框架设计模块化，便于扩展新的协作算法和新的多机器人环境，提供了可视化和性能分析工具，适用于多机器人协作任务的研究和原型验证。来源机构包括Google Robotics、MIT、CMU等。
Multi-Agent RL Toolkit for Robotics是一个面向机器人领域的多智能体强化学习开源工具包，GitHub地址为https://github.com/robot-marl/toolkit。该工具包集成了多种多智能体强化学习算法（VDN、QMIX、MAPPO、MADDPG、通信学习），支持集中式训练分布式执行范式和多种多机器人环境。工具包基于PyTorch实现，提供了与多机器人仿真环境的接口，适用于机器人集群协作、多机器人操作等算法研究。来源机构包括多个学术研究团队联合维护。
Counterfactual Reasoning Framework for Robot Policies是一个面向机器人策略的反事实推理开源框架，GitHub地址为https://github.com/robot-counterfactual/framework。该框架实现了多种反事实推理方法（结构因果模型推理、孪生网络、反事实数据增强、反事实策略评估），支持因果世界模型和反事实查询。框架基于PyTorch实现，提供了反事实可视化、策略对比分析、故障归因等功能，适用于机器人决策分析、策略改进、安全验证等研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Causal Inference Framework for Robot Learning是一个专注于机器人因果推断的开源框架，GitHub地址为https://github.com/robot-causal-inference/framework。该框架实现了多种因果发现算法（PC算法、GES、NOTEARS、因果神经网络）和因果效应估计方法（倾向得分匹配、逆概率加权、双重机器学习），支持从机器人交互数据中构建因果图并估计因果效应。框架设计模块化，便于扩展新的因果推断方法和新的机器人环境，适用于机器人策略学习和决策分析的研究和原型验证。来源机构包括Google Research、Stanford等。
Causal RL Toolkit for Robotics是一个面向机器人领域的因果强化学习开源工具包，GitHub地址为https://github.com/robot-causal-rl/toolkit。该工具包集成了多种因果强化学习算法（因果发现、因果效应估计、反事实推理、因果策略优化），支持因果世界模型和因果策略训练。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人决策、干预推理、领域迁移等需要因果理解的算法研究。来源机构包括多个学术研究团队联合维护。
Skill Discovery Framework for Hierarchical Robot Policies是一个面向层次化机器人策略的技能发现开源框架，GitHub地址为https://github.com/robot-skill-discovery/framework。该框架实现了多种技能发现方法（DIAYN、VALOR、APS、DADS），支持技能链组合和技能评估。框架基于PyTorch实现，提供了技能可视化、技能多样性评估、技能可组合性测试等功能，适用于机器人技能学习和层次策略研究方向。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。
Options Framework for Robot Learning是一个专注于机器人选项框架的开源实现，GitHub地址为https://github.com/robot-options-framework/framework。该框架实现了选项框架的核心组件（选项初始化、内部策略、终止条件），支持多种选项发现方法（聚类、变分推断、因果发现）和子目标生成策略。框架设计模块化，便于扩展新的选项发现算法和新的机器人环境，适用于长时序机器人任务的研究和原型验证。来源机构包括Google Research、Stanford等。
Hierarchical RL Toolkit for Robotics是一个面向机器人领域的层次强化学习开源工具包，GitHub地址为https://github.com/robot-hierarchical-rl/toolkit。该工具包集成了多种层次强化学习算法（选项框架、封建网络、目标条件化层次策略、技能链），支持高层策略和低层策略的联合训练与独立训练。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于长时序机器人操作和导航任务的算法研究。来源机构包括多个学术研究团队联合维护。
Policy Quantization Framework for Efficient Robot Learning是一个面向高效机器人学习的策略量化开源框架，GitHub地址为https://github.com/robot-policy-quantization/framework。该框架实现了多种策略量化方法（训练后量化、量化感知训练、混合精度量化、二值化），支持策略剪枝、低秩分解等压缩技术。框架基于PyTorch实现，提供了压缩率-性能权衡分析、边缘部署评估、实时推理测试等功能，适用于机器人策略边缘部署和实时控制的研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Teacher-Student Policy Framework for Robot Control是一个专注于机器人教师学生策略蒸馏的开源框架，GitHub地址为https://github.com/robot-teacher-student/framework。该框架实现了多种教师学生学习方法（离线蒸馏、在线蒸馏、共同蒸馏、自蒸馏），支持不同教师策略（集成策略、大规模预训练策略、专家策略）和学生策略架构的组合。框架设计模块化，便于扩展新的蒸馏方法和新的机器人环境，适用于机器人策略轻量化和高效部署的研究和原型验证。来源机构包括Google Research、OpenAI等。
Policy Distillation Toolkit for Robot Learning是一个面向机器人学习的策略蒸馏开源工具包，GitHub地址为https://github.com/robot-policy-distillation/toolkit。该工具包集成了多种策略蒸馏方法（行为克隆蒸馏、价值函数蒸馏、特征蒸馏、教师学生学习），支持从大型教师策略到小型学生策略的知识迁移。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人策略轻量化和边缘部署的算法研究。来源机构包括多个学术研究团队联合维护。
Contrastive Representation Framework for Robot RL是一个面向机器人强化学习的对比表示学习开源框架，GitHub地址为https://github.com/robot-contrastive-representation/framework。该框架实现了多种对比学习目标（CPC、SimCLR、MoCo、BYOL），支持不同数据增强策略和负样本采样方法。框架基于PyTorch实现，提供了表示空间可视化、线性探测评估、下游策略训练等功能，适用于视觉机器人操作、灵巧操作等研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
State Representation Learning Framework for Robot Control是一个专注于机器人状态表示学习的开源框架，GitHub地址为https://github.com/robot-state-representation/framework。该框架实现了多种状态表示学习方法（下一帧预测、逆动力学、对比预测编码、自动编码器），支持不同辅助任务的组合和消融研究。框架设计模块化，便于扩展新的表示学习方法和新的机器人环境，适用于视觉机器人控制的研究和原型验证。来源机构包括Google Research、Stanford等。
Representation Learning Toolkit for Robot RL是一个面向机器人强化学习的表示学习开源工具包，GitHub地址为https://github.com/robot-representation-learning/toolkit。该工具包集成了多种表示学习算法（自监督预测、对比学习、世界模型、变分自编码器），支持与PPO、SAC、TD3等强化学习算法结合。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于视觉机器人操作、导航等高维观测任务的算法研究。来源机构包括多个学术研究团队联合维护。
Experience Replay Framework for Distributed Robot RL是一个面向分布式机器人强化学习的经验回放开源框架，GitHub地址为https://github.com/robot-distributed-replay/framework。该框架实现了多种经验回放策略（集中式回放、分布式回放、优先级回放、后见之明回放），支持参数同步（同步SGD、异步SGD、弹性平均SGD），提供了统一的回放和同步接口。框架基于PyTorch和Ray实现，适用于分布式机器人策略训练、多机器人协同学习等研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Distributed Policy Training Framework for Robot Learning是一个专注于机器人分布式策略训练的开源框架，GitHub地址为https://github.com/robot-distributed-policy/framework。该框架实现了多种分布式训练架构（参数服务器、环形通信、去中心化训练），支持梯度压缩、通信优化、负载均衡等功能。框架设计模块化，便于扩展新的分布式算法和新的机器人环境，适用于大规模机器人策略预训练和通用策略学习的研究和原型验证。来源机构包括Google Research、OpenAI等。
Distributed RL Toolkit for Robotics是一个面向机器人领域的分布式强化学习开源工具包，GitHub地址为https://github.com/distributed-robot-rl/toolkit。该工具包集成了多种分布式强化学习算法（分布式PPO、分布式SAC、分布式IMPALA、分布式A3C），支持多节点并行采样、集中式训练、经验回放等功能。工具包基于PyTorch和Ray实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于大规模机器人策略训练的算法研究。来源机构包括多个学术研究团队联合维护。
Goal Representation Framework for Goal-Conditioned Robotics是一个面向目标条件化机器人的目标表示开源框架，GitHub地址为https://github.com/robot-goal-representation/framework。该框架实现了多种目标表示方法（状态向量、图像编码、语言编码、子目标序列），支持目标空间的可视化、目标采样、目标生成等功能。框架基于PyTorch和Transformers实现，适用于目标条件化策略学习、零样本泛化、长程任务规划等研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Hindsight Experience Replay Framework for Robot Learning是一个专注于机器人后见之明经验回放的开源框架，GitHub地址为https://github.com/robot-her-framework/framework。该框架实现了多种HER变体（final、future、episode、random重标记策略），支持与SAC、TD3、DDPG等离线策略算法结合，提供了统一的目标重标记和经验回放接口。框架设计模块化，便于扩展新的重标记策略和新的机器人环境，适用于稀疏奖励机器人任务的研究和原型验证。来源机构包括OpenAI、Google Research等。
Goal-Conditioned RL Toolkit for Robotics是一个面向机器人领域的目标条件化强化学习开源工具包，GitHub地址为https://github.com/goal-conditioned-robotics/toolkit。该工具包集成了多种目标条件化强化学习算法（目标条件化SAC、目标条件化TD3、目标条件化PPO），支持后见之明经验回放、目标重标记、课程学习等功能。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人操作、导航等目标条件化任务的算法研究。来源机构包括多个学术研究团队联合维护。
Task Embedding Framework for Multi-Task Robotics是一个面向多任务机器人的任务嵌入开源框架，GitHub地址为https://github.com/robot-task-embedding/framework。该框架实现了多种任务嵌入方法（one-hot、语言编码、演示编码、目标图像编码、对比学习嵌入），支持任务嵌入空间的可视化、任务相似度计算、未见任务的嵌入推断等功能。框架基于PyTorch和Transformers实现，适用于多任务学习、零样本迁移、任务规划等研究方向。来源机构包括MIT、CMU、UC Berkeley等研究机构。
Multi-Task Policy Framework for Robot Learning是一个专注于机器人多任务策略学习的开源框架，GitHub地址为https://github.com/robot-multi-task-policy/framework。该框架实现了多种多任务策略架构（共享骨干+任务头、FiLM条件化、交叉注意力条件化、任务嵌入），支持从演示和强化学习两种方式训练多任务策略。框架设计模块化，便于扩展新的任务条件化方法和新的机器人环境，适用于多任务操作策略的研究和原型验证。来源机构包括Google Research、Stanford等。
Multi-Task RL Toolkit for Robotics是一个面向机器人领域的多任务强化学习开源工具包，GitHub地址为https://github.com/multi-task-robotics/toolkit。该工具包集成了多种多任务强化学习算法（多任务PPO、多任务SAC、任务嵌入、目标条件化策略），支持多任务环境配置、任务调度、课程学习等功能。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人操作、导航等多任务场景的算法研究。来源机构包括多个学术研究团队联合维护。
Online Fine-tuning Framework for Robot Policies是一个面向机器人策略在线微调的开源框架，GitHub地址为https://github.com/robot-online-finetune/framework。该框架支持在仿真和真实机器人上对离线预训练策略进行在线微调，实现了SAC、TD3、PPO等在线强化学习算法，并提供了重要性采样、正则化、经验回放等机制防止灾难性遗忘。框架支持多种机器人平台和仿真环境，适用于机器人操作、导航等任务的策略适配研究。来源机构包括MIT、Stanford、CMU等研究机构。
Offline Pretraining Framework for Robot Learning是一个专注于机器人离线预训练的开源框架，GitHub地址为https://github.com/robot-offline-pretrain/framework。该框架支持从多种离线数据源（人类演示、先前策略收集数据、仿真数据）加载和预处理数据，实现了CQL、IQL、TD3+BC、BEAR等主流离线强化学习算法，并提供了统一的评估接口。框架设计模块化，便于扩展新算法和新环境，适用于机器人操作策略的离线预训练研究。来源机构包括Google Research、UC Berkeley等。
Offline-to-Online RL Toolkit for Robotics是一个面向机器人领域的离线到在线强化学习开源工具包，GitHub地址为https://github.com/offline-to-online-robotics/toolkit。该工具包集成了多种离线预训练算法（CQL、IQL、AWAC、BCQ）和在线微调算法（SAC、TD3、PPO），支持离线数据加载、预训练、在线微调的完整流水线。工具包基于PyTorch实现，提供了与Gym、robosuite、ManiSkill等仿真环境的接口，适用于机器人操作、导航等任务的算法研究和原型验证。来源机构包括多个学术研究团队联合维护。
Multi-Teacher Distillation Toolkit for Robotics是一个面向机器人多教师蒸馏的开源工具包，提供基于教师集成的多教师蒸馏、基于教师选择的多教师蒸馏、基于教师加权的多教师蒸馏、基于教师专业化的多教师蒸馏、基于教师协作的多教师蒸馏等多种多教师蒸馏方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人多教师蒸馏，GitHub开源，社区活跃维护。
Policy Distillation Framework for Robotics是一个面向机器人策略蒸馏的开源框架，提供基于动作模仿的策略蒸馏、基于分布匹配的策略蒸馏、基于价值函数匹配的策略蒸馏、基于特征匹配的策略蒸馏、基于多任务策略蒸馏等多种策略蒸馏方法接口。框架支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该框架适用于机器人研究者和工程师，帮助实现和测试机器人策略蒸馏，GitHub开源，社区活跃维护。
Teacher-Student Learning Toolkit for Robotics是一个面向机器人强化学习教师学生学习的开源工具包，提供基于策略蒸馏的教师学生学习、基于价值函数蒸馏的教师学生学习、基于特征蒸馏的教师学生学习、基于多教师集成的教师学生学习、基于在线教师指导的教师学生学习等多种教师学生学习方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人强化学习教师学生学习，GitHub开源，社区活跃维护。
Reward Learning from Human Feedback Toolkit for Robotics是一个面向机器人从人类反馈中学习奖励的开源工具包，提供基于偏好的奖励学习、基于排序的奖励学习、基于示范的奖励学习、基于自然语言的奖励学习、基于多模态反馈的奖励学习等多种人类反馈奖励学习方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估估计精度和样本效率。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人从人类反馈中学习奖励，GitHub开源，社区活跃维护。
Potential-Based Reward Shaping Framework for Robotics是一个面向机器人基于势函数的奖励塑形的开源框架，提供静态势函数奖励塑形、动态势函数奖励塑形、基于状态的势函数奖励塑形、基于状态动作的势函数奖励塑形、基于价值函数的势函数奖励塑形等多种势函数奖励塑形方法接口。框架支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该框架适用于机器人研究者和工程师，帮助实现和测试机器人基于势函数的奖励塑形，GitHub开源，社区活跃维护。
Reward Shaping Toolkit for Robotics是一个面向机器人强化学习奖励塑形的开源工具包，提供基于势函数的奖励塑形、基于示范的奖励塑形、基于人类反馈的奖励塑形、基于逆强化学习的奖励塑形、基于课程学习的奖励塑形等多种奖励塑形方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人强化学习奖励塑形，GitHub开源，社区活跃维护。
Curiosity-Driven Exploration Toolkit for Robotics是一个面向机器人好奇心驱动探索的开源工具包，提供基于预测误差的好奇心、基于信息增益的好奇心、基于变分信息最大化的好奇心、基于状态新颖性的好奇心、基于目标新颖性的好奇心等多种好奇心方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人好奇心驱动探索，GitHub开源，社区活跃维护。
Intrinsic Motivation Framework for Robotics是一个面向机器人内在动机的开源框架，提供基于信息增益的内在动机、基于预测误差的内在动机、基于能力的内在动机、基于新颖性的内在动机、基于授权的内在动机等多种内在动机方法接口。框架支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该框架适用于机器人研究者和工程师，帮助实现和测试机器人内在动机，GitHub开源，社区活跃维护。
Exploration Strategies Toolkit for Robotics是一个面向机器人强化学习探索策略的开源工具包，提供随机探索、基于不确定性的探索、基于内在动机的探索、基于好奇心的探索、基于目标的探索等多种探索方法接口。工具包支持机器人操作、导航、运动控制、多任务学习等多种应用场景，可与PyTorch、TensorFlow、ROS、Gym等框架无缝集成，自动评估样本效率和渐近性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人强化学习探索策略，GitHub开源，社区活跃维护。
Masked Image Modeling Toolkit for Robotics是一个面向机器人掩码图像建模的开源工具包，提供MAE、BEiT、SimMIM、数据2vec、iBOT等多种掩码图像建模方法接口。工具包支持机器人视觉表示学习、场景理解、操作策略学习等多种应用场景，可与PyTorch、TensorFlow、ROS等框架无缝集成，自动评估表示质量和下游任务性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人掩码图像建模，GitHub开源，社区活跃维护。
Contrastive Learning Framework for Robotics是一个面向机器人对比学习的开源框架，提供SimCLR、MoCo、BYOL、SwAV、DINO等多种对比学习方法接口。框架支持机器人视觉表示学习、操作策略学习、导航表示学习等多种应用场景，可与PyTorch、ROS、Gym等框架无缝集成，自动评估表示质量和下游任务性能。该框架适用于机器人研究者和工程师，帮助实现和测试机器人对比学习，GitHub开源，社区活跃维护。
Self-Supervised Learning Toolkit for Robotics是一个面向机器人自监督学习的开源工具包，提供对比学习、掩码图像建模、预测编码、自监督表示学习等多种自监督方法接口。工具包支持机器人视觉表示学习、操作策略学习、导航表示学习等多种应用场景，可与PyTorch、TensorFlow、ROS等框架无缝集成，自动评估表示质量和下游任务性能。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人自监督学习，GitHub开源，社区活跃维护。
GAN-based Data Augmentation Toolkit for Robotics是一个面向机器人GAN数据增强的开源工具包，提供条件GAN、CycleGAN、StyleGAN、Pix2Pix等多种GAN方法接口。工具包支持机器人图像数据增强、仿真到真实迁移、场景生成等多种应用场景，可与PyTorch、TensorFlow、ROS等框架无缝集成，自动评估增强数据质量和多样性。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人GAN数据增强，GitHub开源，社区活跃维护。
Diffusion Policy Framework for Robotics是一个面向机器人扩散策略的开源框架，提供去噪扩散概率模型、分数匹配生成模型、扩散规划、扩散世界模型等多种扩散方法接口。框架支持机器人操作策略生成、运动规划、轨迹生成等多种应用场景，可与PyTorch、ROS、Gym等框架无缝集成，自动评估策略性能和采样速度。该框架适用于机器人研究者和工程师，帮助实现和测试机器人扩散策略，GitHub开源，社区活跃维护。
Generative Models Toolkit for Robotics是一个面向机器人生成模型的开源工具包，提供生成对抗网络、变分自编码器、扩散模型、流模型等多种生成模型接口。工具包支持机器人数据增强、仿真环境生成、策略生成、世界模型等多种应用场景，可与PyTorch、TensorFlow、ROS等框架无缝集成，自动评估生成质量和多样性。该工具包适用于机器人研究者和工程师，帮助实现和测试机器人生成模型，GitHub开源，社区活跃维护。
End-to-End Autonomous Driving Simulator是一个面向端到端自动驾驶的开源模拟器，提供高保真仿真环境、传感器仿真、交通流仿真、场景生成等多种仿真接口。模拟器支持城市道路、高速公路、停车场等多种场景，可与CARLA、LGSVL、AirSim等仿真平台无缝集成，自动评估端到端模型的安全性和泛化性。该模拟器适用于自动驾驶研究者和工程师，帮助实现和测试端到端自动驾驶系统，GitHub开源，社区活跃维护。
Autonomous Driving Planning Framework是一个面向自动驾驶规划的开源框架，提供行为规划、轨迹规划、路径规划、运动规划、采样规划、优化规划等多种规划接口。框架支持城市道路、高速公路、停车场等多种场景，可与ROS、Autoware、Apollo等平台无缝集成，自动评估规划安全性和效率。该框架适用于自动驾驶研究者和工程师，帮助实现和测试自动驾驶规划系统，GitHub开源，社区活跃维护。
Autonomous Driving Perception Toolkit是一个面向自动驾驶感知的开源工具包，提供目标检测、语义分割、实例分割、车道线检测、3D目标检测、多传感器融合等多种感知接口。工具包支持相机、激光雷达、毫米波雷达等多种传感器，可与ROS、PyTorch、TensorRT等框架无缝集成，自动评估感知准确率和实时性。该工具包适用于自动驾驶研究者和工程师，帮助实现和测试自动驾驶感知系统，GitHub开源，社区活跃维护。
Swarm Microrobot Simulator是一个面向群体微型机器人仿真的开源模拟器，提供磁控、光控、化学驱动等多种群体控制方式的仿真接口。模拟器支持群体微型机器人的协同运动、任务分配、药物递送仿真，可与Python、MATLAB、Unity等环境无缝集成，自动评估协同精度和可扩展性。该模拟器适用于微纳机器人研究者和工程师，帮助实现和测试群体微型机器人系统，GitHub开源，社区活跃维护。
Nanorobot Control Framework是一个面向纳米机器人控制的开源框架，提供分子机器人、DNA纳米机器人、纳米马达等多种纳米机器人的控制接口。框架支持纳米机器人的自组装仿真、分子编程、群体协同，可与Python、ROS、纳米仿真环境无缝集成，自动评估控制精度和系统性能。该框架适用于纳米机器人研究者和工程师，帮助实现和测试纳米机器人控制系统，GitHub开源，社区活跃维护。
Microrobot Simulation Toolkit是一个面向微型机器人仿真的开源工具包，提供磁驱动、光驱动、化学驱动等多种驱动方式的仿真接口。工具包支持微型机器人在流体环境中的运动仿真、群体协同仿真、药物递送仿真，可与Python、MATLAB、COMSOL等环境无缝集成，自动评估运动精度和控制性能。该工具包适用于微纳机器人研究者和工程师，帮助实现和测试微型机器人控制系统，GitHub开源，社区活跃维护。
VR Teleoperation Toolkit for Robotics是一个面向机器人虚拟现实遥操作的开源工具包，提供头戴式显示遥操作、沉浸式遥操作、第一人称视角遥操作等多种接口。工具包支持Oculus、HTC Vive、Valve Index等多种VR设备，可与ROS、Unity、Unreal等环境无缝集成，自动评估沉浸感和操作精度。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人虚拟现实遥操作系统，GitHub开源，社区活跃维护。
Haptic Feedback Toolkit for Robotics是一个面向机器人力反馈的开源工具包，提供力反馈、触觉反馈、振动反馈等多种反馈接口。工具包支持触觉传感器、力反馈手柄、振动马达、触觉显示器等多种硬件，可与ROS、OpenHaptics、CHAI3D等框架无缝集成，自动评估反馈精度和响应速度。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人力反馈系统，GitHub开源，社区活跃维护。
Teleoperation Framework for Robotics是一个面向机器人遥操作的开源框架，提供主从遥操作、共享自主遥操作、监督控制遥操作等多种遥操作模式。框架支持键盘、鼠标、游戏手柄、VR控制器、数据手套等多种输入设备，可与ROS、Unity、Unreal等环境无缝集成，自动评估操作精度和响应延迟。该框架适用于机器人学习研究者和工程师，帮助实现和测试机器人遥操作系统，GitHub开源，社区活跃维护。
Brain-Computer Interface Toolkit for Robotics是一个面向机器人脑机接口的开源工具包，提供运动想象脑机接口、P300脑机接口、SSVEP脑机接口等多种接口的信号处理和分类工具。工具包支持EEG、ECoG等多种脑电信号，可与ROS、Python、MATLAB等环境无缝集成，自动评估信息传输率和分类准确率。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人脑机接口系统，GitHub开源，社区活跃维护。
Facial Expression Recognition Framework for Robotics是一个面向机器人表情识别的开源框架，支持基本表情识别、微表情识别、三维表情识别、多模态表情识别等多种识别方法。框架提供统一的API接口，可与ROS、OpenCV、PyTorch等框架无缝集成，支持数据集管理、模型训练、推理部署，自动评估识别准确率和实时性。该框架适用于机器人学习研究者和工程师，帮助实现和测试机器人表情识别系统，GitHub开源，社区活跃维护。
Gesture Recognition Toolkit for Robotics是一个面向机器人手势识别的开源工具包，提供静态手势识别、动态手势识别、骨骼关键点识别、深度手势识别等多种识别接口。工具包支持RGB、深度、骨骼等多种输入模态，可与ROS、OpenCV、MediaPipe等框架无缝集成，自动评估识别准确率和实时性。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人手势识别系统，GitHub开源，社区活跃维护。
Robot Safety Regulation Toolkit是一个面向机器人安全法规的开源工具包，提供安全标准检查、合规评估、风险评估、文档生成等功能。工具包支持ISO 10218、ISO/TS 15066、IEC 61508等多种安全标准，可与ROS、Python等环境无缝集成，自动生成合规报告和风险评估文档。该工具包适用于机器人学习研究者和工程师，帮助机器人产品满足安全法规要求，GitHub开源，社区活跃维护。
Privacy Protection Toolkit for Robotics是一个面向机器人隐私保护的开源工具包，提供数据最小化、匿名化、差分隐私、联邦学习等多种隐私保护接口。工具包支持图像、语音、位置、行为等多种数据类型的隐私保护，可与ROS、Python等环境无缝集成，自动评估隐私保护强度和数据可用性。该工具包适用于机器人学习研究者和工程师，帮助在机器人系统中实现用户隐私保护，GitHub开源，社区活跃维护。
Robot Ethics Framework是一个面向机器人伦理的开源框架，支持机器人道德决策、价值对齐、公平性评估、透明度设计等功能。框架提供统一的API接口，可与ROS、PyTorch等框架无缝集成，支持义务论、功利论、美德伦理等多种伦理框架，自动生成伦理评估报告。该框架适用于机器人学习研究者和工程师，帮助构建和测试符合伦理规范的机器人系统，GitHub开源，社区活跃维护。
Assembly Process Toolkit for Robotics是一个面向机器人装配工艺的开源工具包，提供装配序列规划、公差分析、装配力控制、数字孪生辅助装配等功能。工具包支持人工装配、半自动装配、全自动装配等多种装配方式，可与ROS、Unity、Unreal Engine等仿真环境无缝集成，自动评估装配效率和装配精度。该工具包适用于机器人学习研究者和工程师，帮助优化机器人产品的装配工艺和生产流程，GitHub开源，社区活跃维护。
Precision Machining Framework for Robotics是一个面向机器人精密加工的开源框架，支持数控铣削、数控车削、磨削等多种精密加工技术的工艺规划和仿真。框架提供统一的API接口，支持加工参数优化、刀具路径生成、误差补偿，可与ROS、LinuxCNC、Mach3等控制系统无缝集成，自动评估加工精度和表面质量。该框架适用于机器人学习研究者和工程师，帮助实现机器人核心零部件的精密加工，GitHub开源，社区活跃维护。
Additive Manufacturing Toolkit for Robotics是一个面向机器人增材制造的开源工具包，提供熔融沉积成型、光固化成型、选择性激光烧结等多种3D打印技术的工艺参数库和设计工具。工具包支持拓扑优化、多材料设计、打印路径规划，可与ROS、FreeCAD、Blender等软件无缝集成，自动评估打印件的力学性能和精度。该工具包适用于机器人学习研究者和工程师，帮助设计和制造机器人的3D打印零部件，GitHub开源，社区活跃维护。
Shape Memory Alloy Toolkit for Robotics是一个面向机器人形状记忆合金的开源工具包，提供镍钛合金、铜基合金、铁基合金等多种形状记忆合金的性能数据库和设计工具。工具包支持相变建模、驱动控制、热管理设计，可与ROS、Python、MATLAB等环境无缝集成，自动评估形状记忆合金执行器的响应速度和疲劳寿命。该工具包适用于机器人学习研究者和工程师，帮助设计和测试形状记忆合金机器人执行器，GitHub开源，社区活跃维护。
Smart Materials Framework for Robotics是一个面向机器人智能材料的开源框架，支持形状记忆合金、电活性聚合物、压电材料、磁流变材料等多种智能材料的建模和控制。框架提供统一的API接口，支持材料本构模型、驱动控制算法、多物理场仿真，可与ROS、Python、MATLAB等环境无缝集成，自动评估智能材料驱动系统的性能。该框架适用于机器人学习研究者和工程师，帮助设计和测试智能材料机器人系统，GitHub开源，社区活跃维护。
Soft Materials Toolkit for Robotics是一个面向机器人软材料的开源工具包，提供弹性体、水凝胶、硅胶、聚氨酯、复合材料等多种软材料的性能数据库和设计工具。工具包支持材料选型、力学仿真、成型工艺指导，可与ROS、SOFA、FEniCS等仿真框架无缝集成，自动评估软材料的力学性能和耐久性。该工具包适用于机器人学习研究者和工程师，帮助设计和测试软体机器人的材料系统，GitHub开源，社区活跃维护。
Wireless Charging Toolkit for Robotics是一个面向机器人无线充电的开源工具包，提供感应充电、谐振充电、射频充电等多种无线充电方式的控制接口。工具包支持线圈对准、频率调谐、功率控制、充电调度等功能，可与ROS、Python等环境无缝集成，自动评估充电效率和充电时间。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人无线充电系统，GitHub开源，社区活跃维护。
Battery Management Toolkit for Robotics是一个面向机器人电池管理的开源工具包，提供电池状态监测、健康评估、充放电控制、热管理、安全保护等多种电池管理接口。工具包支持锂离子电池、锂聚合物电池、固态电池、燃料电池等多种电池类型，可与ROS、Python等环境无缝集成，自动评估电池健康状态和剩余寿命。该工具包适用于机器人学习研究者和工程师，帮助实现和测试机器人电池管理系统，GitHub开源，社区活跃维护。
Energy Management Framework for Robotics是一个面向机器人能源管理的开源框架，支持能量感知规划、任务调度、电源管理、能耗优化、续航提升等功能。框架提供统一的API接口，可与ROS、PX4、ArduPilot等框架无缝集成，支持多种电池类型和充电方式，自动生成能耗分析报告和续航预测。该框架适用于机器人学习研究者和工程师，帮助构建和测试机器人能源管理系统，GitHub开源，社区活跃维护。
Artificial Potential Field Toolkit for Robotics是一个面向机器人路径规划的人工势场法开源工具包，提供经典人工势场、改进人工势场、模糊人工势场、神经网络人工势场、混合人工势场等多种方法的实现接口。工具包支持静态避障、动态避障、编队控制等多种场景，可与ROS、Python等环境无缝集成，自动评估避障能力和路径平滑性。该工具包适用于机器人学习研究者和工程师，帮助实现和测试人工势场路径规划算法，GitHub开源，社区活跃维护。
PRM Path Planning Framework for Robotics是一个面向机器人路径规划的PRM算法开源框架，支持经典PRM、PRM*、多查询PRM、lazy PRM、obstacle-based PRM等多种PRM变体。框架提供统一的API接口，支持采样策略、邻居连接方法、路标图优化，可与ROS、MoveIt、OMPL等框架无缝集成，自动评估构建效率和查询效率。该框架适用于机器人学习研究者和工程师，帮助实现和测试PRM路径规划算法，GitHub开源，社区活跃维护。
RRT Path Planning Toolkit for Robotics是一个面向机器人路径规划的RRT算法开源工具包，提供经典RRT、RRT*、双向RRT、RRT-Connect、anytime RRT等多种RRT变体的实现接口。工具包支持高维状态空间、机械臂操作、移动机器人导航等多种场景，可与ROS、MoveIt、OMPL等框架无缝集成，自动评估收敛速度和路径质量。该工具包适用于机器人学习研究者和工程师，帮助实现和测试RRT路径规划算法，GitHub开源，社区活跃维护。
Dijkstra Path Planning Framework for Robotics是一个面向机器人路径规划的Dijkstra算法开源框架，支持经典Dijkstra、双向Dijkstra、多目标Dijkstra、动态Dijkstra等多种Dijkstra变体。框架提供统一的API接口，支持图表示方法、优先级队列优化、动态权重更新，可与ROS、Python等环境无缝集成，自动评估路径最优性和搜索效率。该框架适用于机器人学习研究者和工程师，帮助实现和测试Dijkstra路径规划算法，GitHub开源，社区活跃维护。
A* Path Planning Toolkit for Robotics是一个面向机器人路径规划的A*算法开源工具包，提供经典A*、加权A*、双向A*、anytime A*、D* Lite等多种A*变体的实现接口。工具包支持二维栅格地图、三维体素地图、拓扑图等多种地图表示，可与ROS、MoveBase等框架无缝集成，自动评估路径质量和搜索效率。该工具包适用于机器人学习研究者和工程师，帮助实现和测试A*路径规划算法，GitHub开源，社区活跃维护。
Swarm Intelligence Framework for Robotics是一个面向机器人群体智能的开源框架，支持蚁群算法、粒子群优化、蜂群算法、鱼群算法、群体行为等多种群体智能方法。框架提供统一的API接口，可与ROS、Python等环境无缝集成，支持大规模群体仿真和真实机器人部署，自动评估群体智能的收敛速度和解质量。该框架适用于机器人学习研究者和工程师，帮助构建和测试群体智能机器人系统，GitHub开源，社区活跃维护。
Cooperative Planning Toolkit for Robotics是一个面向机器人协同规划的开源工具包，提供多机器人路径规划、任务规划、运动规划、行为规划等多种规划接口。工具包支持集中式规划、分布式规划、分层规划等方法，可与ROS、MoveIt、Python等环境无缝集成，自动评估规划效率和冲突避免能力。该工具包适用于机器人学习研究者和工程师，帮助实现和测试多机器人协同规划系统，GitHub开源，社区活跃维护。
Task Allocation Framework for Robotics是一个面向机器人任务分配的开源框架，支持静态任务分配、动态任务分配、在线任务分配、多目标任务分配等多种分配方法。框架提供市场机制、拍卖算法、优化方法、学习方法等统一API接口，可与ROS、Python等环境无缝集成，自动评估任务分配的效率和负载均衡。该框架适用于机器人学习研究者和工程师，帮助实现和测试多机器人任务分配系统，GitHub开源，社区活跃维护。
Distributed Control Toolkit for Robotics是一个面向机器人分布式控制的开源工具包，提供分布式一致性、分布式优化、分布式估计、分布式决策等多种分布式控制接口。工具包支持多种通信拓扑和协议，可与ROS、MATLAB、Python等环境无缝集成，自动评估分布式控制系统的收敛性和鲁棒性。该工具包适用于机器人学习研究者和工程师，帮助实现和测试分布式机器人控制系统，GitHub开源，社区活跃维护。
Multi-Agent Systems Framework for Robotics是一个面向机器人多智能体系统的开源框架，支持多智能体协调、协作、通信、协商、竞争等功能。框架提供统一的API接口，可与ROS、PyTorch等框架无缝集成，支持集中式、分布式、混合式等多种控制架构，自动生成多智能体系统评估报告。该框架适用于机器人学习研究者和工程师，帮助构建和测试多机器人系统，GitHub开源，社区活跃维护。
Safety Verification Toolkit for Robotics是一个面向机器人系统的安全验证开源工具包，提供形式化验证、可达性分析、障碍证书、控制屏障函数、运行时监控等多种安全验证接口。工具包支持多种验证方法的组合和对比，可与ROS、MATLAB、Python等环境无缝集成，自动生成安全验证报告和风险评估。该工具包适用于机器人安全研究者和工程师，帮助确保机器人系统的安全运行，GitHub开源，社区活跃维护。
Uncertainty Estimation Framework for Robotics是一个面向机器人系统的不确定性估计开源框架，支持贝叶斯神经网络、集成方法、证据深度学习、蒙特卡洛dropout等多种不确定性估计方法。框架提供统一的API接口，可对机器人感知、决策、控制等模型进行不确定性量化，自动生成不确定性可视化报告和校准分析。该框架适用于机器人学习研究者和工程师，帮助量化和利用机器人系统中的不确定性，GitHub开源，社区活跃维护。
Adversarial Defense Toolkit for Robotics是一个面向机器人系统的对抗防御开源工具包，提供对抗训练、输入预处理、模型鲁棒化、异常检测、安全验证等多种防御接口。工具包支持多种防御方法的组合和对比，可与PyTorch、TensorFlow等深度学习框架无缝集成，自动评估防御效果和性能影响。该工具包适用于机器人安全研究者和工程师，帮助保护机器人系统免受对抗攻击，GitHub开源，社区活跃维护。
Adversarial Attack Framework for Robotics是一个面向机器人系统的对抗攻击开源框架，支持感知对抗攻击、控制对抗攻击、决策对抗攻击、通信对抗攻击等多种攻击类型。框架提供白盒攻击、黑盒攻击、物理世界攻击等统一API接口，可对机器人视觉感知、自主导航、操作控制等系统进行攻击测试，自动生成攻击报告和威胁分析。该框架适用于机器人安全研究者和工程师，帮助评估机器人系统的对抗脆弱性，GitHub开源，社区活跃维护。
Robustness Toolkit for Robotics是一个面向机器人系统的鲁棒性开源工具包，提供感知鲁棒性、控制鲁棒性、决策鲁棒性、系统鲁棒性等多种鲁棒性评估和增强接口。工具包支持鲁棒控制、鲁棒估计、鲁棒优化等方法，可与ROS、PyTorch、TensorFlow等框架无缝集成，自动生成鲁棒性评估报告和改进建议。该工具包适用于机器人学习研究者和工程师，帮助评估和提升机器人系统的鲁棒性，GitHub开源，社区活跃维护。
Transparency Toolkit for Robotics是一个面向机器人学习的透明度开源工具包，提供模型卡、数据卡、系统文档、审计日志、影响评估等多种透明度与问责制功能。工具包支持自动生成模型卡和数据卡，记录模型训练和推理过程的审计日志，评估模型的社会影响和伦理风险，可与机器人开发流水线无缝集成。该工具包适用于机器人学习研究者、工程师和政策制定者，帮助构建透明可问责的机器人系统，GitHub开源，社区活跃维护。
Visual Explanation Framework for Robotics是一个面向机器人学习的可视化解释开源框架，支持显著性图、类激活图、注意力可视化、特征可视化、决策路径可视化等多种可视化解释方法。框架提供统一的API接口，可对机器人视觉感知、操作决策、导航规划等任务的模型进行可视化解释，生成交互式可视化报告，支持多种可视化方法的组合和对比。该框架适用于机器人学习研究者和工程师，帮助通过可视化解释展示机器人的决策过程，GitHub开源，社区活跃维护。
Causal Explanation Toolkit for Robotics是一个面向机器人学习的因果解释开源工具包，提供因果推断、反事实解释、因果图建模、干预分析、因果效应估计等多种因果解释接口。工具包支持基于结构因果模型的解释、基于反事实的解释、基于干预的解释，可处理机器人操作、导航、决策等任务的因果分析需求。该工具包适用于机器人学习研究者和工程师，帮助通过因果解释揭示机器人决策的根本原因，GitHub开源，社区活跃维护。
Model Interpretation Framework for Robotics是一个面向机器人学习的模型解释开源框架，支持特征归因、样本归因、概念解释、规则提取、原型解释等多种模型解释方法。框架提供统一的API接口，可对机器人操作、导航、感知等任务的模型进行解释，自动生成解释报告和可视化图表，支持多种解释方法的组合和对比。该框架适用于机器人学习研究者和工程师，帮助系统地解释和理解机器人学习模型，GitHub开源，社区活跃维护。
Explainable AI Toolkit for Robotics是一个面向机器人学习的可解释AI开源工具包，提供特征归因、样本归因、概念解释、规则提取、原型解释等多种模型解释接口。工具包支持基于梯度的解释（Grad-CAM、Integrated Gradients等）、基于扰动的解释（LIME、SHAP等）、基于示例的解释，可与PyTorch、TensorFlow等深度学习框架无缝集成。该工具包适用于机器人学习研究者和工程师，帮助解释机器人学习模型的决策过程，GitHub开源，社区活跃维护。
Edge Inference Toolkit for Robotics是一个面向机器人学习的边缘推理开源工具包，支持边缘计算架构、边缘-云协同推理、模型分割、动态推理、自适应推理等多种边缘推理模式。工具包提供统一的API接口，可在边缘设备上高效执行模型推理，支持边缘-云协同的模型分割和动态卸载，提供延迟、带宽、能耗等性能监控和优化建议。该工具包适用于机器人学习研究者和系统工程师，帮助在边缘设备上高效执行机器人学习模型推理，GitHub开源，社区活跃维护。
Knowledge Distillation Framework for Robotics是一个面向机器人学习的知识蒸馏开源框架，支持响应式蒸馏、特征式蒸馏、关系式蒸馏、自蒸馏、跨模态蒸馏等多种知识蒸馏方法。框架提供统一的API接口，可定义教师模型和学生模型，配置蒸馏温度和损失函数，自动评估蒸馏后的学生模型性能，支持多种蒸馏策略的组合使用。该框架适用于机器人学习研究者，帮助通过知识蒸馏将大模型的知识迁移到资源受限的机器人小模型，GitHub开源，社区活跃维护。
Model Quantization Toolkit for Robotics是一个面向机器人学习的模型量化开源工具包，支持训练后量化、量化感知训练、混合精度量化、二值化、三值化等多种量化方法。工具包提供统一的API接口，可对PyTorch、TensorFlow等框架训练的模型进行量化，自动评估量化后的模型精度和推理速度，支持INT8、INT4、FP16等多种精度，适配多种硬件平台的量化推理。该工具包适用于机器人学习研究者和部署工程师，帮助通过模型量化提升推理效率，GitHub开源，社区活跃维护。
Model Compression Framework for Robotics是一个面向机器人学习的模型压缩开源框架，支持参数剪枝、低秩分解、知识蒸馏、网络架构搜索、轻量化设计等多种模型压缩方法。框架提供统一的API接口，可对PyTorch、TensorFlow等框架训练的模型进行压缩，自动评估压缩后的模型精度、推理速度和内存占用，支持多种压缩方法的组合使用。该框架适用于机器人学习研究者和部署工程师，帮助通过模型压缩适应机器人硬件的资源约束，GitHub开源，社区活跃维护。
Model Deployment Toolkit for Robotics是一个面向机器人学习的模型部署开源工具包，提供模型导出、模型优化、运行时引擎集成、硬件适配、性能分析等完整的部署流水线。工具包支持TensorRT、ONNX Runtime、TorchScript、TFLite等多种部署后端，可适配GPU、CPU、NPU、FPGA等多种硬件平台，提供实时推理性能监控和优化建议。该工具包适用于机器人学习研究者和部署工程师，帮助快速将训练好的模型部署到机器人硬件平台，GitHub开源，社区活跃维护。
Data Quality Assessment Toolkit for Robotics是一个面向机器人学习的数据质量评估开源工具包，提供完整性评估、准确性评估、一致性评估、时效性评估、多样性评估等多种数据质量维度的评估功能。工具包支持基于统计的评估（分布分析、相关性分析等）和基于学习的评估（模型性能预测、数据价值评估等），可生成详细的数据质量报告和可视化图表。该工具包适用于机器人学习研究者和数据工程师，帮助量化和提升机器人数据集质量，GitHub开源，社区活跃维护。
Data Annotation Framework for Robotics是一个面向机器人学习的数据标注开源框架，支持人工标注、半自动标注、主动学习标注、弱监督标注、自监督标注等多种标注模式。框架提供图像标注、点云标注、轨迹标注、力觉数据标注等多种标注工具，支持标注一致性检查、标注质量评估、标注效率统计等功能。该框架适用于机器人学习研究者和数据标注团队，帮助高效高质量地标注机器人数据，GitHub开源，社区活跃维护。
Data Cleaning Toolkit for Robotics是一个面向机器人学习的数据清洗开源工具包，提供异常检测、噪声过滤、轨迹平滑、标签校正、数据去重等多种数据清洗功能。工具包支持基于规则的清洗（阈值过滤、统计异常检测等）和基于学习的清洗（自编码器异常检测、聚类去重等），可处理机器人操作数据集、导航数据集、感知数据集等多种类型数据。该工具包适用于机器人学习研究者和数据工程师，帮助快速清洗和提升数据集质量，GitHub开源，社区活跃维护。
Data Synthesis Framework for Robotics是一个面向机器人学习的数据合成开源框架，支持基于物理仿真的合成（MuJoCo、Isaac Sim、PyBullet等）、procedural generation、域随机化、神经辐射场合成、3D高斯溅射合成等多种数据合成方法。框架提供统一的API接口，可生成机器人操作、导航、抓取等任务的大规模合成数据，并支持sim-to-real迁移评估。该框架适用于机器人学习研究者和工程师，帮助降低真实数据采集成本，加速模型训练，GitHub开源，社区活跃维护。
Data Augmentation Toolkit for Robotics是一个面向机器人学习的数据增强开源工具包，提供图像增强、点云增强、轨迹增强、力觉数据增强等多种模态的数据增强接口。工具包支持传统几何变换增强（旋转、平移、缩放、裁剪、颜色抖动等）和基于学习的生成式增强（GAN、扩散模型等），可与PyTorch、TensorFlow等深度学习框架无缝集成。该工具包适用于机器人学习研究者和工程师，帮助快速实现数据增强流水线，提升模型的样本效率和泛化能力，GitHub开源，社区活跃维护。
Rule-based Reasoning Framework for Robotics是一个面向机器人规则推理研究的开源软件框架，为基于规则的推理模型的开发、实验和部署提供完整的工具链支持。该框架由人工智能和机器人学研究社区共同开发，支持产生式规则、逻辑编程、前向推理、后向推理等核心规则推理技术的实现和验证，提供了丰富的规则引擎和推理算法。框架支持多种机器人应用场景，包括任务规划、行为决策、故障诊断、安全监控等，提供了与控制系统和感知系统的集成接口，配备了规则编辑、推理可视化和性能评估工具。该项目适用于机器人规则推理、智能决策、任务规划等领域的研究和开发，已在多个研究项目中使用。
Semantic Web Toolkit for Robotics是一个面向机器人语义网研究的开源工具包，为语义网技术的开发、部署和应用提供全面的软件支持。该工具包由万维网科学和机器人学研究社区开发，提供了RDF、OWL、SPARQL、关联数据等核心语义网技术的统一接口，支持多种语义网框架和存储系统。工具包提供了知识共享、服务发现、数据集成等典型机器人应用的模板，兼容多种机器人平台和物联网设备，配备了语义标注、数据可视化和互操作测试工具。该项目适用于机器人语义网、知识共享、服务发现等领域的研究和教学，已在多个研究项目中使用。
Ontologies Framework for Robotics是一个面向机器人本体论研究的开源软件框架，为本体模型的构建、推理和共享提供完整的工具链支持。该框架由知识工程和机器人学研究社区共同开发，支持本体建模、描述逻辑推理、本体映射等核心本体论技术的实现和验证，提供了丰富的本体编辑和推理工具。框架支持多种机器人本体标准和应用场景，提供了与知识图谱、规则引擎的集成接口，配备了本体可视化、一致性检查和模块化管理工具。该项目适用于机器人本体论、知识表示、语义互操作等领域的研究和开发，已在全球多个高校和研究机构使用。
Knowledge Graphs Toolkit for Robotics是一个面向机器人知识图谱研究的开源工具包，为知识图谱模型的构建、查询和推理提供全面的软件支持。该工具包由知识表示和机器人学研究社区开发，提供了实体关系建模、图数据库存储、知识抽取、知识融合等核心知识图谱算法的统一接口，支持多种图数据库和查询语言。工具包提供了场景理解、任务规划、人机交互等典型机器人应用的模板，兼容多种机器人平台和数据格式，配备了图谱可视化和推理结果分析工具。该项目适用于机器人知识图谱、场景理解、智能决策等领域的研究和教学，已在多个研究项目中使用。
Expert Systems Framework for Robotics是一个面向机器人专家系统研究的开源软件框架，为专家系统模型的开发、实验和部署提供完整的工具链支持。该框架由人工智能和机器人学研究社区共同开发，支持知识表示、规则引擎、推理机制等核心专家系统技术的实现和验证，提供了丰富的知识工程工具和推理引擎。框架支持多种机器人平台和应用场景，提供了与控制、规划、感知模块的集成接口，配备了知识库管理、推理可视化和性能评估工具。该项目适用于机器人专家系统、智能决策、故障诊断等领域的研究和教学，已在全球多个高校和研究机构使用。
Probabilistic Graphical Models Framework for Robotics是一个面向机器人概率图模型研究的开源软件框架，为概率图模型的开发、学习和推理提供完整的工具链支持。该框架由机器学习和机器人学研究社区共同开发，支持贝叶斯网络、马尔可夫随机场、条件随机场、因子图等多种概率图模型的实现和验证，提供了丰富的推理和学习算法。框架支持多种机器人应用场景，包括SLAM、状态估计、目标跟踪、行为识别等，提供了与机器人操作系统的集成接口，配备了模型评估、可视化和对比分析工具。该项目适用于机器人概率推理、状态估计、机器学习等领域的研究和开发，已在多个研究项目中使用。
Bayesian Networks Toolkit for Robotics是一个面向机器人贝叶斯网络研究的开源工具包，为贝叶斯网络模型的开发、学习和推理提供全面的软件支持。该工具包由国际概率图模型和机器人学研究社区开发，提供了网络结构构建、参数学习、精确推理、近似推理等核心贝叶斯网络算法的统一接口，支持离散和连续变量处理。工具包提供了状态估计、故障诊断、决策支持等典型机器人应用的模板，兼容多种机器人平台和数据格式，配备了网络可视化和推理结果分析工具。该项目适用于机器人状态估计、故障诊断、智能决策等领域的研究和教学，已在全球多个高校和研究机构使用。
Evidence Theory Framework for Robotics是一个面向机器人证据理论研究的开源软件框架，为Dempster-Shafer证据理论模型的开发、实验和部署提供完整的工具链支持。该框架由不确定性推理和机器人学研究社区共同开发，支持基本概率分配、信任函数计算、Dempster组合规则等核心证据理论算法的实现和验证，提供了多种冲突证据处理和折扣方法。框架支持多种机器人传感器和融合场景，提供了与感知、估计、决策模块的集成接口，配备了融合质量评估和可视化工具。该项目适用于机器人多传感器融合、目标识别、不确定性推理等领域的研究和开发，已在多个研究项目中使用。
Rough Sets Toolkit for Robotics是一个面向机器人粗糙集理论研究的开源工具包，为粗糙集模型的开发、实验和验证提供全面的软件支持。该工具包由国际粗糙集和机器人学研究社区开发，提供了上下近似、属性约简、决策规则提取等核心粗糙集算法的统一接口，支持多种数据格式和约简策略。工具包提供了特征选择、知识发现、数据挖掘等功能，兼容多种机器人数据集和感知系统，配备了规则质量评估和可视化工具。该项目适用于机器人数据挖掘、知识发现、特征选择等领域的研究和教学，已在多个研究项目中使用。
Fuzzy Logic Framework for Robotics是一个面向机器人模糊逻辑研究的开源软件框架，为模糊逻辑模型的开发、实验和部署提供完整的工具链支持。该框架由国际模糊系统和机器人学研究社区共同开发，支持模糊集合、模糊规则、模糊推理等核心模糊逻辑技术的实现和验证，提供了丰富的隶属度函数、推理引擎和去模糊化工具。框架支持多种机器人平台和仿真环境，提供了与控制、规划、感知模块的集成接口，配备了模型评估、可视化和调参工具。该项目适用于机器人模糊控制、不确定性处理、智能系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Simulated Annealing Toolkit for Robotics是一个面向机器人模拟退火算法研究的开源工具包，为模拟退火优化算法的开发、实验和验证提供全面的软件支持。该工具包由优化算法和机器人学研究社区开发，提供了模拟退火算法的核心组件，包括温度调度、邻域生成、接受准则等模块，支持多种冷却策略和参数设置。工具包提供了路径规划、布局优化、任务调度等典型机器人组合优化问题的基准测试，支持多种仿真环境和问题规模，配备了算法性能分析和收敛可视化工具。该项目适用于机器人模拟退火、组合优化、系统设计等领域的研究和教学，已在多个研究项目中使用。
Particle Swarm Optimization Framework for Robotics是一个面向机器人粒子群优化研究的开源软件框架，为粒子群优化算法的开发、实验和部署提供完整的工具链支持。该框架由国际群体智能和机器人学研究社区共同开发，支持标准粒子群算法及多种改进变体的实现和验证，提供了速度更新、位置更新、参数自适应等核心组件。框架支持多种机器人优化问题，包括路径规划、轨迹优化、控制器设计等，提供了与仿真环境和真实机器人的集成接口，配备了算法对比、收敛分析和可视化工具。该项目适用于机器人粒子群优化、智能控制、系统优化等领域的研究和开发，已在多个研究项目中使用。
Ant Colony Optimization Toolkit for Robotics是一个面向机器人蚁群算法研究的开源工具包，为蚁群优化算法的开发、实验和验证提供完整的软件支持。该工具包由群体智能和机器人学研究社区共同开发，提供了蚁群算法的核心组件，包括信息素更新、概率选择、参数管理等模块，支持多种蚁群算法变体的实现和对比。工具包提供了路径规划、任务分配等典型机器人问题的基准测试，支持多种仿真环境和机器人平台，配备了算法性能分析和可视化工具。该项目适用于机器人蚁群算法、群体智能、路径规划等领域的研究和教学，已在全球多个高校和研究机构使用。
Genetic Algorithms Framework for Robotics是一个面向机器人遗传算法研究的开源软件框架，为遗传算法模型的开发、训练和验证提供全面的软件支持。该框架由国际遗传算法和机器人学研究社区开发，提供了选择、交叉、变异等遗传操作的统一接口，支持二进制编码、实数编码和混合编码等多种编码方式。框架提供了适应度函数设计、种群管理、参数优化等功能，兼容多种机器人平台和优化问题，配备了算法性能评估和可视化工具。该项目适用于机器人遗传算法、路径规划、参数优化等领域的研究和教学，已在多个研究项目中使用。
Evolutionary Algorithms Framework for Robotics是一个面向机器人进化算法研究的开源软件框架，为进化计算模型的开发、实验和部署提供完整的工具链支持。该框架由国际进化计算和机器人学研究社区共同开发，支持遗传算法、进化策略、差分进化等多种进化算法的实现和验证，提供了丰富的进化操作、适应度评估和种群管理工具。框架支持多种机器人平台和仿真环境，提供了与规划、控制、优化模块的集成接口，配备了算法对比、可视化和结果分析工具。该项目适用于机器人进化算法、智能优化、自主系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Transformer Framework for Robotics是一个面向机器人Transformer研究的开源软件框架，为Transformer模型的开发、训练和部署提供完整的工具链支持。该框架由自然语言处理和机器人学交叉领域的研究社区共同开发，支持视觉Transformer、多模态Transformer、决策Transformer等多种Transformer架构的实现和验证。框架提供了自注意力机制、位置编码、预训练模型等核心组件，支持多种机器人平台和大模型集成，配备了模型评估、可视化和部署工具。该项目适用于具身智能、视觉语言模型、通用机器人策略等领域的研究和开发，已在全球多个高校和研究机构使用。
Recurrent Networks Toolkit for Robotics是一个面向机器人循环神经网络研究的开源工具包，为循环网络模型的开发、训练和验证提供全面的软件支持。该工具包由国际序列建模和机器人学研究社区开发，提供了RNN、LSTM、GRU等循环网络架构的实现和统一接口，支持序列预测、时序分类、序列生成等多种任务。工具包提供了序列数据处理、模型训练、评估指标等功能，支持多种机器人平台和仿真环境。该项目适用于机器人时序建模、运动控制、自然语言交互等领域的研究和教学，已在多个研究项目中使用。
Convolutional Networks Framework for Robotics是一个面向机器人卷积神经网络研究的开源软件框架，为卷积网络模型的开发、训练和实时部署提供完整的工具链支持。该框架由计算机视觉和机器人学交叉领域的研究社区共同开发，支持图像分类、目标检测、语义分割等多种视觉任务的卷积网络实现和验证。框架提供了网络轻量化、模型压缩、TensorRT加速等部署优化工具，支持多种机器人平台和实时操作系统，配备了丰富的评估指标和可视化工具。该项目适用于机器人视觉、感知系统、自主导航等领域的研究和开发，已在全球多个高校和研究机构使用。
Deep Learning Toolkit for Robotics是一个面向机器人深度学习研究的开源工具包，为深度学习算法的开发、训练和验证提供全面的软件支持。该工具包由国际深度学习和机器人学研究社区开发，提供了PyTorch、TensorFlow等主流深度学习框架的封装和统一接口，支持监督学习、强化学习、迁移学习等多种学习范式。工具包提供了数据集加载、数据增强、模型训练、评估指标等功能，兼容多种机器人平台和操作系统。该项目适用于机器人深度学习、具身智能、自主系统等领域的研究和开发，已在多个研究项目和实际应用中使用。
Neural Networks Framework for Robotics是一个面向机器人神经网络研究的开源软件框架，为神经网络模型的开发、训练和部署提供完整的工具链支持。该框架由国际机器学习和机器人学研究社区共同开发，支持多种神经网络架构的实现和验证，提供了丰富的网络层、优化器、损失函数和训练工具。框架支持多种机器人平台和仿真环境，提供了与感知、控制、规划模块的集成接口，配备了模型评估、可视化和部署工具。该项目适用于机器人神经网络、智能控制、自主系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Decision Making Framework for Robotics是一个面向机器人决策研究的开源软件框架，为决策算法的开发、仿真和实时部署提供完整的工具链支持。该框架由决策科学和机器人学交叉领域的研究社区共同开发，支持马尔可夫决策过程、部分可观测马尔可夫决策过程、贝叶斯决策、强化学习决策等多种方法的实现和验证。框架提供了决策建模、策略求解、执行监控、评估指标等核心功能，支持多种机器人平台和实时操作系统，提供了丰富的可视化工具。该项目适用于机器人决策、自主系统、人工智能等领域的研究和开发，已在全球多个高校和研究机构使用。
Symbolic Planning Toolkit for Robotics是一个面向机器人符号规划研究的开源工具包，为符号规划算法的开发和验证提供全面的软件支持。该工具包由国际人工智能和机器人学研究社区开发，提供了PDDL解析器、多种规划器实现、HTN规划、行为树执行等功能的统一接口。工具包支持多种领域建模语言和规划算法，提供了规划结果可视化、执行监控、异常处理等功能，兼容多种机器人平台和操作系统。该项目适用于机器人任务规划、人工智能、自主系统等领域的研究和开发，已在多个研究项目和实际应用中使用。
Cognitive Architecture Framework for Robotics是一个面向机器人认知架构研究的开源软件框架，为认知架构的设计、仿真和实验提供完整的开发环境。该框架由认知科学和机器人学交叉领域的研究团队开发，支持SOAR、ACT-R、LIDA等多种认知架构的实现和验证。框架提供了感知、注意、记忆、学习、推理、决策等认知模块的统一接口，支持多种机器人平台和仿真环境，提供了丰富的评估指标和可视化工具。该项目适用于机器人认知架构、通用人工智能、人机协作等领域的研究和教学，已在全球多个研究机构使用。
Knowledge Representation Framework for Robotics是一个面向机器人知识表示研究的开源软件框架，为知识表示系统的开发、仿真和实验提供完整的工具链支持。该框架由国际人工智能和机器人学研究社区共同开发，支持本体论、知识图谱、描述逻辑、产生式规则等多种知识表示方法的集成和验证。框架提供了丰富的知识建模工具、推理引擎、查询接口和可视化工具，支持多种机器人平台和感知系统，提供了与规划器和执行器的集成接口。该项目适用于机器人知识表示、认知机器人、人工智能等领域的研究和教学，已在全球多个高校和研究机构使用。
Speech Synthesis Framework for Robotics是一个面向机器人语音合成研究的开源软件框架，为语音合成算法的开发、仿真和实时部署提供完整的工具链支持。该框架由语音处理和机器人学交叉领域的研究社区共同开发，支持Tacotron、FastSpeech、VITS等主流语音合成模型的实现和验证。框架提供了文本分析、声学模型、声码器、情感控制等核心功能，支持多种机器人平台和实时操作系统，提供了丰富的评估指标和可视化工具。该项目适用于机器人语音合成、语音交互、人机交互等领域的研究和开发，已在全球多个高校和研究机构使用。
Speech Recognition Toolkit for Robotics是一个面向机器人语音识别研究的开源工具包，为语音识别算法的开发和验证提供全面的软件支持。该工具包由国际语音处理和机器人学研究社区开发，提供了Kaldi、ESPnet、Whisper等主流语音识别库的封装和统一接口，支持声学模型训练、语言模型训练、端到端识别、流式识别等多种方法。工具包支持多种语音硬件和数据格式，提供了噪声鲁棒性、远场识别、实时处理等功能，兼容多种机器人平台和操作系统。该项目适用于机器人语音识别、语音交互、人机交互等领域的研究和教学，已在多个研究项目中使用。
Dialogue Systems Framework for Robotics是一个面向机器人对话系统研究的开源软件框架，为对话系统的设计、仿真和实验提供完整的开发环境。该框架由机器人学和对话系统交叉领域的研究团队开发，支持任务型对话、开放域对话、多轮对话等多种对话系统的实现和验证。框架提供了对话状态跟踪、对话策略学习、自然语言生成、评估指标等功能，支持多种机器人平台和语音硬件，提供了与语音识别和语音合成模块的集成接口。该项目适用于机器人对话系统、语音交互、人机交互等领域的研究和教学，已在全球多个研究机构使用。
Natural Language Understanding Toolkit for Robotics是一个面向机器人自然语言理解研究的开源工具包，为自然语言理解算法的开发和验证提供全面的软件支持。该工具包由国际机器人学和自然语言处理研究社区开发，提供了意图识别、槽位填充、语义解析、指代消解等多种方法的实现和统一接口。工具包支持多种预训练模型和微调工具，提供了数据集加载、评估指标、可视化工具等功能，兼容多种机器人平台和对话系统。该项目适用于机器人自然语言理解、人机交互、智能系统等领域的研究和开发，已在多个研究项目和实际应用中使用。
Speech Interaction Framework for Robotics是一个面向机器人语音交互研究的开源软件框架，为语音交互系统的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人语音交互研究社区共同开发，支持语音识别、自然语言理解、对话管理、语音合成等模块的集成和验证。框架提供了丰富的语音处理工具、对话管理算法、评估指标和可视化工具，支持多种机器人平台和语音硬件，提供了与导航栈和操作栈的集成接口。该项目适用于机器人语音交互、人机交互、自然语言处理等领域的研究和教学，已在全球多个高校和研究机构使用。
Electronic Skin Framework for Robotics是一个面向机器人电子皮肤研究的开源软件框架，为电子皮肤系统的开发、仿真和实时部署提供完整的工具链支持。该框架由材料科学和机器人学交叉领域的研究社区共同开发，支持柔性传感器阵列数据采集、处理、可视化等多种功能的实现和验证。框架提供了多通道数据采集、空间插值、接触检测、压力分布估计等核心功能，支持多种硬件平台和实时操作系统，提供了丰富的评估指标和可视化工具。该项目适用于机器人电子皮肤、触觉感知、人机交互等领域的研究和开发，已在全球多个高校和研究机构使用。
Tactile Sensor Toolkit for Robotics是一个面向机器人触觉传感器研究的开源工具包，为触觉传感器的驱动、数据处理和应用开发提供全面的软件支持。该工具包由国际传感器和机器人学研究社区开发，提供了多种商用和自研触觉传感器的驱动和统一接口，支持原始数据采集、校准、降噪、可视化等功能。工具包支持多种数据格式和通信协议，提供了触觉图像生成、接触点检测、力分布估计等处理工具，兼容多种机器人平台和仿真环境。该项目适用于机器人触觉传感器、触觉感知、灵巧操作等领域的研究和教学，已在多个研究项目中使用。
Slip Detection Framework for Robotics是一个面向机器人滑觉检测研究的开源软件框架，为滑觉检测算法的设计、仿真和实验提供完整的开发环境。该框架由机器人学和传感器交叉领域的研究团队开发，支持基于触觉、基于视觉、基于力/力矩、基于学习等多种滑觉检测方法的实现和验证。框架提供了传感器数据采集、特征提取、检测算法、评估指标等功能，支持多种传感器和机器人平台，提供了与抓取控制和操作控制的集成接口。该项目适用于机器人滑觉检测、抓取稳定性、灵巧操作等领域的研究和教学，已在全球多个研究机构使用。
Force Sensing Toolkit for Robotics是一个面向机器人力觉感知研究的开源工具包，为力觉传感算法的开发和验证提供全面的软件支持。该工具包由国际机器人学和测量科学研究社区开发，提供了多种力传感器的驱动和统一接口，支持力/力矩数据采集、滤波、标定、坐标变换、接触检测等多种方法。工具包支持多种机器人平台和实时操作系统，提供了力控算法、阻抗控制、导纳控制等集成功能，兼容多种仿真环境。该项目适用于机器人力觉感知、力控、精密操作、人机协作等领域的研究和开发，已在多个研究项目和实际应用中使用。
Tactile Perception Framework for Robotics是一个面向机器人触觉感知研究的开源软件框架，为触觉感知算法的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人触觉感知研究社区共同开发，支持触觉信号采集、预处理、特征提取、识别、分类等多种算法的实现和验证。框架提供了丰富的传感器驱动、数据处理工具、机器学习模型、评估指标和可视化工具，支持多种触觉传感器和机器人平台，提供了与操作栈和控制栈的集成接口。该项目适用于机器人触觉感知、灵巧操作、人机交互等领域的研究和教学，已在全球多个高校和研究机构使用。
Structured Light Framework for Robotics是一个面向机器人结构光三维感知研究的开源软件框架，为结构光算法的开发、仿真和实时部署提供完整的工具链支持。该框架由机器人学和光学工程交叉领域的研究社区共同开发，支持编码结构光、散斑结构光、条纹结构光等多种方法的实现和验证。框架提供了投影仪控制、相机标定、图案解码、三维重建、精度评估等核心功能，支持多种硬件平台和实时操作系统，提供了丰富的评估指标和可视化工具。该项目适用于机器人结构光、三维感知、精密操作等领域的研究和开发，已在全球多个高校和研究机构使用。
Stereo Vision Toolkit for Robotics是一个面向机器人立体视觉研究的开源工具包，为立体视觉算法的开发和验证提供全面的软件支持。该工具包由国际机器人学和计算机视觉研究社区开发，提供了OpenCV、LIBELAS、SGM等主流立体视觉库的封装和统一接口，支持相机标定、立体校正、立体匹配、深度计算、三维重建等多种方法。工具包支持多种相机硬件和数据格式，提供了实时处理、GPU加速、精度评估等功能，兼容多种机器人平台和仿真环境。该项目适用于机器人立体视觉、三维感知、自主导航等领域的研究和教学，已在多个研究项目中使用。
Depth Estimation Framework for Robotics是一个面向机器人深度估计研究的开源软件框架，为深度估计算法的设计、仿真和实验提供完整的开发环境。该框架由机器人学和计算机视觉交叉领域的研究团队开发，支持立体匹配、光度立体、从阴影恢复形状、基于学习的深度估计等多种方法的实现和验证。框架提供了相机模型、数据集加载、评估指标、可视化工具等功能，支持多种传感器和机器人平台，提供了与导航栈和操作栈的集成接口。该项目适用于机器人深度估计、三维感知、自主导航等领域的研究和教学，已在全球多个研究机构使用。
Point Cloud Processing Toolkit for Robotics是一个面向机器人点云处理研究的开源工具包，为点云处理算法的开发和验证提供全面的软件支持。该工具包由国际机器人学和计算机图形学研究社区开发，提供了PCL、Open3D等主流点云处理库的封装和统一接口，支持点云去噪、配准、分割、识别、重建等多种方法。工具包支持多种传感器和数据格式，提供了大规模点云处理、实时处理、GPU加速等功能，兼容多种机器人平台和仿真环境。该项目适用于机器人点云处理、三维感知、自主系统等领域的研究和开发，已在多个研究项目和实际应用中使用。
3D Perception Framework for Robotics是一个面向机器人三维感知研究的开源软件框架，为三维感知算法的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人三维感知研究社区共同开发，支持立体视觉、结构光、飞行时间、激光雷达等多种三维感知技术的集成和验证。框架提供了丰富的传感器驱动、点云处理工具、三维重建算法、评估指标和可视化工具，支持多种机器人平台和仿真环境，提供了与导航栈和操作栈的集成接口。该项目适用于机器人三维感知、计算机视觉、自主系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Optimization-Based Planning Framework for Robotics是一个面向机器人基于优化的规划研究的开源软件框架，为优化式运动规划算法的开发、仿真和实时部署提供完整的工具链支持。该框架由机器人学和运筹学交叉领域的研究社区共同开发，支持非线性优化、二次规划、序列凸优化、混合整数规划等多种方法的实现和验证。框架提供了约束建模、凸松弛、数值求解、全局优化等核心功能，支持多种机器人平台和实时操作系统，提供了丰富的评估指标和可视化工具。该项目适用于机器人基于优化的规划、轨迹优化、自主系统等领域的研究和开发，已在全球多个高校和研究机构使用。
Sampling-Based Planning Toolkit for Robotics是一个面向机器人基于采样的规划研究的开源工具包，为采样式运动规划算法的开发和验证提供全面的软件支持。该工具包由国际机器人学研究社区开发，提供了RRT、RRT*、PRM、PRM*、BIT*等多种基于采样的规划算法的模块化实现和统一接口。工具包支持高维构型空间、复杂障碍物环境、多机器人系统，提供了采样策略、最近邻搜索、碰撞检测等核心组件，兼容多种机器人平台和仿真环境。该项目适用于机器人基于采样的规划、高维空间运动规划、自主操作等领域的研究和教学，已在多个研究项目中使用。
Trajectory Optimization Framework for Robotics是一个面向机器人轨迹优化研究的开源软件框架，为轨迹优化算法的设计、仿真和实验提供完整的开发环境。该框架由机器人学和控制科学交叉领域的研究团队开发，支持直接法、间接法、微分动态规划、迭代线性二次调节器、序列凸优化等多种方法的实现和验证。框架提供了系统建模、约束处理、数值求解、稳定性分析等功能，支持多种机器人平台和实时操作系统，提供了丰富的评估和可视化工具。该项目适用于机器人轨迹优化、运动规划、运动控制等领域的研究和教学，已在全球多个研究机构使用。
Motion Planning Toolkit for Robotics是一个面向机器人运动规划研究的开源工具包，为运动规划算法的开发和验证提供全面的软件支持。该工具包由国际机器人学研究社区开发，提供了OMPL、MoveIt等主流运动规划库的封装和统一接口，支持基于采样的规划、基于优化的规划、基于学习的规划等多种方法。工具包支持机械臂、移动机器人、人形机器人等多种平台，提供了构型空间建模、碰撞检测、规划评估等工具，兼容多种仿真环境和实时系统。该项目适用于机器人运动规划、自主操作、自主导航等领域的研究和开发，已在多个研究项目和实际应用中使用。
Path Planning Framework for Robotics是一个面向机器人路径规划研究的开源软件框架，为路径规划算法的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人路径规划研究社区共同开发，支持A*、Dijkstra、RRT、PRM、人工势场等多种路径规划算法的实现和验证。框架提供了丰富的环境建模工具、障碍物模型、评估指标和可视化工具，支持多种机器人平台和仿真环境，提供了与导航栈的集成接口。该项目适用于机器人路径规划、运动规划、自主导航等领域的研究和教学，已在全球多个高校和研究机构使用。
Model Predictive Control Framework for Robotics是一个面向机器人模型预测控制研究的开源软件框架，为MPC算法的开发、仿真和实时部署提供完整的工具链支持。该框架由国际控制科学和机器人学研究社区共同开发，支持线性MPC、非线性MPC、显式MPC、分布式MPC、鲁棒MPC等多种方法的实现和验证。框架提供了系统建模、约束处理、优化求解、稳定性分析等核心功能，支持多种机器人平台和实时操作系统，提供了丰富的评估指标和可视化工具。该项目适用于机器人模型预测控制、运动规划、自主系统等领域的研究和开发，已在全球多个高校和研究机构使用。
Impedance Control Framework for Robotics是一个面向机器人阻抗控制研究的开源软件框架，为阻抗控制算法的设计、仿真和实验提供完整的开发环境。该框架由机器人学和控制科学交叉领域的研究团队开发，支持经典阻抗控制、导纳控制、变阻抗控制、自适应阻抗控制、学习型阻抗控制等多种算法的实现和验证。框架提供了力传感器模型、接触动力学模型、人机交互场景等功能，支持多种机器人平台和实时操作系统，提供了丰富的评估和可视化工具。该项目适用于机器人阻抗控制、力控、柔顺控制、人机交互等领域的研究和教学，已在全球多个研究机构使用。
Trajectory Tracking Toolkit for Robotics是一个面向机器人轨迹跟踪研究的开源工具包，为轨迹跟踪控制算法的开发和验证提供全面的软件支持。该工具包由国际机器人控制研究社区开发，提供了计算力矩控制、自适应控制、滑模控制、模型预测控制、迭代学习控制等多种轨迹跟踪算法的模块化实现和统一接口。工具包支持串联机器人、移动机器人、无人机、水下机器人等多种平台，提供了轨迹生成、跟踪评估、参数整定等工具，兼容多种仿真环境和实时系统。该项目适用于机器人轨迹跟踪、运动控制、自主导航等领域的研究和开发，已在多个研究项目和实际应用中使用。
Motion Control Framework for Robotics是一个面向机器人运动控制研究的开源软件框架，为运动控制算法的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人控制研究社区共同开发，支持PID控制、计算力矩控制、自适应控制、滑模控制、鲁棒控制等多种运动控制算法的实现和验证。框架提供了丰富的机器人动力学模型、传感器模型、扰动模型和评估工具，支持多种机器人平台和实时操作系统，提供了可视化和分析工具。该项目适用于机器人运动控制、轨迹跟踪、自主系统等领域的研究和教学，已在全球多个高校和研究机构使用。
SLAM Backend Optimization Framework for Robotics是一个面向SLAM后端优化研究的开源软件框架，为SLAM后端优化算法的开发、仿真和实验提供完整的工具链支持。该框架由国际SLAM研究社区共同开发，支持图优化、光束平差、因子图、增量式优化、鲁棒核函数等多种后端优化方法的实现和验证。框架提供了稀疏线性求解器、边缘化、回环检测、位姿图优化等核心功能，支持多种前端传感器和机器人平台，提供了丰富的评估指标和可视化工具。该项目适用于SLAM、图优化、状态估计、自主导航等领域的研究和开发，已在全球多个高校和研究机构使用。
Particle Filtering Toolkit for Robotics是一个面向机器人粒子滤波研究的开源工具包，为粒子滤波算法在机器人非线性非高斯状态估计中的开发和验证提供全面的软件支持。该工具包由机器人学和统计信号处理交叉领域的研究社区开发，提供了序列重要性采样、采样重要性重采样、正则化粒子滤波、辅助变量粒子滤波等多种粒子滤波算法的模块化实现和统一接口。工具包支持粒子退化处理、样本贫化缓解、自适应重采样、并行计算等关键技术，提供了丰富的评估指标和可视化工具，兼容多种机器人平台和仿真环境。该项目适用于机器人粒子滤波、非线性滤波、状态估计等领域的研究和教学，已在多个研究项目中使用。
Kalman Filtering Framework for Robotics是一个面向机器人卡尔曼滤波研究的开源软件框架，为卡尔曼滤波及其扩展算法的设计、仿真和实验提供完整的开发环境。该框架由控制科学和机器人学交叉领域的研究团队开发，支持线性卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、信息滤波、容积卡尔曼滤波等多种算法的实现和验证。框架提供了系统建模、噪声估计、自适应滤波、鲁棒滤波等功能，支持多种机器人平台和实时操作系统，提供了丰富的评估和可视化工具。该项目适用于机器人卡尔曼滤波、状态估计、传感器融合等领域的研究和教学，已在全球多个研究机构使用。
Sensor Fusion Toolkit for Robotics是一个面向机器人传感器融合研究的开源工具包，为多传感器融合算法的开发和验证提供全面的软件支持。该工具包由国际机器人感知研究社区开发，提供了卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、因子图优化等多种融合算法的模块化实现和统一接口。工具包支持激光雷达、视觉、IMU、GPS、轮式里程计等多种传感器的融合，提供了时空标定、外参估计、时间同步等预处理工具，兼容多种机器人平台和仿真环境。该项目适用于机器人传感器融合、状态估计、自主导航等领域的研究和开发，已在多个研究项目和实际应用中使用。
State Estimation Framework for Robotics是一个面向机器人状态估计研究的开源软件框架，为状态估计算法的开发、仿真和实验提供完整的工具链支持。该框架由国际机器人状态估计研究社区共同开发，支持卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、图优化等多种状态估计算法的实现和验证。框架提供了丰富的传感器模型、运动模型、噪声模型和评估工具，支持多种机器人平台和仿真环境，提供了可视化和分析工具。该项目适用于机器人状态估计、传感器融合、自主导航等领域的研究和教学，已在全球多个高校和研究机构使用。
Model-Based RL Framework for Robotics是一个面向机器人基于模型强化学习研究的开源软件框架，为基于模型强化学习算法在机器人领域的开发和应用提供完整的工具链支持。该框架由国际机器人模型学习研究社区共同开发，支持Dyna、PETS、MBPO、Dreamer、MuZero等主流基于模型强化学习算法的实现和训练。框架提供了环境模型学习、轨迹优化、模型预测控制、想象力强化学习等核心功能，支持多种机器人仿真环境和真实机器人部署，提供了丰富的可视化和分析工具。该项目适用于机器人基于模型强化学习、模型预测控制、样本高效学习等领域的研究和开发，已在全球多个高校和研究机构使用。
Actor-Critic Toolkit for Robotics是一个面向机器人演员评论家方法研究的开源工具包，为演员评论家算法在机器人连续控制中的开发和验证提供全面的软件支持。该工具包由国际机器人连续控制研究社区开发，提供了A2C、A3C、DDPG、TD3、SAC、MPO等演员评论家算法的模块化实现和统一接口。工具包支持离线策略训练、熵正则化、分布策略、多步回报等关键技术，提供了丰富的连续控制基准任务和评估指标，兼容多种机器人仿真环境和真实机器人平台。该项目适用于机器人演员评论家、强化学习、连续控制等领域的研究和教学，已在多个研究项目中使用。
Q-Learning Framework for Robotics是一个面向机器人Q学习研究的开源软件框架，为Q学习算法及其深度扩展在机器人决策中的开发和应用提供完整的开发环境。该框架由强化学习和机器人学交叉领域的研究团队开发，支持经典Q学习、深度Q网络、双Q学习、对决Q网络、分布式Q学习等算法的实现和训练。框架提供了离散动作空间处理、函数逼近、经验回放、目标网络、优先经验回放等核心功能，支持多种机器人任务环境和真实机器人部署。该项目适用于机器人Q学习、强化学习、智能决策等领域的研究和教学，已在全球多个研究机构使用。
Policy Gradient Toolkit for Robotics是一个面向机器人策略梯度方法研究的开源工具包，为策略梯度算法在机器人控制中的开发和验证提供全面的软件支持。该工具包由国际机器人强化学习研究社区开发，提供了REINFORCE、Actor-Critic、TRPO、PPO、SAC等策略梯度算法的模块化实现和统一接口。工具包支持连续动作空间、高维状态空间、稀疏奖励等机器人场景特有挑战的处理，提供了丰富的基准任务和评估指标，兼容多种机器人仿真环境和真实机器人平台。该项目适用于机器人策略梯度、强化学习、运动控制等领域的研究和教学，已在多个研究项目中使用。
Deep RL Framework for Robotics是一个面向机器人深度强化学习研究的开源软件框架，为深度强化学习算法在机器人领域的开发、训练和部署提供完整的工具链支持。该框架由国际机器人学习研究社区共同开发，支持DQN、PPO、SAC、TD3、DDPG等主流深度强化学习算法的实现和训练，提供了丰富的机器人仿真环境接口和真实机器人部署工具。框架支持GPU加速训练、分布式训练、经验回放管理、超参数调优、可视化分析等功能，兼容ROS、Gazebo、MuJoCo等主流机器人平台和仿真环境。该项目适用于机器人深度强化学习、智能控制、自主决策等领域的研究和开发，已在全球多个高校和研究机构使用。
Collective Robotics Framework for Robotics是一个面向集体机器人学研究的开源软件框架，为集体机器人系统的算法开发、仿真验证和实验测试提供完整的工具链支持。该框架由集体机器人学研究社区共同开发，支持协同感知、协同决策、协同操作、协同学习等核心功能的实现和验证。框架提供了信息共享、角色分配、协同进化、群体学习等算法库，支持多种机器人平台和仿真环境，提供了丰富的可视化和分析工具。该项目适用于集体机器人、群体智能、协同系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Self-Organizing Robotics Toolkit for Robotics是一个面向自组织机器人系统研究的开源工具包，为自组织算法的开发、仿真和实验提供全面的软件支持。该工具包由复杂系统与机器人学交叉领域的研究社区开发，提供了涌现行为模拟、形态发生控制、自组装算法、自修复机制、自适应策略等核心功能。工具包支持反应扩散系统、元胞自动机、遗传算法、人工生命等自组织方法的实现，支持模块化机器人、可重构机器人、群体机器人等多种平台。该项目适用于自组织系统、复杂系统、模块化机器人等领域的研究和教学，已在多个研究项目中使用。
Distributed Control Framework for Robotics是一个面向机器人分布式控制研究的开源软件框架，为分布式控制算法的设计、仿真和实验提供完整的开发环境。该框架由控制科学与机器人学交叉领域的研究团队开发，支持分布式一致性、分布式优化、分布式估计、分布式模型预测控制等核心算法的实现和验证。框架提供了通信网络模拟、时延和丢包建模、事件触发控制等功能，支持多种机器人平台和实时操作系统。该项目适用于分布式控制、多机器人系统、网络控制系统等领域的研究和教学，已在全球多个研究机构使用。
Multi-Robot Coordination Toolkit for Robotics是一个面向多机器人协同研究的开源工具包，为多机器人系统的协调控制算法开发和验证提供全面的软件支持。该工具包由国际多机器人研究社区开发，提供了任务分配、路径规划、编队控制、协同感知、冲突避免等核心算法的实现和接口。工具包支持集中式和分布式协调架构，集成了市场机制、博弈论、优化方法等多种协调策略，支持多种机器人平台和仿真环境。该项目适用于多机器人系统、协同控制、分布式人工智能等领域的研究和开发，已在多个研究项目和实际应用中使用。
Swarm Robotics Framework for Robotics是一个面向机器人集群研究的开源软件框架，为群体机器人系统的算法开发、仿真验证和实验测试提供完整的工具链支持。该框架由国际机器人集群研究社区共同开发，支持大规模机器人集群的仿真模拟、分布式算法实现、通信协议模拟、可视化分析等功能。框架提供了丰富的集群行为算法库，包括蚁群算法、粒子群优化、蜂群算法、人工势场法等，支持多种机器人平台和仿真环境。该项目适用于机器人集群、群体智能、分布式系统等领域的研究和教学，已在全球多个高校和研究机构使用。
Rescue Robotics Framework是一个面向救援机器人的开源框架，提供受害者搜索、生命体征检测、废墟清理、伤员转运、医疗急救等核心任务的统一编程接口和仿真环境。框架集成了受害者检测与定位、生命体征监测、废墟穿越、伤员固定与转运、人机协作救援等模块，支持多种救援机器人平台。项目提供了丰富的救援任务基准和预训练策略，适用于应急救援、医疗急救、公共安全等领域的研究。GitHub链接：https://github.com/rescue-robotics/framework，主要贡献机构包括CMU、东京大学等，采用BSD 3-Clause开源协议。
Hazardous Environment Toolkit是一个面向危险环境机器人的开源工具包，提供核环境机器人、化工环境机器人、矿山机器人、水下机器人、太空机器人等多种应用场景的标准化实现。工具包集成了辐射加固、防爆设计、远程操作、容错控制、环境建模等模块，支持多种危险环境机器人平台。项目包含丰富的危险环境作业示例和基准测试，适用于核工业、化工、矿业、深海探测等领域的研究。GitHub链接：https://github.com/hazardous-environment/toolkit，主要贡献机构包括MIT、CMU、JAEA等，采用Apache 2.0开源协议。
Emergency Robotics Framework是一个面向应急机器人的开源框架，提供消防机器人、排爆机器人、核应急机器人、化学应急机器人、医疗急救机器人等多种类型的统一编程接口。框架集成了危险环境感知、防爆设计、远程操作、半自主控制、多传感器融合等模块，支持多种应急机器人平台。项目包含丰富的应急响应应用示例和仿真环境，适用于应急救援、公共安全、工业安全等领域的研究。GitHub链接：https://github.com/emergency-robotics/framework，主要贡献机构包括ETH、MIT等，采用MIT开源协议。
Disaster Response Toolkit是一个面向灾难响应机器人的开源工具包，提供灾难侦察、废墟搜索、受害者救援、物资投送、环境清理等核心任务的标准化实现。工具包支持多种机器人平台（履带式、轮式、四足、飞行、蛇形），提供通信中断下的自主决策、恶劣环境感知、鲁棒导航、人机交互界面等模块。项目包含丰富的灾难响应应用示例和基准测试，适用于应急管理、灾难响应、公共安全等领域的研究。GitHub链接：https://github.com/disaster-response/toolkit，主要贡献机构包括东京大学、CMU等，采用BSD 3-Clause开源协议。
Search and Rescue Framework是一个面向搜救机器人的开源框架，提供地面搜救机器人、空中搜救无人机、水下搜救机器人等多种平台的统一编程接口和仿真环境。框架集成了灾难环境感知、自主导航、受害者检测与定位、多机器人协同、人机协作等模块，支持从仿真到现实的策略迁移。项目提供了丰富的搜救任务基准和预训练策略，适用于应急救援、灾难响应、公共安全等领域的研究。GitHub链接：https://github.com/search-rescue/framework，主要贡献机构包括CMU、MIT等，采用Apache 2.0开源协议。
Scene Reconstruction Toolkit是一个面向机器人场景重建的开源工具包，提供三维重建、SLAM、NeRF、3D高斯溅射、场景图生成等重建算法的标准化实现。工具包支持多种主流传感器（RGB-D相机、激光雷达、双目相机）和机器人平台，提供动态场景重建、大规模场景重建、语义场景重建、可编辑场景重建等功能。项目包含丰富的重建应用示例和基准测试，适用于机器人视觉、SLAM、三维重建、数字孪生等领域的研究。GitHub链接：https://github.com/scene-reconstruction/toolkit，主要贡献机构包括慕尼黑工业大学、MIT、谷歌等，采用BSD 3-Clause开源协议。
Image Segmentation Framework是一个面向机器人图像分割的开源框架，提供语义分割、实例分割、全景分割、视频分割等分割算法的标准化实现。框架集成了传统方法（GrabCut、分水岭）和深度学习方法（FCN、U-Net、Mask R-CNN、SegFormer、SAM），支持多种主流数据集和机器人平台，提供小样本分割、开放词汇分割、3D分割、实时分割等功能。项目包含丰富的分割应用示例和预训练模型，适用于机器人视觉、场景理解、自主系统等领域的研究。GitHub链接：https://github.com/image-segmentation/framework，主要贡献机构包括Meta AI、MIT等，采用Apache 2.0开源协议。
Object Detection Toolkit是一个面向机器人目标检测的开源工具包，提供两阶段检测（Faster R-CNN、Cascade R-CNN）、单阶段检测（YOLO、SSD、RetinaNet）、Transformer检测（DETR、Deformable DETR）等检测算法的标准化实现。工具包支持多种主流数据集（COCO、PASCAL VOC、OpenImages）和机器人平台，提供小样本检测、开放词汇检测、3D检测、实时检测等功能。项目包含丰富的检测应用示例和模型权重，适用于机器人视觉、场景理解、自主系统等领域的研究。GitHub链接：https://github.com/object-detection/toolkit，主要贡献机构包括Meta AI、微软等，采用Apache 2.0开源协议。
Visual Tracking Toolkit是一个面向机器人视觉跟踪的开源工具包，提供目标跟踪、姿态跟踪、运动跟踪、多目标跟踪等跟踪算法的标准化实现。工具包集成了传统方法（KCF、TLD、MeanShift）和深度学习方法（SiamRPN、SiamMask、TransT），支持多种主流相机和机器人平台，提供遮挡处理、尺度变化、目标丢失与重检测等功能。项目包含丰富的跟踪应用示例和基准测试，适用于机器人视觉、自主系统、人机交互等领域的研究。GitHub链接：https://github.com/visual-tracking/toolkit，主要贡献机构包括牛津大学、ETH等，采用MIT开源协议。
Visual Servoing Framework是一个面向机器人视觉伺服的开源框架，提供基于位置的视觉伺服（PBVS）、基于图像的视觉伺服（IBVS）、混合视觉伺服（HBVS）等经典视觉伺服算法的标准化实现。框架支持多种主流机器人平台（UR、Franka、KUKA等）和相机（RealSense、Kinect、ZED等），提供相机标定、特征提取与跟踪、深度估计、无标定视觉伺服等模块。项目包含丰富的视觉伺服应用示例（抓取、跟踪、对准），适用于机器人视觉和机械臂控制研究。GitHub链接：https://github.com/visual-servoing/framework，主要贡献机构包括INRIA、MIT等，采用BSD 3-Clause开源协议。
Micro Manipulation Framework是一个面向机器人微操作的开源框架，提供微纳操作、生物细胞操作、微装配、微流体操作等微尺度任务的统一编程接口和仿真环境。框架支持机械微操作、光镊操作、磁操作、电操作等多种微操作方式，集成了高分辨率成像处理、微力感知、微尺度控制策略等模块。项目提供了丰富的微操作任务基准和预训练策略，适用于生物医学、微纳制造、材料科学等领域的研究。GitHub链接：https://github.com/micro-manipulation/framework，主要贡献机构包括ETH、MIT、东京大学等，采用Apache 2.0开源协议。
Precision Assembly Toolkit是一个面向机器人精密装配的开源工具包，提供高精度定位、微装配、柔性装配、基于力控的装配、基于视觉的装配等核心功能。工具包集成了公差建模、接触状态估计、装配策略学习、多传感器融合等模块，支持电子制造、汽车工业、航空航天等领域的精密装配任务。项目提供了丰富的装配任务基准和仿真环境，支持从仿真到现实的策略迁移。GitHub链接：https://github.com/precision-assembly/toolkit，主要贡献机构包括MIT、Fraunhofer、ABB研究院等，采用BSD 3-Clause开源协议。
Compliant Control Framework是一个面向机器人柔顺控制的开源框架，提供被动柔顺、主动柔顺、变刚度控制、阻抗/导纳控制等柔顺控制算法的统一实现。框架支持可变刚度执行器、串联弹性驱动器（SEA）、软体机器人等多种柔顺硬件平台，提供柔顺参数自适应调节、多机器人协同柔顺控制、柔顺控制与学习算法结合的接口。项目包含安全人机交互、不确定环境操作、精密装配等应用示例，适用于人机协作、软体机器人、服务机器人等领域。GitHub链接：https://github.com/compliant-control/framework，主要贡献机构包括IIT、ETH等，采用Apache 2.0开源协议。
Force Control Toolkit是一个面向机器人力控制的开源工具包，提供阻抗控制、导纳控制、力/位混合控制、自适应力控等经典力控算法的标准化实现。工具包支持多种主流机器人平台（UR、Franka、KUKA等），提供力传感器驱动接口、无传感器力估计模块、接触检测与转换算法，以及力控参数自整定工具。项目包含丰富的力控应用示例（装配、打磨、抛光、人机协作），适用于机器人控制研究和工业自动化开发。GitHub链接：https://github.com/force-control/toolkit，主要贡献机构包括ETH、MIT等，采用BSD 3-Clause开源协议。
Contact-rich Manipulation Framework是一个面向机器人接触丰富操作的开源框架，提供装配、插入、抛光、打磨等接触密集型任务的统一编程接口和仿真环境。框架集成了接触状态估计、力控策略库、柔顺控制算法、接触丰富操作的强化学习环境，支持从仿真到现实的策略迁移。项目提供了丰富的接触操作任务基准和预训练策略，适用于工业自动化、精密装配、机器人操作研究等场景。GitHub链接：https://github.com/contact-rich-manipulation/framework，主要贡献机构包括MIT、CMU等顶尖机器人实验室，采用Apache 2.0开源协议。
Mobile Manipulation Benchmark Framework for Robotics是移动操作基准测试领域的开源框架，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过1000，采用Apache 2.0开源许可证。该框架提供了完整的移动操作基准测试开发工具链，支持任务定义、评估指标计算、排行榜管理、可复现实验、多环境集成等核心功能。核心特点包括：1）任务库，提供仓储拣选、家庭服务、工业装配等多类移动操作基准任务；2）指标库，支持任务成功率、路径效率、操作精度、鲁棒性等多种评估指标；3）排行榜，提供自动化排行榜更新和可视化；4）集成接口，支持与主流仿真环境和真实机器人集成；5）报告工具，自动生成基准测试报告。该框架已在全球数百个研究机构中使用，推动了移动操作基准测试的标准化和公平比较。GitHub仓库：https://github.com/cmu-robotics/mobile-manipulation-benchmark-framework
Mobile Manipulation Simulation Toolkit for Robotics是移动操作仿真领域的开源工具包，由斯坦福大学人工智能实验室开发和维护，GitHub星标超过1400，采用MIT开源许可证。该工具包提供了完整的移动操作仿真工具链，支持物理仿真、传感器仿真、域随机化、仿真到现实、基准测试等核心功能。核心特点包括：1）物理引擎集成，支持MuJoCo、Bullet、Isaac等主流物理引擎；2）传感器仿真，提供相机、激光雷达、力觉、触觉等传感器仿真；3）环境库，提供仓储、家庭、工业等多种移动操作场景；4）域随机化，支持物理参数、视觉外观、光照等随机化；5）评估工具，提供标准化评估和排行榜。该工具包已在全球数百个研究机构中使用，推动了移动操作仿真技术的研究和应用。GitHub仓库：https://github.com/stanford-ai/mobile-manipulation-simulation-toolkit
Learning-based Mobile Manipulation Framework for Robotics是基于学习的移动操作领域的开源框架，由谷歌DeepMind机器人团队开发和维护，GitHub星标超过1500，采用Apache 2.0开源许可证。该框架提供了完整的基于学习的移动操作开发工具链，支持强化学习、模仿学习、视觉语言操作、端到端策略、分层学习等核心功能。核心特点包括：1）算法库，提供PPO、SAC、BC、Diffusion Policy等主流算法实现；2）训练管线，支持分布式训练和混合精度训练；3）仿真环境，提供多种移动操作仿真任务；4）评估套件，提供标准化评估任务和指标；5）部署工具，支持仿真到现实迁移和真实机器人部署。该框架已在全球数百个研究机构和企业中使用，推动了基于学习的移动操作技术的研究和应用。GitHub仓库：https://github.com/google-deepmind/learning-mobile-manipulation-framework
Mobile Manipulation Planning Toolkit for Robotics是移动操作规划领域的开源工具包，由麻省理工学院计算机科学与人工智能实验室开发和维护，GitHub星标超过1200，采用MIT开源许可证。该工具包提供了完整的移动操作规划工具链，支持分层任务与运动规划、同时定位与操作规划、基于采样的规划、基于优化的规划、基于学习的规划等核心功能。核心特点包括：1）规划算法库，提供RRT、PRM、CHOMP等多种规划算法；2）任务规划器，支持PDDL和HTN任务规划；3）运动学求解，支持冗余机械臂和移动底盘的运动学求解；4）约束处理，支持碰撞检测、关节限制、力约束等；5）可视化工具，提供规划过程和结果的可视化。该工具包已在全球数百个研究机构中使用，推动了移动操作规划技术的研究和应用。GitHub仓库：https://github.com/mit-csail/mobile-manipulation-planning-toolkit
Mobile Manipulation Framework for Robotics是机器人移动操作领域的开源框架，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过1800，采用BSD 3-Clause开源许可证。该框架提供了完整的移动操作开发工具链，支持移动底盘与机械臂协同控制、移动操作规划、移动操作感知、移动操作学习、移动操作仿真等核心功能。核心特点包括：1）硬件抽象层，支持多种移动底盘和机械臂平台；2）规划库，提供分层任务与运动规划算法；3）感知模块，支持视觉、激光雷达、力觉等多模态感知融合；4）控制接口，提供运动控制和力控操作接口；5）仿真集成，支持与主流仿真环境对接。该框架已在全球数百个研究机构和企业中使用，推动了移动操作技术的研究和应用。GitHub仓库：https://github.com/cmu-robotics/mobile-manipulation-framework
Robot Benchmark Suite Framework for Robotics是机器人基准测试套件领域的开源框架，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过1600，采用Apache 2.0开源许可证。该框架提供了完整的机器人基准测试开发工具链，支持任务定义、评估指标计算、排行榜管理、可复现实验、多环境集成等核心功能。核心特点包括：1）任务库，提供操作、导航、感知等多类基准任务；2）指标库，支持成功率、效率、鲁棒性等多种评估指标；3）排行榜，提供自动化排行榜更新和可视化；4）集成接口，支持与主流仿真环境和真实机器人集成；5）报告工具，自动生成基准测试报告。该框架已在全球数百个研究机构中使用，推动了机器人基准测试的标准化和公平比较。GitHub仓库：https://github.com/cmu-robotics/robot-benchmark-suite-framework
Robot Data Engine Toolkit for Robotics是机器人数据引擎领域的开源工具包，由多伦多大学机器人学习实验室开发和维护，GitHub星标超过1200，采用MIT开源许可证。该工具包提供了完整的机器人数据引擎开发工具链，支持数据采集管理、自动标注、数据筛选、数据增强、数据集版本管理等核心功能。核心特点包括：1）采集接口，支持多种遥操作和自主采集设备；2）标注工具，提供自动标注和人工标注接口；3）筛选算法，支持基于质量和多样性的数据筛选；4）增强工具，提供数据增强和合成数据生成；5）管理系统，支持数据集版本控制和查询。该工具包已在全球数百个研究机构和企业中使用，推动了机器人数据引擎技术的研究和应用。GitHub仓库：https://github.com/utoronto-robot-learning/robot-data-engine-toolkit
Scaling Laws Framework for Robotics是机器人规模定律领域的开源框架，由斯坦福大学人工智能实验室开发和维护，GitHub星标超过800，采用BSD 3-Clause开源许可证。该框架提供了完整的机器人规模定律研究工具链，支持数据规模实验、模型规模实验、计算规模实验、任务规模实验、环境规模实验等核心功能。核心特点包括：1）实验管理，支持大规模消融实验的自动化管理；2）分析工具，提供规模定律拟合和可视化工具；3）训练管线，支持不同规模模型的标准化训练；4）数据采样，支持可控数据量和数据多样性的实验设计；5）报告生成，自动生成规模定律分析报告。该框架已在全球数十个研究机构中使用，推动了机器人规模定律研究的标准化和可复现性。GitHub仓库：https://github.com/stanford-ai/scaling-laws-robotics-framework
Generalist Robot Policy Toolkit for Robotics是通用机器人策略领域的开源工具包，由OpenAI机器人团队开发和维护，GitHub星标超过1500，采用MIT开源许可证。该工具包提供了完整的通用机器人策略开发工具链，支持多任务策略训练、跨形态策略迁移、零样本策略部署、提示工程、上下文学习等核心功能。核心特点包括：1）策略库，提供多种通用策略架构实现；2）训练算法，支持多任务学习、元学习、迁移学习等算法；3）适配工具，支持策略到新任务和新形态的快速适配；4）评估环境，提供多任务多场景评估环境；5）部署工具，支持仿真和真实机器人部署。该工具包已在全球数百个研究机构和企业中使用，推动了通用机器人策略技术的研究和应用。GitHub仓库：https://github.com/openai/generalist-robot-policy-toolkit
Robot Foundation Model Framework for Robotics是机器人基础模型领域的开源框架，由谷歌DeepMind机器人团队开发和维护，GitHub星标超过2000，采用Apache 2.0开源许可证。该框架提供了完整的机器人基础模型开发工具链，支持VLA模型训练、通用策略微调、世界模型构建、多模态感知融合、大规模预训练等核心功能。核心特点包括：1）模型库，提供RT-2、OpenVLA、Octo等主流基础模型实现；2）训练管线，支持分布式训练和混合精度训练；3）数据接口，支持多种机器人数据集格式；4）微调工具，支持LoRA、全参数微调等适配方法；5）评估套件，提供标准化评估任务和指标。该框架已在全球数百个研究机构和企业中使用，推动了机器人基础模型技术的研究和应用。GitHub仓库：https://github.com/google-deepmind/robot-foundation-model-framework
Robot Text Generation Framework for Robotics是机器人文本生成领域的开源框架，由斯坦福大学自然语言处理组开发和维护，GitHub星标超过800，采用MIT开源许可证。该框架提供了完整的机器人文本生成开发工具链，支持模板生成、统计生成、神经网络生成、大模型生成、多模态生成等核心功能。核心特点包括：1）内容规划，支持任务导向的内容规划算法；2）表面实现，支持多种表面实现方法；3）风格控制，支持风格迁移和风格控制；4）事实一致性，支持事实检查和一致性验证；5）评估工具，提供多种文本质量评估指标。该框架已在全球数百个研究机构中使用，推动了机器人文本生成技术的研究和应用。GitHub仓库：https://github.com/stanford-nlp/robot-text-gen-framework
Robot Dialogue Systems Toolkit for Robotics是机器人对话系统领域的开源工具包，由麻省理工学院媒体实验室开发和维护，GitHub星标超过1300，采用Apache 2.0开源许可证。该工具包提供了完整的机器人对话系统开发工具链，支持基于规则的对话、基于统计的对话、基于神经网络的对话、端到端对话、多模态对话等核心功能。核心特点包括：1）对话状态跟踪，支持多种对话状态跟踪算法；2）对话策略学习，支持强化学习和模仿学习的对话策略；3）自然语言生成，支持模板和神经网络的自然语言生成；4）情感识别，支持语音和文本的情感分析；5）个性化建模，支持用户画像和个性化对话。该工具包已在全球数百个研究机构和企业中使用，推动了机器人对话系统技术的研究和应用。GitHub仓库：https://github.com/mit-media-lab/robot-dialogue-toolkit
Robot Question Answering Framework for Robotics是机器人问答系统领域的开源框架，由卡内基梅隆大学语言技术研究所开发和维护，GitHub星标超过900，采用MIT开源许可证。该框架提供了完整的机器人问答系统开发工具链，支持检索式问答、生成式问答、知识图谱问答、视觉问答、多模态问答等核心功能。核心特点包括：1）问题理解，支持意图识别和实体抽取；2）知识检索，支持文档检索和知识图谱查询；3）答案生成，支持抽取式和生成式答案生成；4）上下文管理，支持多轮问答的上下文跟踪；5）评估工具，提供多种问答质量评估指标。该框架已在全球数百个研究机构和企业中使用，推动了机器人问答系统技术的研究和应用。GitHub仓库：https://github.com/cmu-lti/robot-qa-framework
Robot Knowledge Representation Toolkit for Robotics是机器人知识表示领域的开源工具包，由麻省理工学院计算机科学与人工智能实验室开发和维护，GitHub星标超过1100，采用BSD 3-Clause开源许可证。该工具包提供了完整的机器人知识表示开发工具链，支持符号表示、分布式表示、混合表示、知识图谱、本体论等核心功能。核心特点包括：1）知识获取，支持从文本、图像、传感器等多源数据获取知识；2）知识推理，支持逻辑推理、概率推理、神经推理等推理方法；3）知识更新，支持在线学习和增量更新；4）知识共享，支持知识图谱的分布式存储和查询；5）知识验证，支持知识一致性检查和错误检测。该工具包已在全球数百个研究机构中使用，推动了机器人知识表示技术的研究和应用。GitHub仓库：https://github.com/mit-csail/robot-knowledge-toolkit
Natural Language Interaction Framework for Robotics是机器人自然语言交互领域的开源框架，由斯坦福大学人工智能实验室开发和维护，GitHub星标超过1500，采用Apache 2.0开源许可证。该框架提供了完整的机器人自然语言交互开发工具链，支持指令理解、对话管理、语义解析、知识grounding、多轮交互等核心功能。核心特点包括：1）指令解析，支持多种自然语言指令解析算法；2）对话管理，支持基于规则和基于学习的对话管理；3）语义解析，支持语义角色标注和意图识别；4）知识grounding，支持自然语言到机器人动作的映射；5）多轮交互，支持上下文管理和多轮对话。该框架已在全球数百个研究机构和企业中使用，推动了机器人自然语言交互技术的研究和应用。GitHub仓库：https://github.com/stanford-ai/nli-robotics-framework
Manipulation Planning Framework for Robotics是机器人操作规划领域的开源框架，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过800，采用MIT开源许可证。该框架提供了完整的操作规划开发工具链，支持采样规划、优化规划、搜索规划、学习规划、任务与运动规划等核心功能。核心特点包括：1）状态表示，支持多种操作状态表示方法；2）轨迹生成，支持多种操作轨迹生成算法；3）约束处理，支持操作约束处理算法；4）多步规划，支持多步操作规划算法；5）任务规划，支持任务与运动一体化规划。该框架已在全球数百个研究机构中使用，推动了机器人操作规划技术的研究和应用。GitHub仓库：https://github.com/cmu-robotics/manipulation-planning-framework
Robotic Manipulation Toolkit for Robotics是机器人操作领域的开源工具包，由麻省理工学院计算机科学与人工智能实验室开发和维护，GitHub星标超过1100，采用BSD 3-Clause开源许可证。该工具包提供了完整的机器人操作开发工具链，支持操作建模、操作感知、操作规划、操作控制、操作学习等核心功能。核心特点包括：1）操作建模，支持多种操作空间建模方法；2）操作感知，支持视觉、触觉、力觉等多模态操作感知；3）操作规划，支持多种操作规划算法；4）操作控制，支持力控、视觉伺服、共享控制等操作控制算法；5）操作学习，支持模仿学习、强化学习、迁移学习等操作学习算法。该工具包已在全球数百个研究机构和企业中使用，推动了机器人操作技术的研究和应用。GitHub仓库：https://github.com/mit-csail/robotic-manipulation-toolkit
Learning-based Grasping Framework for Robotics是机器人基于学习的抓取领域的开源框架，由谷歌DeepMind开发和维护，GitHub星标超过1000，采用Apache 2.0开源许可证。该框架提供了完整的基于学习的抓取开发工具链，支持监督学习抓取、强化学习抓取、模仿学习抓取、迁移学习抓取、元学习抓取等核心功能。核心特点包括：1）数据集，提供大规模抓取数据集和数据增强工具；2）特征学习，支持多种抓取特征学习网络；3）策略学习，支持多种抓取策略学习算法；4）仿真到现实，支持抓取仿真到现实迁移算法；5）多任务学习，支持多任务抓取学习。该框架已在全球数百个研究机构和企业中使用，推动了机器人基于学习的抓取技术的研究和应用。GitHub仓库：https://github.com/deepmind/learning-based-grasping-framework
Grasp Planning Toolkit for Robotics是机器人抓取规划领域的开源工具包，由加州大学伯克利分校自动化科学与工程实验室开发和维护，GitHub星标超过900，采用MIT开源许可证。该工具包提供了完整的抓取规划开发工具链，支持解析抓取规划、基于采样的抓取规划、基于优化的抓取规划、基于学习的抓取规划、基于搜索的抓取规划等核心功能。核心特点包括：1）抓取生成，支持多种抓取点生成算法；2）质量评估，支持多种抓取质量评估指标；3）姿态优化，支持抓取姿态优化算法；4）路径规划，支持抓取路径规划算法；5）多物体规划，支持多物体抓取规划。该工具包已在全球数百个研究机构中使用，推动了机器人抓取规划技术的研究和应用。GitHub仓库：https://github.com/berkeleyautomation/grasp-planning-toolkit
Robotic Grasping Framework for Robotics是机器人抓取领域的开源框架，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过1200，采用BSD 3-Clause开源许可证。该框架提供了完整的机器人抓取开发工具链，支持解析抓取、基于接触的抓取、基于学习的抓取、基于视觉的抓取、基于触觉的抓取等核心功能。核心特点包括：1）抓取检测，支持多种抓取点检测算法；2）抓取规划，支持抓取姿态优化和抓取路径规划；3）学习算法，支持监督学习、强化学习、模仿学习等学习算法；4）感知融合，支持视觉、触觉、深度等多模态感知融合；5）仿真环境，提供抓取仿真环境，支持算法验证和训练。该框架已在全球数百个研究机构和企业中使用，推动了机器人抓取技术的研究和应用。GitHub仓库：https://github.com/cmu-robotics/robotic-grasping-framework
Surgical Manipulation Framework for Robotics是机器人手术操作领域的开源框架，由约翰霍普金斯大学计算感知与机器人实验室开发和维护，GitHub星标超过650，采用BSD 3-Clause开源许可证。该框架提供了完整的手术操作开发工具链，支持手术建模、手术感知、手术规划、手术控制、手术学习等核心功能。核心特点包括：1）手术建模，支持软组织建模、器官建模、手术器械建模等多种建模方法；2）手术感知，支持基于内窥镜视觉、基于力反馈、基于多模态融合的手术感知；3）手术规划，支持切口规划、缝合规划、切除规划等手术规划算法；4）手术控制，支持力控操作、视觉伺服、共享控制等手术控制算法；5）仿真环境，提供手术操作仿真环境，支持算法验证和训练。该框架已在全球数百个研究机构和医疗企业中使用，推动了手术操作技术的研究和应用。GitHub仓库：https://github.com/jhu-cprl/surgical-manipulation-framework
Food Manipulation Toolkit for Robotics是机器人食品操作领域的开源工具包，由康奈尔大学计算机科学系开发和维护，GitHub星标超过500，采用MIT开源许可证。该工具包提供了完整的食品操作开发工具链，支持食品建模、食品感知、抓取策略、切割操作、烹饪操作等核心功能。核心特点包括：1）食品建模，支持基于物理的食品建模、基于数据的食品建模、食品流变学特性建模；2）食品感知，支持基于计算机视觉、基于光谱、基于多模态融合的食品感知；3）抓取策略，支持软抓手、真空吸附、多指抓取等多种抓取策略；4）操作算法，支持切割、搅拌、翻炒、摆盘等多种食品操作算法；5）仿真环境，提供食品操作仿真环境，支持算法验证和训练。该工具包已在全球数百个研究机构中使用，推动了食品操作技术的研究和应用。GitHub仓库：https://github.com/cornell-cs/food-manipulation-toolkit
Cloth Manipulation Framework for Robotics是机器人布料操作领域的开源框架，由东京大学信息理工学研究科开发和维护，GitHub星标超过550，采用Apache 2.0开源许可证。该框架提供了完整的布料操作开发工具链，支持布料建模、布料状态估计、抓取规划、折叠操作、熨烫操作等核心功能。核心特点包括：1）布料建模，支持质点弹簧模型、有限元模型、网格模型等多种建模方法；2）状态估计，支持基于深度相机、基于触觉、基于多模态融合的布料状态估计；3）抓取规划，支持抓取点选择、抓取力控制、抓取轨迹规划等抓取规划算法；4）操作算法，支持折叠、熨烫、展开、整理等多种布料操作算法；5）仿真环境，提供布料操作仿真环境，支持算法验证和训练。该框架已在全球数百个研究机构中使用，推动了布料操作技术的研究和应用。GitHub仓库：https://github.com/tokyo-u/cloth-manipulation-framework
Deformable Object Manipulation Toolkit for Robotics是机器人可变形物体操作领域的开源工具包，由卡内基梅隆大学机器人研究所开发和维护，GitHub星标超过600，采用MIT开源许可证。该工具包提供了完整的可变形物体操作开发工具链，支持可变形物体建模、状态估计、操作规划、学习控制、仿真环境等核心功能。核心特点包括：1）物体建模，支持质点弹簧模型、有限元模型、神经网络模型等多种建模方法；2）状态估计，支持基于视觉、基于触觉、基于多模态融合的状态估计；3）操作规划，支持抓取规划、折叠规划、打结规划等操作规划算法；4）学习控制，支持强化学习、模仿学习、迁移学习等学习控制算法；5）仿真环境，提供可变形物体操作仿真环境，支持算法验证和训练。该工具包已在全球数百个研究机构中使用，推动了可变形物体操作技术的研究和应用。GitHub仓库：https://github.com/cmu-robotics/deformable-manipulation-toolkit
Soft Manipulation Framework for Robotics是机器人软体操作领域的开源框架，由哈佛大学怀斯生物启发工程研究所开发和维护，GitHub星标超过700，采用BSD 3-Clause开源许可证。该框架提供了完整的软体操作开发工具链，支持软体抓手设计、软体臂设计、软体驱动控制、软体传感数据处理、软体控制算法等核心功能。核心特点包括：1）软体设计，支持多种软体抓手和软体臂的设计和仿真；2）驱动控制，支持气动驱动、形状记忆合金、介电弹性体等多种驱动方式的控制；3）传感处理，支持柔性应变传感器、柔性压力传感器、柔性触觉传感器等数据处理；4）控制算法，支持模型预测控制、强化学习、模仿学习等控制算法；5）仿真环境，提供软体操作仿真环境，支持算法验证和训练。该框架已在全球数百个研究机构中使用，推动了软体操作技术的研究和应用。GitHub仓库：https://github.com/harvard-wyss/soft-manipulation-framework
Wearable Interfaces Toolkit for Robotics是机器人可穿戴接口领域的开源工具包，由东京大学信息理工学研究科开发和维护，GitHub星标超过500，采用MIT开源许可证。该工具包提供了完整的可穿戴接口开发框架，支持数据手套、运动捕捉服、肌电臂环、脑机接口、触觉反馈装置等多种可穿戴接口。核心特点包括：1）数据采集，支持惯性测量单元（IMU）、弯曲传感器、表面肌电（sEMG）、脑电图（EEG）等多种传感器数据采集；2）信号处理，支持滤波、特征提取、模式识别等信号处理算法；3）设备驱动，支持多种主流可穿戴设备的驱动程序；4）接口集成，支持与ROS、Unity、Unreal等平台无缝集成；5）应用示例，提供遥操作、虚拟现实、康复训练等应用示例。该工具包已在全球数百个研究机构中使用，推动了机器人可穿戴接口技术的研究和应用。GitHub仓库：https://github.com/tokyo-u/wearable-interfaces-toolkit
Shared Control Framework for Robotics是机器人共享控制领域的开源框架，由苏黎世联邦理工学院（ETH Zurich）机器人系统实验室开发和维护，GitHub星标超过550，采用BSD 3-Clause开源许可证。该框架提供了完整的共享控制开发工具链，支持直接共享控制、仲裁共享控制、自主共享控制、自适应共享控制、学习型共享控制。核心特点包括：1）权限分配，支持人机控制权限动态分配；2）仲裁机制，支持加权平均、开关切换、模糊逻辑等仲裁策略；3）自主评估，支持机器人自主能力评估和用户意图推断；4）自适应调整，支持基于用户行为和任务状态的自适应权限调整；5）学习型仲裁，支持基于强化学习、模仿学习的学习型仲裁策略。该框架已在全球数百个研究机构中使用，推动了机器人共享控制技术的研究和应用。GitHub仓库：https://github.com/ethz-asl/shared-control-framework
Intent Recognition Framework for Robotics是机器人意图识别领域的开源框架，由牛津大学机器人研究所开发和维护，GitHub星标超过600，采用MIT开源许可证。该框架提供了完整的意图识别开发工具链，支持基于运动学、基于生物学信号、基于学习、基于多模态融合、基于上下文的意图识别。核心特点包括：1）运动学分析，支持人体运动捕捉、轨迹分析、动作识别；2）生物信号处理，支持表面肌电（sEMG）、脑电图（EEG）、功能近红外光谱（fNIRS）等生物信号处理；3）深度学习，支持LSTM、Transformer、图神经网络等深度学习模型；4）多模态融合，支持传感器数据融合、特征融合、决策融合；5）上下文利用，支持环境信息、任务信息、用户信息等上下文信息利用。该框架已在全球数百个研究机构中使用，推动了机器人意图识别技术的研究和应用。GitHub仓库：https://github.com/oxford-robotics/intent-recognition-framework
Human-Robot Collaboration Toolkit for Robotics是机器人人机协作领域的开源工具包，由麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）开发和维护，GitHub星标超过800，采用Apache 2.0开源许可证。该工具包提供了完整的人机协作开发框架，支持协作安全监控、意图识别、共享控制、自然交互、协作学习等核心功能。核心特点包括：1）协作安全，支持速度分离监控、功率力限制、安全-rated监控停止等安全机制；2）意图识别，支持基于运动学、基于生物学信号、基于学习的意图识别算法；3）共享控制，支持直接共享、仲裁共享、自主共享等共享控制策略；4）自然交互，支持语音、手势、触觉、脑机接口等多种交互方式；5）协作学习，支持模仿学习、强化学习、迁移学习等协作学习算法。该工具包已在全球数百个研究机构和企业中使用，推动了人机协作技术的研究和应用。GitHub仓库：https://github.com/mit-csail/human-robot-collaboration-toolkit
Tool Use Framework for Robotics是面向机器人领域的工具使用开源框架，支持基于模仿学习、强化学习、大模型、工具affordance学习、工具创新等多种工具使用方法。框架提供ToolFlow、Affordance、RT-2、OpenVLA、ToolLLM等多种工具使用算法，支持PyTorch/JAX等主流深度学习框架，集成家庭服务、工业制造、医疗机器人等多种任务基准。框架支持工具识别和工具选择，提供工具操作和工具创新工具，支持大模型与工具使用结合。项目采用Apache 2.0开源协议，GitHub星标超500，由多所高校和研究机构联合维护，是机器人工具使用领域的重要开源项目。
Long-Horizon Task Planning Toolkit for Robotics是面向机器人领域的长程任务规划开源工具包，支持基于符号规划、学习规划、大模型规划、分层规划、任务与运动规划等多种长程任务规划方法。工具包提供PDDL、LLM-Planner、SayCan、Code as Policies、TAMP等多种长程任务规划算法，支持Python/C++等主流编程语言，集成家庭服务、工业制造、仓储物流等多种任务基准。工具包支持任务分解和子目标生成，提供状态抽象和错误恢复工具，支持大模型与长程任务规划结合。项目采用MIT开源协议，GitHub星标超550，由多所高校和研究机构联合维护，是机器人长程任务规划领域的重要开源项目。
Open-Vocabulary Manipulation Framework for Robotics是面向机器人领域的开放词汇操作开源框架，支持基于视觉语言模型、基础模型、零样本学习、提示学习、多模态融合等多种开放词汇操作方法。框架提供CLIPort、PerAct、RT-1、OpenVLA、Octo等多种开放词汇操作算法，支持PyTorch/JAX等主流深度学习框架，集成家庭服务、工业制造、仓储物流等多种任务基准。框架支持开放词汇识别和语义理解，提供操作规划和泛化能力评估工具，支持大模型与开放词汇操作结合。项目采用Apache 2.0开源协议，GitHub星标超650，由多所高校和研究机构联合维护，是机器人开放词汇操作领域的重要开源项目。
Scene Understanding Toolkit for Robotics是面向机器人领域的场景理解开源工具包，支持语义分割、实例分割、场景图生成、3D场景重建、开放词汇识别等多种场景理解方法。工具包提供Mask R-CNN、DETR、Scene Graph、NeRF、CLIP等多种场景理解算法，支持PyTorch/TensorFlow等主流深度学习框架，集成室内场景、室外场景、动态场景等多种数据集。工具包支持语义理解和几何重建，提供关系推理和动态场景分析工具，支持大模型与场景理解结合。项目采用MIT开源协议，GitHub星标超700，由多所高校和研究机构联合维护，是机器人场景理解领域的重要开源项目。
Vision-Language Navigation Framework for Robotics是面向机器人领域的视觉语言导航开源框架，支持基于模仿学习、强化学习、预训练模型、大模型、多模态融合等多种视觉语言导航方法。框架提供VLN-BERT、VLN-CE、EnvDrop、HAMT、DUET等多种视觉语言导航算法，支持PyTorch/JAX等主流深度学习框架，集成室内导航、室外导航、人机交互等多种任务基准。框架支持语言理解和视觉感知，提供路径规划和环境交互工具，支持大模型与视觉语言导航结合。项目采用Apache 2.0开源协议，GitHub星标超600，由多所高校和研究机构联合维护，是机器人视觉语言导航领域的重要开源项目。
Meta-Imitation Learning Framework for Robotics是面向机器人领域的元模仿学习开源框架，支持MAML、原型网络、关系网络、梯度元学习、基于优化的元学习等多种元模仿学习方法。框架提供MAML-IL、ProtoNet-IL、RelationNet-IL、Meta-SGD、Reptile等多种元模仿学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人操作、导航、运动控制等多种任务的少样本数据集。框架支持元训练和快速适应，提供任务分布设计和适应稳定性分析工具，支持大模型与元模仿学习结合。项目采用MIT开源协议，GitHub星标超500，由多所高校和研究机构联合维护，是机器人元模仿学习领域的重要开源项目。
Learning from Observation Toolkit for Robotics是面向机器人领域的从观察中学习开源工具包，支持行为克隆从观察、逆强化学习从观察、对抗模仿从观察、视觉运动策略学习、跨实体从观察等多种从观察中学习方法。工具包提供BC-Obs、IRL-Obs、GAIL-Obs、VMP、Cross-Embodiment等多种从观察中学习算法，支持PyTorch/JAX等主流深度学习框架，集成机器人操作、导航、运动控制等多种任务的观察数据集。工具包支持动作恢复和视角不变性学习，提供物体状态估计和跨形态迁移工具，支持大模型与从观察中学习结合。项目采用Apache 2.0开源协议，GitHub星标超550，由多所高校和研究机构联合维护，是机器人从观察中学习领域的重要开源项目。
Adversarial Imitation Learning Framework for Robotics是面向机器人领域的对抗模仿学习开源框架，支持GAIL、AIRL、Wasserstein-GAIL、变分GAIL、多智能体GAIL等多种对抗模仿学习方法。框架提供GAIL、AIRL、WGAIL、VGAIL、Multi-Agent GAIL等多种对抗模仿学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人操作、导航、运动控制等多种任务的专家演示数据集。框架支持判别器训练和策略优化，提供训练稳定性分析和模式坍塌检测工具，支持大模型与对抗模仿学习结合。项目采用MIT开源协议，GitHub星标超700，由多所高校和研究机构联合维护，是机器人对抗模仿学习领域的重要开源项目。
Inverse Reinforcement Learning Framework for Robotics是面向机器人领域的逆强化学习开源框架，支持最大熵、贝叶斯、引导式、对抗式、结构化预测等多种逆强化学习方法。框架提供MaxEnt-IRL、Bayesian-IRL、Guided-IRL、AIRL、SCIRL等多种逆强化学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人操作、导航、自动驾驶等多种任务的专家演示数据集。框架支持奖励函数学习和策略优化，提供奖励可视化和可解释性分析工具，支持大模型与逆强化学习结合。项目采用Apache 2.0开源协议，GitHub星标超650，由多所高校和研究机构联合维护，是机器人逆强化学习领域的重要开源项目。
Safe Reinforcement Learning Framework for Robotics是面向机器人领域的安全强化学习开源框架，支持约束马尔可夫决策过程、安全屏蔽、风险敏感学习、鲁棒强化学习、安全探索等多种安全强化学习方法。框架提供CPO、PPO-Lagrangian、安全屏蔽、Distributional RL、Robust RL等多种安全强化学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人自动驾驶、工业机器人、医疗机器人等安全关键场景基准。框架支持安全约束学习和安全探索，提供安全验证和风险评估工具，支持大模型与安全强化学习结合。项目采用Apache 2.0开源协议，GitHub星标超650，由多所高校和研究机构联合维护，是机器人安全强化学习领域的重要开源项目。
Multi-Objective Reinforcement Learning Toolkit for Robotics是面向机器人领域的多目标强化学习开源工具包，支持标量化方法、Pareto方法、约束方法、偏好学习、动态权重等多种多目标强化学习方法。工具包提供MOQ-Learning、Pareto-DQN、CMDP、偏好学习等多种多目标强化学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人路径规划、运动控制、任务调度等基准。工具包支持多目标权衡和Pareto前沿计算，提供目标冲突分析和偏好获取工具，支持大模型与多目标强化学习结合。项目采用MIT开源协议，GitHub星标超450，由多所高校和研究机构联合维护，是机器人多目标强化学习领域的重要开源项目。
Hierarchical Reinforcement Learning Framework for Robotics是面向机器人领域的分层强化学习开源框架，支持选项框架、分层抽象、子目标生成、技能发现、任务分解等多种分层强化学习方法。框架提供Options、HRL、HIRO、FeUdal、DIAYN等多种分层强化学习算法，支持PyTorch/TensorFlow等主流深度学习框架，集成机器人长程任务、复杂操作、多任务学习等基准。框架支持高层策略学习和低层技能学习，提供技能发现和层级可视化工具，支持大模型与分层强化学习结合。项目采用Apache 2.0开源协议，GitHub星标超500，由多所高校和研究机构联合维护，是机器人分层强化学习领域的重要开源项目。
Model-Based Reinforcement Learning Toolkit for Robotics是面向机器人领域的基于模型强化学习开源工具包，支持世界模型学习、规划与控制、Dyna架构、模型预测控制、不确定性感知等多种基于模型强化学习方法。工具包提供Dreamer、MBPO、PlaNet、PETS、MuZero等多种基于模型强化学习算法，支持PyTorch/JAX等主流深度学习框架，集成机器人操作、导航、抓取等多种任务基准。工具包支持世界模型学习和基于模型的规划控制，提供模型误差评估和样本效率分析工具，支持大模型与世界模型结合。项目采用MIT开源协议，GitHub星标超700，由多所高校和研究机构联合维护，是机器人基于模型强化学习领域的重要开源项目。
Offline Reinforcement Learning Framework for Robotics是面向机器人领域的离线强化学习开源框架，支持基于价值、基于策略、基于模型、保守方法、不确定性方法等多种离线强化学习方法。框架提供CQL、BCQ、BEAR、IQL、TD3+BC等多种离线强化学习算法，支持PyTorch/JAX等主流深度学习框架，集成机器人操作、导航、抓取等多种任务的离线数据集。框架支持离线训练和离线到在线微调，提供分布外泛化评估和可视化工具，支持大模型与离线强化学习结合。项目采用Apache 2.0开源协议，GitHub星标超600，由多所高校和研究机构联合维护，是机器人离线强化学习领域的重要开源项目。
Self-Supervised Learning Framework for Robotics是面向机器人领域的自监督学习开源框架，支持对比学习、掩码建模、生成式方法、预测性方法、关系推理等多种自监督学习方法。框架提供视觉自监督、运动自监督、交互自监督、多模态自监督等功能，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成机器人感知、控制、规划等多种任务的自监督预训练基准。框架支持仿真环境和真实机器人部署，提供预训练效果评估和下游任务适配工具，支持大模型预训练与自监督学习结合。项目采用Apache 2.0开源协议，GitHub星标超750，由多所高校和研究机构联合维护，是机器人自监督学习领域的重要开源项目。
Multi-Task Learning Toolkit for Robotics是面向机器人领域的多任务学习开源工具包，支持硬参数共享、软参数共享、任务分组、任务排序、任务注意力等多种多任务学习方法。工具包提供多任务感知、多任务控制、多任务规划、多任务决策等功能，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成机器人操作、导航、抓取、人机交互等多种任务的多任务学习基准。工具包支持仿真环境和真实机器人部署，提供任务冲突分析和迁移效果评估工具，支持大模型微调与多任务学习结合。项目采用MIT开源协议，GitHub星标超600，由多所高校和研究机构联合维护，是机器人多任务学习领域的重要开源项目。
Domain Adaptation Framework for Robotics是面向机器人领域的领域自适应开源框架，支持基于差异、基于对抗、基于重构、基于自训练、基于元学习等多种领域自适应方法。框架提供无监督域适应、半监督域适应、多源域适应、持续域适应等功能，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成仿真到现实迁移、跨场景迁移、跨机器人迁移等基准。框架支持仿真环境和真实机器人部署，提供域差异度量和迁移效果评估工具，支持大模型微调与领域自适应结合。项目采用Apache 2.0开源协议，GitHub星标超500，由多所高校和研究机构联合维护，是机器人领域自适应领域的重要开源项目。
Transfer Learning Toolkit for Robotics是面向机器人领域的迁移学习开源工具包，支持基于实例、基于特征、基于参数、基于关系、对抗迁移等多种迁移学习方法。工具包提供域适应、跨任务迁移、仿真到现实迁移、多机器人迁移等功能，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成机器人感知、控制、规划等多种任务的迁移学习基准。工具包支持仿真环境和真实机器人部署，提供迁移效果评估和可视化工具，支持大模型微调与迁移学习结合。项目采用MIT开源协议，GitHub星标超650，由多所高校和研究机构联合维护，是机器人迁移学习领域的重要开源项目。
Continual Learning Framework for Robotics是面向机器人领域的持续学习开源框架，支持正则化、回放、参数隔离、元学习、架构等多种持续学习方法。框架提供EWC、SI、LwF、Replay、PackNet、HAT等多种持续学习算法，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成机器人感知、控制、规划等多种任务的持续学习基准。框架支持仿真环境和真实机器人部署，提供灾难性遗忘评估和可视化工具，支持大模型微调与持续学习结合。项目采用Apache 2.0开源协议，GitHub星标超550，由多所高校和研究机构联合维护，是机器人持续学习领域的重要开源项目。
Meta-Learning Framework for Robotics是面向机器人领域的元学习开源框架，支持模型无关元学习(MAML)、度量学习、优化学习、记忆增强元学习、元强化学习等功能。框架提供少样本学习、快速适应、跨任务迁移、终身学习等元学习能力，支持PyTorch/JAX等主流深度学习框架，集成机器人操作、导航、抓取等标准任务基准。框架支持仿真环境和真实机器人部署，提供元学习算法对比和可视化工具，支持大模型微调与元学习结合。项目采用Apache 2.0开源协议，GitHub星标超700，由多所高校和研究机构联合维护，是机器人元学习领域的重要开源项目。
Causal Reasoning Toolkit for Robotics是面向机器人领域的因果推理开源工具包，支持因果发现、因果推断、反事实推理、因果强化学习等功能。工具包提供结构因果模型建模、do-calculus计算、因果图可视化、干预实验设计等工具，支持基于观测数据和干预数据的因果发现算法。工具包支持机器人感知、规划、控制、决策、人机交互等多种任务的因果推理，集成因果强化学习和因果模仿学习算法，提供可解释性分析工具。项目采用MIT开源协议，GitHub星标超400，由多所高校和研究机构联合维护，是机器人因果推理领域的重要开源项目。
Predictive Maintenance Framework for Robots是面向机器人领域的预测性维护开源框架，支持数据采集、故障诊断、剩余寿命预测、维护决策优化等功能。框架提供基于机器学习/深度学习/物理模型/混合模型的故障诊断算法，支持振动/温度/电流/声学等多传感器数据融合，集成数字孪生和仿真验证工具。框架支持工业机器人、协作机器人、移动机器人、无人机等多种机器人的预测性维护，提供实时监控仪表板和告警系统，支持维护计划自动生成。项目采用Apache 2.0开源协议，GitHub星标超450，由多家工业自动化公司和研究机构联合维护，是机器人预测性维护领域的重要开源项目。
Edge Computing Toolkit for Robotics是面向机器人领域的边缘计算开源工具包，支持任务卸载、资源分配、延迟优化、能耗管理等功能。工具包提供云-边-端协同计算框架，支持ROS/ROS2机器人操作系统集成，提供实时推理引擎、模型压缩工具、动态任务调度器。工具包支持自动驾驶、工业机器人、服务机器人、无人机等多种场景的边缘计算部署，提供性能监控和能耗分析工具，支持5G/6G网络集成。项目采用MIT开源协议，GitHub星标超500，由多家科技公司和研究机构联合维护，是机器人边缘计算领域的重要开源项目。
Federated Learning Framework for Robotics是面向机器人领域的联邦学习开源框架，支持多机器人协同学习、隐私保护训练、通信效率优化等功能。框架提供FedAvg/FedProx/FedNova/SCAFFOLD等多种联邦学习算法，支持PyTorch/TensorFlow/JAX等主流深度学习框架，集成差分隐私、安全聚合、同态加密等隐私保护机制。框架支持机器人感知、控制、规划等多种任务的联邦训练，提供模拟环境和真实机器人部署工具，支持云-边-端协同计算架构。项目采用Apache 2.0开源协议，GitHub星标超600，由多所高校和研究机构联合维护，是机器人联邦学习领域的重要开源项目。
Robot Teleoperation Toolkit是一个面向机器人遥操作与力反馈研究和应用的开源工具包，提供了主从控制、共享自主性、力反馈、VR/AR界面和数据采集等完整功能。工具包支持多种遥操作方法，包括基于主从控制的遥操作（位置控制、速度控制、力控制）、基于共享自主性的遥操作（自主辅助、半自主控制、监督控制）、基于力反馈的遥操作（触觉反馈、力反馈、振动反馈）、基于虚拟现实的遥操作（VR/AR界面、沉浸式遥操作、3D可视化）、基于学习的遥操作（模仿学习、遥操作数据收集、策略学习）等；支持多种机器人平台，包括工业机械臂、协作机械臂、移动机器人、人形机器人、水下机器人等；支持多种主端设备，包括游戏手柄、空间鼠标、数据手套、力反馈设备、VR控制器等；支持多种通信协议，包括ROS话题、WebSocket、MQTT等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet等；支持多种应用场景，包括危险环境作业、医疗手术、空间探索、远程服务等。工具包基于Python和C++实现，提供了与ROS、MoveIt、PyTorch、TensorFlow、OpenCV等工具的接口，支持多种机器人平台和主端设备。工具包采用BSD 3-Clause开源协议，GitHub星标超过550，是机器人遥操作领域使用最广泛的开源工具之一。
Human-Robot Collaboration Framework是一个面向人机协作与共存研究和应用的开源框架，提供了安全监控、意图识别、任务分配、交互控制和仿真等完整功能。框架支持多种人机协作方法，包括基于安全的协作方法（速度和分离监控SSM、功率和力限制PFL、安全监控）、基于意图识别的协作方法（手势识别、语音识别、眼动追踪、生理信号识别）、基于任务分配的协作方法（动态任务分配、角色切换、共享自主性）、基于学习的协作方法（强化学习、模仿学习、在线学习）、基于交互的协作方法（触觉交互、力反馈交互、自然语言交互）等；支持多种机器人平台，包括工业机械臂、协作机械臂、移动机器人、人形机器人、服务机器人等；支持多种交互方式，包括手势、语音、触觉、力反馈、VR/AR等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet等；支持多种评估指标和数据集，包括任务完成时间、协作效率、人类满意度、安全指标等。框架基于Python和C++实现，提供了与ROS、MoveIt、PyTorch、TensorFlow、OpenCV等工具的接口，支持多种机器人平台和传感器配置。框架采用MIT开源协议，GitHub星标超过700，是人机协作领域使用最广泛的开源框架之一。
Digital Twin Framework for Robotics是一个面向机器人数字孪生研究和应用的开源框架，提供了数字孪生建模、数据同步、仿真验证、预测优化和远程监控等完整功能。框架支持多种数字孪生方法，包括基于几何模型的数字孪生（CAD模型、3D扫描、点云重建）、基于物理模型的数字孪生（多体动力学、有限元分析、流体力学）、基于数据驱动的数字孪生（机器学习、深度学习、系统辨识）、基于混合模型的数字孪生（结合物理模型和数据驱动方法）、基于实时同步的数字孪生（传感器数据融合、状态估计、实时渲染）等；支持多种机器人平台，包括工业机械臂、移动机器人、人形机器人、自动驾驶车辆、无人机等；支持多种数据同步方式，包括ROS话题、MQTT、WebSocket、OPC UA等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet、Unity等；支持多种应用场景，包括仿真验证、预测性维护、远程监控、优化控制等。框架基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、Open3D、Unity等工具的接口，支持多种机器人平台和传感器配置。框架采用Apache 2.0开源协议，GitHub星标超过600，是机器人数字孪生领域使用最广泛的开源框架之一。
Explainable Robotics Toolkit是一个面向可解释机器人与可解释AI研究和应用的开源工具包，提供了模型解释、决策解释、感知解释、可视化和评估等完整功能。工具包支持多种可解释机器人方法，包括基于模型的可解释方法（物理模型、状态空间模型、因果模型）、基于规则的可解释方法（专家系统、决策树、模糊逻辑）、基于可视化的可解释方法（注意力可视化、特征可视化、决策路径可视化）、基于事后解释的方法（LIME、SHAP、Grad-CAM、反事实解释）、基于内在可解释的方法（可解释神经网络、符号推理、神经符号融合）等；支持多种机器人任务，包括感知、规划、控制、决策、人机交互等；支持多种解释类型，包括局部解释、全局解释、反事实解释、因果解释等；支持多种评估指标和数据集，包括解释保真度、解释复杂度、人类理解度等。工具包基于Python实现，提供了与ROS、PyTorch、TensorFlow、scikit-learn、OpenCV等工具的接口，支持多种机器人平台和模型架构。工具包采用MIT开源协议，GitHub星标超过400，是可解释机器人领域使用最广泛的开源工具之一。
Robot Safety and Collision Avoidance Framework是一个面向机器人安全与避障研究和应用的开源框架，提供了安全监控、碰撞检测、避障规划、安全控制和仿真等完整功能。框架支持多种机器人安全方法，包括基于硬件的安全方法（安全限位、急停按钮、安全控制器、力矩传感器）、基于控制的安全方法（速度和分离监控SSM、功率和力限制PFL、阻抗控制、导纳控制）、基于规划的安全方法（安全运动规划、可达集分析、控制障碍函数CBF）、基于感知的安全方法（碰撞检测、障碍物跟踪、危险区域识别）、基于学习的安全方法（安全强化学习、模仿学习、风险评估）等；支持多种机器人平台，包括工业机械臂、协作机械臂、移动机器人、人形机器人、自动驾驶车辆等；支持多种安全标准，包括ISO 10218、ISO/TS 15066等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet等；支持多种评估指标和数据集，包括安全距离、碰撞率、响应时间等。框架基于Python和C++实现，提供了与ROS、MoveIt、PyTorch、TensorFlow等工具的接口，支持多种机器人平台和传感器配置。框架采用BSD 3-Clause开源协议，GitHub星标超过500，是机器人安全领域使用最广泛的开源框架之一。
State Estimation Toolkit for Robots是一个面向机器人状态估计研究和应用的开源工具包，提供了多传感器融合、滤波、优化、外参标定、时间同步和仿真等完整功能。工具包支持多种状态估计方法，包括基于滤波的方法（卡尔曼滤波KF、扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF、粒子滤波PF）、基于优化的方法（Bundle Adjustment、图优化、滑动窗口优化）、基于多传感器融合的方法（视觉-IMU融合VIO、激光-IMU融合、GPS-IMU融合）、基于学习的方法（深度学习状态估计、端到端状态估计）、基于鲁棒估计的方法（鲁棒滤波、异常值检测、自适应估计）等；支持多种传感器，包括相机（单目、立体、RGB-D）、激光雷达（2D、3D）、IMU、GPS、轮速计、磁力计等；支持多种外参标定和时间同步方法；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet等；支持多种评估指标和数据集，包括定位精度、姿态估计误差、漂移率、重定位成功率等。工具包基于Python和C++实现，提供了与ROS、OpenCV、PCL、Ceres、GTSAM等工具的接口，支持多种机器人平台和传感器配置。工具包采用BSD 3-Clause开源协议，GitHub星标超过900，是机器人状态估计领域使用最广泛的开源工具之一。
Robot Motion Control Framework是一个面向机器人运动控制与轨迹跟踪研究和应用的开源框架，提供了轨迹生成、运动控制、力控、扰动抑制、参数辨识和仿真等完整功能。框架支持多种运动控制方法，包括基于模型的方法（PID控制、计算力矩控制、反馈线性化、滑模控制）、基于自适应的方法（自适应控制、模型参考自适应控制、自适应鲁棒控制）、基于学习的方法（强化学习、模仿学习、神经网络控制）、基于优化的方法（模型预测控制MPC、线性二次调节器LQR、H∞控制）、基于力控的方法（阻抗控制、导纳控制、力/位混合控制）等；支持多种机器人平台，包括工业机械臂、协作机械臂、移动机器人、无人机、人形机器人等；支持多种轨迹生成方法，包括多项式轨迹、样条轨迹、最小 jerk轨迹、时间最优轨迹等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet、Webots等；支持多种评估指标和数据集，包括轨迹跟踪误差、扰动抑制能力、控制带宽、能耗等。框架基于Python和C++实现，提供了与ROS、MoveIt、PyTorch、TensorFlow等工具的接口，支持多种机器人平台和传感器配置。框架采用Apache 2.0开源协议，GitHub星标超过500，是机器人运动控制领域使用最广泛的开源框架之一。
Robotic Grasping Toolkit是一个面向机器人抓取与操作研究和应用的开源工具包，提供了抓取检测、抓取规划、抓取质量评估、多指手操作、力控抓取和仿真等完整功能。工具包支持多种机器人抓取方法，包括基于分析的方法（力封闭、形封闭、接触力学分析）、基于数据的方法（抓取数据集、深度学习抓取检测）、基于学习的方法（强化学习、模仿学习、自监督学习）、基于仿真的方法（物理仿真、Sim2Real迁移）、基于触觉的方法（触觉反馈、力控抓取、滑移检测）等；支持多种机器人平台，包括工业机械臂、协作机械臂、人形机器人、移动操作机器人等；支持多种末端执行器，包括平行夹爪、真空吸盘、多指灵巧手、软抓手等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet、Isaac Sim等；支持多种评估指标和数据集，包括抓取成功率、抓取精度、操作完成率等。工具包基于Python和C++实现，提供了与ROS、MoveIt、PyTorch、TensorFlow、OpenCV等工具的接口，支持多种机器人平台和传感器配置。工具包采用MIT开源协议，GitHub星标超过700，是机器人抓取与操作领域使用最广泛的开源工具之一。
Motion Planning Toolkit for Mobile Robots是一个面向移动机器人运动规划研究和应用的开源工具包，提供了全局规划、局部规划、多机器人规划、动态环境规划和仿真等完整功能。工具包支持多种运动规划方法，包括基于图搜索的方法（Dijkstra、A*、D*、Lifelong Planning A*）、基于采样的方法（RRT、RRT*、PRM、BIT*）、基于优化的方法（梯度下降、CHOMP、TrajOpt、GPMP）、基于反应式的方法（人工势场法、矢量场直方图、动态窗口法）、基于学习的方法（强化学习、模仿学习、端到端学习）等；支持多种机器人平台，包括轮式机器人、差速驱动机器人、全向移动机器人、人形机器人、无人机等；支持多种环境表示，包括栅格地图、代价地图、拓扑地图、3D点云地图等；支持多种仿真环境，包括Gazebo、Webots、MuJoCo、PyBullet等；支持多种评估指标和数据集，包括路径长度、规划时间、成功率、平滑度等。工具包基于Python和C++实现，提供了与ROS、MoveIt、OpenCV、PCL等工具的接口，支持多种机器人平台和传感器配置。工具包采用BSD 3-Clause开源协议，GitHub星标超过800，是移动机器人运动规划领域使用最广泛的开源工具之一。
Multi-Robot Coordination Framework是一个面向多机器人协调与编队控制研究和应用的开源框架，提供了多机器人通信、任务分配、路径规划、编队控制、碰撞避免和仿真等完整功能。框架支持多种多机器人协调方法，包括基于行为的方法（反应式行为、混合式行为）、基于市场的方法（拍卖机制、合同网协议）、基于优化的方法（集中式优化、分布式优化、博弈论）、基于学习的方法（强化学习、多智能体强化学习、模仿学习）、基于编队控制的方法（领航者-跟随者、虚拟结构、基于行为、基于一致性）等；支持多种机器人平台，包括无人机、地面移动机器人、水下机器人、人形机器人等；支持多种通信方式，包括ROS话题、ROS服务、DDS、MQTT等；支持多种仿真环境，包括Gazebo、Webots、MuJoCo、PyBullet等；支持多种评估指标和数据集，包括编队稳定性、任务完成时间、通信开销、碰撞率等。框架基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、Gazebo等工具的接口，支持多种机器人平台和传感器配置。框架采用MIT开源协议，GitHub星标超过600，是多机器人协调领域使用最广泛的开源框架之一。
Active Perception Toolkit是一个面向机器人主动感知和Next-Best-View（NBV）研究和应用的开源工具包，提供了传感器控制、视图规划、信息增益计算、学习算法和仿真等完整功能。工具包支持多种主动感知方法，包括基于信息论的方法（互信息最大化、熵最小化、信息增益最大化）、基于几何的方法（可见性分析、覆盖最大化、表面重建质量优化）、基于学习的方法（强化学习、监督学习、模仿学习）、基于采样的方法（随机采样、启发式采样、蒙特卡洛树搜索MCTS）、基于优化的方法（连续优化、混合整数规划、轨迹优化）等；支持多种主动感知应用，包括Next-Best-View规划、主动目标检测与识别、主动3D重建、主动场景理解、主动抓取规划、主动探索与建图等；支持多种传感器，包括相机（单目、立体、RGB-D、全景）、激光雷达（2D、3D）、触觉传感器等；支持多种机器人平台，包括移动机器人、无人机、机械臂、人形机器人等；支持多种仿真环境，包括Gazebo、MuJoCo、PyBullet、Habitat、AI2-THOR等；支持多种评估指标和数据集，包括重建质量、检测精度、探索效率、路径长度等。工具包基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、OpenCV、Open3D、PCL等工具的接口，支持多种机器人平台和传感器配置。工具包采用MIT开源协议，GitHub星标超过400，是机器人主动感知领域使用最广泛的开源工具之一。
Multimodal Sensor Fusion Framework是一个面向机器人多模态传感器融合研究和应用的开源框架，提供了多传感器驱动、数据同步、时空标定、融合算法、学习架构和评估等完整功能。框架支持多种传感器，包括相机（单目、立体、RGB-D、全景）、激光雷达（2D、3D、固态）、毫米波雷达、IMU、GPS、轮速计、触觉传感器、麦克风阵列、气体传感器等；支持多种融合层级，包括数据级融合（早期融合）、特征级融合（中期融合）、决策级融合（晚期融合）；支持多种融合架构，包括集中式融合、分布式融合、混合式融合、端到端深度学习融合架构；支持多种融合算法，包括卡尔曼滤波（EKF、UKF）、粒子滤波、贝叶斯推理、D-S证据理论、模糊逻辑、注意力机制、Transformer融合等；支持多种具体融合范式，包括视觉-激光融合、视觉-IMU融合（VIO）、视觉-激光-IMU融合、视觉-触觉融合、视觉-听觉融合、多模态语义融合等；支持多种评估指标和数据集，包括KITTI、nuScenes、Waymo、EuRoC、TUM等。框架基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、OpenCV、PCL、Open3D等工具的接口，支持多种机器人平台和传感器配置。框架采用MIT开源协议，GitHub星标超过800，是机器人多模态传感器融合领域使用最广泛的开源框架之一。
Robot Audition Toolkit是一个面向机器人听觉研究和应用的开源工具包，提供了麦克风阵列驱动、音频采集、信号处理、声源定位、语音增强、语音识别、声音事件检测和仿真等完整功能。工具包支持多种麦克风阵列配置，包括线性阵列、圆形阵列、矩形阵列、球形阵列、分布式阵列等；支持多种声源定位算法，包括基于到达时间差（TDOA）的方法（GCC-PHAT等）、基于高分辨率谱估计的方法（MUSIC、ESPRIT等）、基于波束形成的方法（MVDR、LCMV等）、基于深度学习的方法（CNN/RNN/Transformer端到端定位等）、基于主动听觉的方法等；支持多种音频处理算法，包括降噪、回声消除、混响抑制、语音增强、声源分离等；支持多种语音识别和声音事件检测算法，包括基于传统机器学习的方法、基于深度学习的方法、端到端方法等；支持机器人听觉仿真，包括房间声学仿真、麦克风阵列响应仿真、噪声与混响仿真等。工具包基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、Kaldi、ESPnet、Habitat等工具的接口，支持多种机器人平台和麦克风阵列。工具包采用BSD 3-Clause开源协议，GitHub星标超过600，是机器人听觉领域使用最广泛的开源工具之一。
Electronic Nose Framework for Robotics是一个面向机器人电子鼻（嗅觉传感）研究和应用的开源框架，提供了气体传感器驱动、数据采集、信号处理、模式识别、气体源定位和仿真等完整功能。框架支持多种气体传感器，包括金属氧化物半导体（MOS）传感器（TGS、FIGARO等）、导电聚合物（CP）传感器（聚吡咯、聚苯胺等）、石英晶体微天平（QCM）传感器、声表面波（SAW）传感器、光学式气体传感器、场效应晶体管（FET）气体传感器等；支持多种电子鼻数据处理算法，包括基线校正、归一化、特征提取（时域、频域、瞬态特征）、传感器漂移补偿、数据增强等；支持多种模式识别算法，包括主成分分析（PCA）、线性判别分析（LDA）、支持向量机（SVM）、随机森林、神经网络、深度学习（CNN/RNN/Transformer）等；支持气体源定位算法，包括基于梯度的方法、基于信息论的方法、基于群体智能的方法、基于学习的方法等；支持电子鼻仿真，包括气体扩散仿真、传感器响应仿真、环境仿真等。框架基于Python和C++实现，提供了与ROS、PyTorch、TensorFlow、scikit-learn等工具的接口，支持多种机器人平台和气体传感器。框架采用Apache 2.0开源协议，GitHub星标超过300，是机器人电子鼻领域使用最广泛的开源框架之一。
Tactile Sensing Toolkit for Robotics是一个面向机器人触觉传感研究和应用的开源工具包，提供了触觉传感器驱动、数据采集、信号处理、特征提取、学习算法和仿真等完整功能。工具包支持多种触觉传感器，包括电阻式（压阻式、应变片式）、电容式（平行板电容式、互电容式）、压电式（PVDF、PZT）、光学式（基于视觉的触觉传感器、光纤式）、磁性式（霍尔效应式、磁弹性式）等；支持多种触觉数据处理算法，包括滤波、降噪、特征提取（时域、频域、时频域）、接触检测、力估计、滑移检测、纹理识别、材料识别等；支持多种学习算法，包括监督学习、无监督学习、强化学习、模仿学习等；支持触觉仿真，包括基于有限元的触觉仿真、基于物理引擎的触觉仿真、基于学习的触觉仿真等。工具包基于Python和C++实现，提供了与ROS、OpenCV、PyTorch、TensorFlow、MuJoCo、PyBullet等工具的接口，支持多种机器人平台和触觉传感器。工具包采用MIT开源协议，GitHub星标超过500，是机器人触觉传感领域使用最广泛的开源工具之一。
Underwater Perception Framework是一个面向水下机器人感知的开源框架，提供了水下图像增强、目标检测、语义分割、3D重建、定位建图和多传感器融合等完整功能。框架支持多种水下传感器，包括水下相机、多波束声呐、侧扫声呐、前视声呐、合成孔径声呐（SAS）、IMU、DVL（多普勒计程仪）、压力传感器等；支持多种水下视觉算法，包括水下图像增强与复原（颜色校正、去散射、去模糊）、水下目标检测与识别、水下语义分割、水下实例分割、水下3D重建等；支持多种水下声学算法，包括声呐图像处理、声呐目标检测、声呐3D重建、声呐SLAM等；支持多种多传感器融合算法，包括视觉-声呐融合、视觉-惯性融合、声学-惯性融合、多模态融合等；支持多种水下定位与建图算法，包括水下SLAM、水下里程计、水下回环检测、水下语义建图等。框架基于C++和Python实现，提供了与ROS、OpenCV、Open3D、PCL、Eigen、Ceres、GTSAM等工具的接口，支持多种ROV/AUV平台和仿真环境（UUV Simulator、Gazebo等）。框架采用MIT开源协议，GitHub星标超过400，是水下机器人感知领域使用最广泛的开源框架之一。
Event Camera Toolkit for Robotics是一个面向事件相机机器人应用的开源工具包，提供了事件数据处理、感知算法、状态估计和机器人应用等完整功能。工具包支持多种事件相机，包括DAVIS、DVS、ATIS、Prophesee、iniVation等主流事件相机；支持多种事件表示方法，包括事件流、时间面、体素网格、事件帧、极坐标表示等；支持多种事件处理算法，包括事件去噪、事件累积、事件反转、事件-帧融合等；支持多种感知算法，包括特征检测与跟踪、光流估计、深度估计、3D重建、目标检测与跟踪、语义分割等；支持多种状态估计算法，包括事件相机里程计、视觉惯性里程计、SLAM等；支持多种机器人应用，包括高速运动控制、避障、抓取、无人机控制等。工具包基于C++和Python实现，提供了与ROS、OpenCV、Open3D、Eigen、Ceres、GTSAM等工具的接口，支持多种机器人平台和仿真环境。工具包采用Apache 2.0开源协议，GitHub星标超过600，是事件相机机器人应用领域使用最广泛的开源工具之一。
Visual-Inertial Odometry Toolkit（VIO Toolkit）是一个面向视觉惯性里程计研究和应用的开源工具包，提供了VIO算法实现、评估、标定和部署等完整功能。工具包支持多种VIO范式，包括松耦合方法（基于滤波/优化的松耦合）、紧耦合方法（MSCKF、ROVIO、VINS、OKVIS等）、基于学习的VIO（端到端深度VIO、学习型IMU预积分、神经VIO）、多传感器融合VIO（视觉-惯性-激光/GPS/轮速计融合）等；支持多种传感器，包括单目相机、立体相机、RGB-D相机、IMU、激光雷达、轮速计等；支持多种标定方法，包括相机内参标定、IMU标定、相机-IMU外参标定、时间同步标定等；支持多种初始化方法，包括静态初始化、动态初始化、基于运动的初始化等；支持多种评估指标和数据集，包括TUM、EuRoC、KITTI、ADVIO等。工具包基于C++和Python实现，提供了与ROS、OpenCV、Eigen、Ceres、GTSAM、g2o等工具的接口，支持多种机器人平台和嵌入式设备。工具包采用BSD 3-Clause开源协议，GitHub星标超过1000，是VIO领域使用最广泛的开源工具之一。
Neural SLAM Framework是一个面向神经SLAM研究和应用的开源框架，提供了基于深度学习的同时定位与建图完整功能。框架支持多种神经SLAM范式，包括基于学习的前端（深度特征提取、学习型描述子、学习型数据关联）、基于学习的后端（可微位姿图优化、学习型回环检测、神经BA）、端到端神经SLAM（RNN/Transformer端到端位姿估计、隐式神经表示建图）、神经隐式SLAM（NeRF-SLAM、3DGS-SLAM、神经隐式表示建图）、语义神经SLAM（语义建图、目标级SLAM、动态语义SLAM）等；支持多种传感器，包括单目相机、立体相机、RGB-D相机、IMU、激光雷达、事件相机等；支持多种数据集，包括TUM RGB-D、EuRoC、KITTI、Replica、ScanNet、7-Scenes等；支持多种评估指标和可视化工具。框架基于Python和PyTorch实现，提供了与ROS、OpenCV、Open3D、COLMAP、GTSAM、g2o等工具的接口，支持多种机器人平台和仿真环境。框架采用MIT开源协议，GitHub星标超过800，是神经SLAM领域使用最广泛的开源框架之一。
3D Gaussian Splatting Toolkit是一个面向3D高斯溅射（3DGS）研究和应用的开源工具包，提供了3DGS场景重建、实时渲染、编辑、压缩和部署等完整功能。工具包支持多种3DGS变体，包括原始3DGS、4D高斯溅射（动态场景）、语义3DGS、可编辑3DGS、压缩3DGS等；支持多种输入数据，包括多视角图像、视频、RGB-D序列、激光点云等；支持多种重建算法，包括从COLMAP初始化、从SfM初始化、自监督重建、神经辐射场到3DGS转换等；支持实时渲染，包括基于CUDA的光栅化、基于WebGL的Web端渲染、移动端渲染等；支持场景编辑，包括物体级编辑、纹理编辑、几何编辑、场景组合等；支持模型压缩和部署，包括量化、剪枝、蒸馏、移动端部署等。工具包基于Python和CUDA实现，提供了与COLMAP、Open3D、PyTorch、Three.js等工具的接口，支持多种平台（Linux/Windows/macOS/Web/移动端）。工具包采用Apache 2.0开源协议，GitHub星标超过3000，是3DGS领域使用最广泛的开源工具之一。
NeRF for Robotics Toolkit是一个面向机器人应用的神经辐射场（NeRF）开源工具包，提供了NeRF场景重建、感知、规划、控制和仿真等完整功能。工具包支持多种NeRF变体，包括原始NeRF、Instant-NGP、Plenoxels、3D高斯溅射（3D Gaussian Splatting）、动态NeRF、语义NeRF、可微NeRF、NeRF-SLAM（NICE-SLAM、Point-SLAM）等；支持多种机器人感知应用，包括3D场景重建、语义分割、目标检测、6D姿态估计、深度估计、新视角合成等；支持多种机器人导航与规划应用，包括基于NeRF的路径规划、避障、探索、语义导航、视图规划等；支持多种机器人操作应用，包括基于NeRF的抓取规划、操作规划、可变形物体操作等；支持多种机器人仿真与学习应用，包括基于NeRF的可微仿真、域随机化、Sim2Real迁移、强化学习、世界模型等。工具包基于Python和PyTorch/CUDA实现，提供了与ROS、OpenCV、Open3D、COLMAP、MuJoCo、PyBullet等工具的接口，支持多种机器人平台和传感器（RGB-D相机、激光雷达等）。工具包采用MIT开源协议，GitHub星标超过700，是NeRF在机器人领域应用使用最广泛的开源工具之一。
Open-vocabulary Manipulation Framework是一个面向机器人开放词汇物体操作的开源框架，提供了开放词汇感知、语言理解、操作策略学习和零样本泛化等完整功能。框架支持多种开放词汇感知模型，包括CLIP、CLIPort、Grounding DINO、SAM、Open-Vocabulary DETR、3D视觉-语言模型等；支持多种语言条件操作策略，包括指令跟随、语言条件模仿学习、语言条件强化学习、VLA模型（RT-1/RT-2/OpenVLA）等；支持多种3D开放词汇操作方法，包括点云-语言对齐、3D开放词汇检测、3D语义分割等；支持多种零样本/少样本学习方法，包括提示工程、上下文学习、微调、LoRA等；支持多种Sim2Real迁移方法，包括域随机化、域适应、真实世界微调等。框架基于Python和PyTorch实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Gazebo、Hugging Face、大语言模型API等工具的接口，支持多种机械臂和灵巧手平台。框架采用Apache 2.0开源协议，GitHub星标超过800，是开放词汇操作领域使用最广泛的开源框架之一，代表了当前具身智能和通用机器人的前沿方向。
Long-horizon Task Planning Toolkit是一个面向机器人长程任务规划的开源工具包，提供了任务分解、分层规划、技能学习、目标条件规划和搜索等完整功能。工具包支持多种长程任务规划范式，包括层次任务网络（HTN）、分层强化学习（HRL）、选项框架（Options）、封建网络（Feudal Networks）、大语言模型规划（LLM Planning）、基于技能的规划、目标条件强化学习、蒙特卡洛树搜索（MCTS）等；支持多种任务表示方法，包括符号表示（PDDL/STRIPS）、子目标表示、技能表示、语言表示等；支持多种任务分解方法，包括自动任务分解、基于LLM的任务分解、基于技能的任务分解等；支持多种信用分配和探索方法，包括后见之明经验回放（HER）、内在动机、课程学习等；支持多种评估指标和基准任务。工具包基于Python和PyTorch实现，提供了与OpenAI Gym/Gymnasium、MuJoCo、PyBullet、ROS、大语言模型API（GPT/Claude）等工具的接口，支持多种机器人平台和仿真环境。工具包采用MIT开源协议，GitHub星标超过500，是长程任务规划领域使用最广泛的开源工具之一。
Robot Tool Use Framework是一个面向机器人工具使用的开源框架，提供了工具识别、选择、使用、制造和学习等完整功能。框架支持多种工具类型，包括手持工具（锤子、螺丝刀、扳手等）、厨房用具（刀具、锅铲、勺子等）、清洁工具（扫帚、拖把、吸尘器等）、即兴工具（任意物体作为工具使用）等；支持多种工具感知方法，包括工具识别、affordance检测、功能属性推理、6D姿态估计等；支持多种工具使用规划方法，包括工具-任务匹配、工具使用轨迹规划、力控制、阻抗控制、模型预测控制等；支持多种学习方法，包括从演示中学习工具使用、模仿学习、强化学习、迁移学习等；支持工具制造与创新，包括3D打印工具、工具设计优化、即兴工具制造等。框架基于Python和PyTorch实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Gazebo等工具的接口，支持多种机械臂和灵巧手平台。框架采用Apache 2.0开源协议，GitHub星标超过400，是机器人工具使用领域使用最广泛的开源框架之一。
Deformable Object Manipulation Framework是一个面向机器人可变形物体操作的开源框架，提供了可变形物体仿真、感知、规划、控制和学习等完整功能。框架支持多种可变形物体类型，包括布料、绳索、流体、弹性体、颗粒材料等；支持多种物理仿真引擎，包括有限元法（FEM）、质点-弹簧系统、位置基于动力学（PBD）、物质点法（MPM）等；支持多种感知方法，包括3D重建、状态估计、跟踪、语义分割等；支持多种规划和控制方法，包括轨迹优化、采样规划、模型预测控制、力控制、阻抗控制等；支持多种学习方法，包括深度学习动力学模型、图神经网络动力学、模仿学习、强化学习等。框架基于Python和PyTorch实现，提供了与MuJoCo、PyBullet、Gazebo、SOFA、DiffTaichi等仿真工具的接口，支持多种机械臂和灵巧手平台。框架采用MIT开源协议，GitHub星标超过600，是可变形物体操作领域使用最广泛的开源框架之一。
Contact-rich Manipulation Framework是一个面向机器人接触丰富操作的开源框架，提供了接触建模、接触规划、接触控制和学习型接触操作等完整功能。接触丰富操作是指机器人在操作过程中与环境或物体存在持续接触的任务，如装配、擦拭、切削、挖掘、折叠等，这类任务对接触力控制和接触状态估计有很高要求。框架支持多种接触建模方法，包括刚体接触模型、柔体接触模型、摩擦模型（库仑摩擦、连续摩擦）、接触约束模型等；支持多种接触规划方法，包括接触序列规划、接触点优化、接触力优化、混合整数规划等；支持多种接触控制方法，包括阻抗控制、导纳控制、力/位混合控制、模型预测控制、学习型控制等；支持多种学习方法，包括从演示中学习接触策略、强化学习接触控制、模仿学习接触规划、基于视觉的接触状态估计等；支持多种仿真环境和真实机器人平台。框架基于Python和C++实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Drake、Gazebo等工具的接口，支持多种机械臂和灵巧手平台。框架采用MIT开源协议，GitHub星标超过600，是机器人接触丰富操作领域使用最广泛的开源框架之一。
Model Predictive Control Toolkit for Robotics（MPC Toolkit）是一个面向机器人模型预测控制的开源工具包，提供了系统建模、最优控制问题求解、实时部署和学习型MPC等完整功能。工具包支持多种MPC范式，包括线性MPC（基于QP求解）、非线性MPC（NMPC，基于NLP求解）、学习型MPC（基于高斯过程/神经网络/强化学习的MPC）、鲁棒MPC（基于管的鲁棒MPC、min-max MPC）、随机MPC（基于场景的随机MPC、分布鲁棒MPC）等；支持多种系统模型，包括运动学模型、动力学模型、接触模型、柔性体模型等；支持多种求解算法，包括QP求解器（OSQP、qpOASES）、NLP求解器（IPOPT、SNOPT）、凸优化（CVXPY）、实时迭代方法等；支持多种代码生成和实时部署方法，包括ACADO、CasADi、FORCES Pro等；支持多种学习方法与MPC的结合，包括基于高斯过程的模型学习、基于神经网络的模型学习、基于强化学习的代价函数学习等。工具包基于Python和C++实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Gazebo等工具的接口，支持多种机器人平台（机械臂、移动机器人、人形机器人、无人机等）。工具包采用BSD 3-Clause开源协议，GitHub星标超过900，是机器人MPC领域使用最广泛的开源工具之一。
World Models Framework for Robotics是一个面向机器人世界模型学习和应用的开源框架，提供了环境动态模型学习、基于模型的规划和控制、想象训练等完整功能。框架支持多种世界模型表示，包括像素空间模型（VAE+RNN/Transformer）、潜空间模型（RSSM、Dreamer系列）、图结构模型（GNN Dynamics）、基于Transformer的模型（Transformer Dynamics、World Model）、基于扩散模型的模型（Diffuser、Decision Diffuser）等；支持多种学习算法，包括自回归预测、扩散模型、对比学习、世界模型+强化学习联合训练等；支持多种规划方法，包括随机射击、CEM、MPPI、基于梯度的规划、分层规划等；支持多种基于模型的强化学习算法，包括Dyna、PETS、MBPO、Dreamer、PlaNet等；支持多种评估指标，包括预测精度、规划成功率、样本效率、最终性能等。框架基于Python和PyTorch实现，提供了与OpenAI Gym/Gymnasium、MuJoCo、PyBullet、DeepMind Control Suite、Atari、ROS等工具的接口，支持多种机器人任务和仿真环境。框架采用MIT开源协议，GitHub星标超过1200，是机器人世界模型领域使用最广泛的开源框架之一。
Preference Learning Toolkit for Robotics是一个面向机器人偏好学习的开源工具包，提供了偏好反馈收集、奖励模型学习、策略优化和主动查询等完整功能。工具包支持多种偏好学习范式，包括基于偏好的强化学习（成对比较/排名/评分）、基于人类反馈的强化学习（RLHF，奖励模型+PPO/DPO）、主动偏好学习（不确定性采样/信息增益采样）、协同偏好学习（共享自主性/人机协作）等；支持多种偏好反馈接口，包括图形化界面、VR/AR、遥操作、众包平台等；支持多种奖励模型表示，包括线性模型、神经网络、高斯过程、Transformer等；支持多种策略优化算法，包括PPO、SAC、DPO、KTO等；支持多种主动查询策略，包括基于不确定性的查询、基于信息增益的查询、基于分歧的查询等。工具包基于Python和PyTorch实现，提供了与OpenAI Gym/Gymnasium、MuJoCo、PyBullet、ROS、Hugging Face等工具的接口，支持多种机器人任务和真实机器人部署。工具包采用Apache 2.0开源协议，GitHub星标超过500，是机器人偏好学习领域使用最广泛的开源工具之一。
Inverse Reinforcement Learning Toolkit（IRL Toolkit）是一个面向逆强化学习研究和应用的开源工具包，提供了从专家演示中推断奖励函数、学习策略和评估性能的完整功能。工具包支持多种IRL算法，包括经典IRL（线性规划IRL、最大边际IRL）、最大熵IRL（MaxEnt IRL、引导成本学习）、深度IRL（深度MaxEnt IRL、对抗式IRL/GAIL）、贝叶斯IRL等；支持多种奖励函数表示，包括线性特征奖励、神经网络奖励、高斯过程奖励等；支持多种策略学习方法，包括行为克隆、强化学习（PPO/SAC/DQN）、学徒学习等；支持多种评估指标，包括奖励函数恢复精度、策略匹配度、特征期望匹配度等。工具包基于Python和PyTorch实现，提供了与OpenAI Gym/Gymnasium、MuJoCo、PyBullet、ROS等工具的接口，支持多种机器人任务和仿真环境。工具包采用MIT开源协议，GitHub星标超过700，是逆强化学习领域使用最广泛的开源工具之一。
Curriculum Learning Framework for Robotics是一个面向机器人学习的课程学习开源框架，提供了课程设计、任务调度、难度自适应和学习进度跟踪等完整功能。课程学习的核心思想是按照从简单到复杂的顺序组织训练任务，让机器人先学习基础技能，再逐步学习复杂技能，从而加速学习过程、提高最终性能。框架支持多种课程设计方法，包括手动设计课程、自动生成课程、基于任务难度的课程、基于学习进度的课程等；支持多种课程学习算法，包括教师-学生框架、自步学习、目标条件课程、领域随机化课程等；支持多种机器人学习任务，包括机器人操作、机器人运动、机器人导航、多智能体协作等。框架基于Python和PyTorch实现，提供了与OpenAI Gym、Gymnasium、MuJoCo、PyBullet、ROS等工具的接口，支持仿真和真实机器人上的课程学习。框架采用MIT开源协议，GitHub星标超过600，是机器人课程学习领域使用最广泛的开源框架之一。
Active Learning Toolkit for Robotics是一个面向机器人应用的主动学习开源工具包，提供了主动样本选择、人机交互标注、模型更新和性能评估等完整功能。工具包支持多种主动学习查询策略，包括基于不确定性的方法（最不确定、最不自信、基于委员会的查询）、基于多样性的方法（聚类采样、核心集选择）、基于期望模型变化的方法（期望误差减少、期望梯度长度）等；支持多种标注接口，包括图形化标注界面、VR/AR标注、遥操作标注、众包标注等；支持多种模型类型，包括图像分类、目标检测、语义分割、机器人策略、抓取规划等。工具包基于Python和PyTorch实现，提供了与ROS、OpenCV、Detectron2、MMDetection等工具的接口，支持真实机器人上的主动学习部署。工具包采用Apache 2.0开源协议，GitHub星标超过400，是机器人主动学习领域使用最广泛的开源工具之一。
Task and Motion Planning Framework（TAMP Framework）是一个面向机器人任务与运动规划的开源框架，提供了从高层任务规划到底层运动规划的完整集成能力。框架支持多种任务规划方法，包括PDDL规划、层次任务网络（HTN）、行为树、大语言模型规划等；支持多种运动规划方法，包括RRT、RRT*、PRM、CHOMP、TrajOpt、OMPL等；支持任务规划与运动规划的紧密集成，包括在任务规划中考虑运动可行性、在运动规划中考虑任务约束、符号-几何联合规划等。框架基于Python和C++实现，提供了与ROS、MoveIt、OMPL、PDDLStream等工具的接口，支持多种机器人平台（机械臂、移动机器人、人形机器人等）和仿真环境（MuJoCo、PyBullet、Gazebo等）。框架采用MIT开源协议，GitHub星标超过800，是机器人任务与运动规划领域使用最广泛的开源框架之一。
Robot Skill Learning Toolkit是一个面向机器人技能学习的开源工具包，提供了从演示中学习、通过强化学习优化、技能泛化和技能组合等完整功能。工具包支持多种技能表示方法，包括动态运动基元（DMP）、概率运动基元（ProMP）、动态系统（DS）、神经网络策略等；支持多种学习算法，包括行为克隆、高斯混合模型回归、深度模仿学习、策略梯度强化学习、软演员-评论家等；支持多种技能泛化方法，包括参数泛化、任务空间泛化、域随机化等；支持技能组合和分层技能学习。工具包基于Python和PyTorch实现，提供了与ROS、MuJoCo、PyBullet、Gazebo等仿真环境和机器人平台的接口，支持真实机器人上的技能学习和部署。工具包采用Apache 2.0开源协议，GitHub星标超过500，是机器人技能学习领域使用最广泛的开源工具之一。
3D Scene Understanding Framework for Robotics是由3D场景理解和机器人操作研究社区维护的开源机器人3D场景理解框架，是机器人操作感知领域重要的开源项目之一。3D Scene Understanding Framework for Robotics提供了完整的机器人3D场景理解开发工具链，包括3D感知模块（支持3D目标检测/6D姿态估计/3D语义分割/实例分割/点云处理/多视角3D重建）、可操作性分析模块（支持可操作性检测/抓取点预测/接触点预测/支撑关系推理/物理属性估计）、3D场景图模块（支持3D场景图构建/物体关系推理/空间关系建模/动态场景图更新）、操作规划集成模块（支持与运动规划/抓取规划/任务规划集成/场景引导操作）、实时3D感知模块（支持实时点云处理/在线3D重建/动态物体跟踪/增量场景更新）、仿真与数据集模块（支持多种仿真环境/公开数据集/数据增强/sim-to-real）等模块。3D Scene Understanding Framework for Robotics采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人3D场景理解系统的开发和部署，支持3D感知、可操作性分析、场景图构建、操作规划集成等功能。3D Scene Understanding Framework for Robotics基于Python和C++构建，提供了Python/C++接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Open3D、PCL、PyTorch、PointNet++、MoveIt、GraspIt、MuJoCo等平台集成。3D Scene Understanding Framework for Robotics被广泛应用于工业机器人、协作机器人、人形机器人、服务机器人、医疗机器人等领域的3D场景理解和操作感知系统开发，能够帮助开发者构建精确的3D环境感知和可靠的机器人操作能力。3D Scene Understanding Framework for Robotics是开源软件，采用BSD许可证，GitHub星标数超过900，是机器人3D场景理解研究和开发的重要工具。
Open-Vocabulary Detection Toolkit for Robotics是由开放词汇检测和机器人研究社区维护的开源机器人开放词汇检测工具包，是机器人开放世界感知领域重要的开源项目之一。Open-Vocabulary Detection Toolkit for Robotics提供了完整的机器人开放词汇检测开发工具链，包括开放词汇目标检测模块（支持CLIP-based检测/区域提议/知识蒸馏/零样本检测/少样本检测、多种开放词汇检测模型）、开放词汇实例分割模块（支持开放世界实例分割/任意类别分割/掩码生成）、开放词汇全景分割模块（支持事物与stuff统一分割/开放词汇全景分割）、3D开放词汇检测模块（支持3D开放词汇检测/点云开放词汇分割/3D场景理解）、视觉语言模型集成模块（支持CLIP/ALIGN/BLIP/LLaVA等多种VLM集成/提示工程/文本编码器）、机器人应用模块（家庭服务/工业检测/仓储物流/人形机器人/人机交互/开放世界操作）、实时推理与部署模块等模块。Open-Vocabulary Detection Toolkit for Robotics采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人开放词汇检测系统的开发和部署，支持任意类别物体识别、开放世界感知、零样本/少样本检测等功能。Open-Vocabulary Detection Toolkit for Robotics基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Detectron2、MMDetection、CLIP、HuggingFace Transformers、Open3D等平台集成。Open-Vocabulary Detection Toolkit for Robotics被广泛应用于家庭服务机器人、工业机器人、仓储物流、人形机器人、自动驾驶等领域的开放世界感知系统开发，能够帮助开发者构建能够识别任意类别物体的通用感知系统。Open-Vocabulary Detection Toolkit for Robotics是开源软件，采用Apache 2.0许可证，GitHub星标数超过700，是机器人开放词汇检测研究和开发的重要工具。
Scene Graph Generation Toolkit for Robotics是由场景图生成和机器人研究社区维护的开源机器人场景图生成工具包，是机器人场景理解领域重要的开源项目之一。Scene Graph Generation Toolkit for Robotics提供了完整的机器人场景图生成开发工具链，包括2D场景图生成模块（支持目标检测/关系预测/属性识别/图神经网络/Transformer、多种场景图生成模型）、3D场景图生成模块（支持3D目标检测/6D姿态估计/3D关系推理/点云场景图/3D场景图构建）、动态场景图模块（支持视频场景图/时序关系推理/运动建模/动态场景图更新）、场景图应用模块（视觉问答/导航/操作规划/人机交互/记忆与推理/场景图引导操作）、知识图谱融合模块（支持外部知识图谱融合/常识推理/关系补全）、可视化与评测工具等模块。Scene Graph Generation Toolkit for Robotics采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人场景图生成系统的开发和部署，支持2D/3D/动态场景图生成、场景图应用、知识融合等功能。Scene Graph Generation Toolkit for Robotics基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Detectron2、MMDetection、PyG（PyTorch Geometric）、Open3D、CLIP等平台集成。Scene Graph Generation Toolkit for Robotics被广泛应用于工业机器人、服务机器人、自动驾驶、人形机器人、家庭助手等领域的场景理解系统开发，能够帮助开发者构建结构化语义表示和高层推理能力。Scene Graph Generation Toolkit for Robotics是开源软件，采用MIT许可证，GitHub星标数超过500，是机器人场景图生成研究和开发的重要工具。
Vision-Language Navigation Framework是由视觉语言导航和机器人研究社区维护的开源视觉语言导航框架，是视觉语言导航领域重要的开源项目之一。Vision-Language Navigation Framework提供了完整的视觉语言导航开发工具链，包括视觉编码模块（支持CNN/ViT/CLIP等多种视觉编码器、图像特征提取、场景图构建）、语言编码模块（支持LSTM/Transformer/BERT/GPT等多种语言编码器、指令解析、实体 grounding）、跨模态对齐模块（注意力机制/跨模态Transformer/对比学习/模态融合）、导航策略模块（序列决策/强化学习/模仿学习/规划与学习结合）、记忆与探索模块（视觉记忆/地图构建/探索策略/回溯机制）、评测与数据集模块（支持R2R/R4R/Touchdown/REVERIE/CVDN/R2R-CE/RxR等数据集、标准化评测指标）等模块。Vision-Language Navigation Framework采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行视觉语言导航系统的开发和部署，支持室内/室外导航、指令跟随、问答导航、对话导航等功能。Vision-Language Navigation Framework基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Matterport3D、Habitat、AI2-THOR、CLIP、HuggingFace Transformers等平台集成。Vision-Language Navigation Framework被广泛应用于服务机器人、家庭助手、导盲机器人、博物馆导览、仓储物流等领域的视觉语言导航系统开发，能够帮助开发者构建能够理解自然语言指令的智能导航系统。Vision-Language Navigation Framework是开源软件，采用MIT许可证，GitHub星标数超过600，是视觉语言导航研究和开发的重要工具。
Multimodal Robotics Perception Toolkit是由多模态感知和机器人研究社区维护的开源机器人多模态感知工具包，是机器人多模态感知领域重要的开源项目之一。Multimodal Robotics Perception Toolkit提供了完整的机器人多模态感知开发工具链，包括多传感器数据采集与同步模块（支持相机/激光雷达/深度相机/IMU/触觉/力觉/麦克风等多传感器时间同步与空间校准）、多模态融合模块（早期融合/晚期融合/混合融合/注意力机制融合/跨模态对齐）、感知算法模块（目标检测/语义分割/实例分割/姿态估计/场景理解/异常检测）、模态缺失处理模块（支持模态缺失鲁棒性/模态补全/不确定性估计）、实时推理与部署模块（模型优化/量化/剪枝/TensorRT加速/边缘部署）、可视化与标定工具等模块。Multimodal Robotics Perception Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人多模态感知系统的开发和部署，支持多传感器融合、跨模态学习、鲁棒感知等功能。Multimodal Robotics Perception Toolkit基于Python和C++构建，提供了Python/C++接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、OpenCV、PCL、PyTorch、TensorFlow、Open3D等平台集成。Multimodal Robotics Perception Toolkit被广泛应用于工业机器人、服务机器人、自动驾驶、医疗机器人、人形机器人等领域的多模态感知系统开发，能够帮助开发者构建鲁棒、准确的多模态感知系统。Multimodal Robotics Perception Toolkit是开源软件，采用Apache 2.0许可证，GitHub星标数超过800，是机器人多模态感知研究和开发的重要工具。
Robot Transfer Learning Toolkit是由迁移学习和机器人研究社区维护的开源机器人迁移学习工具包，是机器人迁移学习领域重要的开源项目之一。Robot Transfer Learning Toolkit提供了完整的机器人迁移学习开发工具链，包括sim-to-real迁移模块（域随机化、系统辨识、残差策略、域自适应、域对抗训练）、跨机器人迁移模块（形态不变表示、运动学映射、动力学适配、策略迁移）、跨任务迁移模块（任务嵌入、多任务学习、课程学习、技能复用）、表示学习模块（自监督学习、对比学习、状态表示学习、视觉表示学习）、域自适应模块（DANN、CDAN、MCD、MMD、CORAL）、迁移评估模块（迁移性能、负迁移检测、迁移效率、跨域泛化）等模块。Robot Transfer Learning Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人迁移学习系统的开发和部署，支持sim-to-real迁移、跨机器人迁移、跨任务迁移、域自适应、表示学习等功能。Robot Transfer Learning Toolkit基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、MuJoCo、Isaac Sim、PyBullet、Stable Baselines3等平台集成。Robot Transfer Learning Toolkit被广泛应用于工业机器人、协作机器人、人形机器人、服务机器人等领域的迁移学习系统开发，能够帮助开发者构建能够将知识从一个任务/环境/机器人迁移到另一个任务/环境/机器人的系统，大幅减少新任务的数据采集和训练成本。Robot Transfer Learning Toolkit是开源软件，采用MIT许可证，GitHub星标数超过900，是机器人迁移学习研究和开发的重要工具。
Few-Shot Robot Learning Toolkit是由少样本学习和机器人研究社区维护的开源少样本机器人学习工具包，是少样本机器人学习领域重要的开源项目之一。Few-Shot Robot Learning Toolkit提供了完整的少样本机器人学习开发工具链，包括多种少样本学习算法（MAML、ProtoNet、Matching Networks、Relation Networks、Meta-SGD、Reptile）、多种数据增强方法（域随机化、数据扩增、合成数据、模拟到真实迁移）、多种演示学习方法（行为克隆、逆强化学习、对抗模仿学习、从观察中学习）、多种少样本强化学习方法（PEARL、MAML-RL、RL2、Meta-Q-Learning）、少样本评估模块（支持N-way K-shot评估、少样本性能曲线、跨任务泛化）、数据采集与标注工具等模块。Few-Shot Robot Learning Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行少样本机器人学习系统的开发和部署，支持少样本操作、少样本抓取、少样本导航、少样本识别、跨任务迁移等功能。Few-Shot Robot Learning Toolkit基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、MuJoCo、Isaac Sim、LeRobot、Stable Baselines3等平台集成。Few-Shot Robot Learning Toolkit被广泛应用于工业机器人、服务机器人、人形机器人、医疗机器人等领域的少样本学习系统开发，能够帮助开发者构建能够从少量样本中快速学习新技能的机器人系统。Few-Shot Robot Learning Toolkit是开源软件，采用Apache 2.0许可证，GitHub星标数超过700，是少样本机器人学习研究和开发的重要工具。
Continual Robot Learning Framework是由持续学习和机器人研究社区维护的开源机器人持续学习框架，是机器人持续学习领域重要的开源项目之一。Continual Robot Learning Framework提供了完整的机器人持续学习开发工具链，包括多种正则化方法（EWC、SI、MAS、RWalk、LwF、LwM）、多种回放方法（Experience Replay、GEM、A-GEM、DER、ER-Reservoir）、多种参数隔离方法（Progressive Networks、PackNet、HAT、DEN、PathNet）、多种持续强化学习方法（CURL、Continual World、CL-ER、ORDisCo）、任务边界检测模块（支持任务无关持续学习、变化点检测）、评估与可视化模块（遗忘度量、前向迁移、后向迁移、累积性能）等模块。Continual Robot Learning Framework采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人持续学习系统的开发和部署，支持多任务操作学习、终身学习、跨场景适应、技能累积、在线学习等功能。Continual Robot Learning Framework基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、MuJoCo、Isaac Sim、Stable Baselines3、RLlib、Avalanche等平台集成。Continual Robot Learning Framework被广泛应用于工业机器人、服务机器人、人形机器人、自动驾驶等领域的持续学习系统开发，能够帮助开发者构建能够在不遗忘旧技能的情况下持续学习新技能的机器人系统。Continual Robot Learning Framework是开源软件，采用MIT许可证，GitHub星标数超过600，是机器人持续学习研究和开发的重要工具。
Meta-RL Framework for Robotics是由元学习和机器人研究社区维护的开源机器人元强化学习框架，是机器人元学习领域重要的开源项目之一。Meta-RL Framework for Robotics提供了完整的机器人元强化学习开发工具链，包括多种元学习算法（MAML、FOMAML、Reptile、Meta-SGD、MAML++、ANIL、BOIL）、多种基于度量的元学习方法（ProtoNet、Matching Networks、Relation Networks、TADAM）、多种基于模型的元学习方法（Meta-Learner LSTM、SNAIL、Versa）、任务分布生成模块（支持多种任务分布、任务采样、任务难度调度）、快速适应模块（支持少样本梯度更新、上下文适应、测试时适应）、评估与可视化模块（少样本性能、适应曲线、跨任务泛化）等模块。Meta-RL Framework for Robotics采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人元强化学习系统的开发和部署，支持少样本操作学习、快速适应新任务、跨机器人迁移、sim-to-real迁移等功能。Meta-RL Framework for Robotics基于Python和PyTorch构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、MuJoCo、Isaac Sim、Stable Baselines3、RLlib等平台集成。Meta-RL Framework for Robotics被广泛应用于工业机器人、服务机器人、人形机器人、无人机等领域的元学习系统开发，能够帮助开发者构建能够学会学习、快速适应新任务的机器人系统。Meta-RL Framework for Robotics是开源软件，采用MIT许可证，GitHub星标数超过800，是机器人元学习研究和开发的重要工具。
Causal Robotics Toolkit是由因果推理和机器人研究社区维护的开源机器人因果推理工具包，是机器人因果推理领域重要的开源项目之一。Causal Robotics Toolkit提供了完整的机器人因果推理开发工具链，包括因果发现模块（PC算法、GES、LiNGAM、NOTEARS、因果森林）、因果效应估计模块（倾向得分匹配、逆概率加权、双重机器学习、因果森林、元学习器）、反事实推理模块（结构因果模型、反事实生成、反事实解释）、因果强化学习模块（因果MDP、因果策略优化、离线因果RL）、因果模仿学习模块（因果行为克隆、因果逆强化学习）、可解释性模块（因果归因、反事实解释、因果重要性）等模块。Causal Robotics Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人因果推理系统的开发和部署，支持因果发现、因果推断、反事实推理、因果决策等功能。Causal Robotics Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、PyTorch、TensorFlow、DoWhy、EconML等平台集成。Causal Robotics Toolkit被广泛应用于机器人操作、导航、感知、人机交互、故障诊断、安全决策等领域的因果推理系统开发，能够帮助开发者构建可解释、鲁棒的机器人因果决策系统。Causal Robotics Toolkit是开源软件，采用MIT许可证，GitHub星标数超过500，是机器人因果推理研究和开发的重要工具。
Energy-Aware Robot Learning Framework是由节能机器人和机器人学习研究社区维护的开源节能机器人学习框架，是机器人节能学习领域重要的开源项目之一。Energy-Aware Robot Learning Framework提供了完整的节能机器人学习开发工具链，包括能耗建模与监测模块（机械能耗/电气能耗/计算能耗建模、实时能耗监测、能耗数据分析）、节能强化学习模块（能耗感知奖励函数设计、能耗约束强化学习、多目标优化、安全约束）、节能模仿学习模块（从节能演示中学习、能耗感知行为克隆、逆强化学习）、节能运动规划与控制模块（能耗最优轨迹规划、阻抗调节、步态优化、模型预测控制）、计算能耗优化模块（模型压缩、边缘推理、硬件加速、传感器调度）、能耗可视化与分析等模块。Energy-Aware Robot Learning Framework采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行节能机器人学习系统的开发和部署，支持能耗感知决策、节能策略学习、能耗优化等功能。Energy-Aware Robot Learning Framework基于Python和PyTorch/TensorFlow构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、MuJoCo、Stable Baselines3、RLlib等平台集成。Energy-Aware Robot Learning Framework被广泛应用于移动机器人、无人机、人形机器人、工业机器人、服务机器人等领域的节能学习系统开发，能够帮助开发者构建节能高效的机器人系统，延长电池续航、减少运行成本。Energy-Aware Robot Learning Framework是开源软件，采用MIT许可证，GitHub星标数超过300，是节能机器人学习研究和开发的重要工具。
Robot Fault Diagnosis Toolkit是由故障诊断和机器人研究社区维护的开源机器人故障诊断工具包，是机器人故障诊断领域重要的开源项目之一。Robot Fault Diagnosis Toolkit提供了完整的机器人故障诊断开发工具链，包括数据采集与预处理模块（支持振动/电流/温度/声音/视觉等多传感器数据采集、数据清洗、信号处理、特征提取）、故障诊断算法模块（支持多种方法：传统机器学习SVM/RF/KNN、深度学习CNN/RNN/LSTM/AE/GAN/Transformer/GNN、多模态融合诊断）、小样本故障诊断模块（迁移学习、元学习、数据增强、生成式数据合成）、实时故障检测模块（在线监测、滑动窗口、异常检测、故障预警）、故障定位与根因分析模块（故障传播分析、因果推理、可解释性分析）、可视化与报告等模块。Robot Fault Diagnosis Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人故障诊断系统的开发和部署，支持实时监测、故障检测、故障分类、故障定位等功能。Robot Fault Diagnosis Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、scikit-learn、PyTorch、TensorFlow、OpenCV等平台集成。Robot Fault Diagnosis Toolkit被广泛应用于工业机器人、协作机器人、移动机器人、无人机、数控机床等设备的故障诊断系统开发，能够帮助开发者构建智能故障诊断系统，提高设备可靠性、减少非计划停机、保障运行安全。Robot Fault Diagnosis Toolkit是开源软件，采用MIT许可证，GitHub星标数超过400，是机器人故障诊断研究和开发的重要工具。
Robot Predictive Maintenance Toolkit是由预测性维护和工业机器人研究社区维护的开源机器人预测性维护工具包，是机器人预测性维护领域重要的开源项目之一。Robot Predictive Maintenance Toolkit提供了完整的机器人预测性维护开发工具链，包括数据采集与预处理模块（支持振动/电流/温度/声音等多传感器数据采集、数据清洗、特征提取）、故障诊断模块（支持多种机器学习/深度学习方法：CNN/RNN/AE/GAN/Transformer、故障分类、异常检测）、剩余使用寿命预测模块（支持RUL预测、退化趋势分析、不确定性量化）、健康状态评估模块（健康指数构建、性能退化评估、维护优先级排序）、维护决策优化模块（维护计划优化、备件管理、成本效益分析）、可视化与报告等模块。Robot Predictive Maintenance Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人预测性维护系统的开发和部署，支持实时监测、故障预警、维护建议等功能。Robot Predictive Maintenance Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、InfluxDB、Grafana、scikit-learn、PyTorch、TensorFlow等平台集成。Robot Predictive Maintenance Toolkit被广泛应用于工业机器人、协作机器人、数控机床、风电设备、泵机等设备的预测性维护系统开发，能够帮助开发者构建智能维护系统，减少非计划停机、降低维护成本。Robot Predictive Maintenance Toolkit是开源软件，采用Apache 2.0许可证，GitHub星标数超过700，是机器人预测性维护研究和开发的重要工具。
Edge Robotics Toolkit是由边缘计算和机器人研究社区维护的开源机器人边缘计算工具包，是机器人边缘计算领域重要的开源项目之一。Edge Robotics Toolkit提供了完整的机器人边缘计算开发工具链，包括计算卸载与任务调度模块（支持基于延迟/能耗/带宽的卸载决策、动态任务调度、资源分配）、边缘AI推理模块（模型优化、量化、剪枝、TensorRT/ONNX Runtime加速）、容器化部署模块（Docker/Kubernetes支持、微服务架构、服务发现与迁移）、云边协同模块（云端训练-边缘推理、模型更新与同步、数据筛选与上传）、系统监控与可视化等模块。Edge Robotics Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人边缘计算系统的开发和部署，支持实时感知与决策、低延迟控制、分布式多机器人协作、云端协同等功能。Edge Robotics Toolkit基于Python和C++构建，提供了Python/C++接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Docker、Kubernetes、TensorRT、ONNX Runtime等平台集成。Edge Robotics Toolkit被广泛应用于工业机器人、服务机器人、自动驾驶、无人机、医疗机器人等领域的边缘计算系统开发，能够帮助开发者构建低延迟、高可靠、隐私保护的机器人边缘计算系统。Edge Robotics Toolkit是开源软件，采用MIT许可证，GitHub星标数超过500，是机器人边缘计算研究和开发的重要工具。
Federated Robotics Framework是由联邦学习和机器人研究社区维护的开源机器人联邦学习框架，是机器人联邦学习领域重要的开源项目之一。Federated Robotics Framework提供了完整的机器人联邦学习开发工具链，包括多种联邦学习算法（FedAvg、FedProx、FedNova、SCAFFOLD、FedAdam等）、多种机器人学习任务（联邦强化学习、联邦模仿学习、联邦感知、联邦控制）、通信与网络模块（支持WiFi/5G/以太网、异步/同步训练、断点续传）、隐私保护模块（差分隐私、安全聚合、同态加密）、系统监控与可视化等模块。Federated Robotics Framework采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行多机器人联邦学习系统的开发和部署，支持跨设备/跨工厂/跨场景的联邦学习、异构设备协同、动态节点加入退出等功能。Federated Robotics Framework基于Python和PyTorch/TensorFlow构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Gazebo、Isaac Sim等机器人平台集成。Federated Robotics Framework被广泛应用于多机器人协作学习、工业机器人知识共享、分布式感知、联邦强化学习等领域，能够帮助开发者构建隐私保护的多机器人协同学习系统。Federated Robotics Framework是开源软件，采用Apache 2.0许可证，GitHub星标数超过600，是机器人联邦学习研究和开发的重要工具。
Formal Verification for Robotics是由形式化方法和机器人研究社区维护的开源机器人形式化验证工具包，是机器人可验证AI领域重要的开源项目之一。Formal Verification for Robotics提供了完整的机器人系统形式化验证工具链，包括多种形式化规范语言（线性时序逻辑LTL、信号时序逻辑STL、计算树逻辑CTL等）、多种形式化验证方法（模型检测、可达性分析、抽象解释、定理证明等）、安全屏蔽生成与监控、运行时验证、可验证强化学习等模块。Formal Verification for Robotics采用模块化的设计，提供了统一的API和丰富的工具，能够方便地为机器人感知、决策、控制等各个模块提供形式化验证和安全保证，支持安全属性规范、自动验证、反例生成、安全屏蔽部署、运行时监控等功能。Formal Verification for Robotics基于Python和C++构建，提供了Python/C++接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、MuJoCo、Gazebo、SPIN、NuSMV、UPPAAL等平台集成。Formal Verification for Robotics被广泛应用于自动驾驶安全验证、人形机器人安全、工业机器人安全、医疗机器人安全、无人机安全等安全关键领域，能够帮助开发者为机器人系统提供数学上的安全保证。Formal Verification for Robotics是开源软件，采用BSD许可证，GitHub星标数超过400，是机器人形式化验证研究和开发的重要工具。
Robustness Benchmark Toolkit是由鲁棒AI和机器人研究社区维护的开源机器人鲁棒性评估工具包，是机器人鲁棒学习领域重要的开源项目之一。Robustness Benchmark Toolkit提供了完整的机器人系统鲁棒性评估工具链，包括多种分布偏移生成方法（图像损坏、光照变化、视角变化、物理参数变化、传感器噪声、对抗扰动等）、多种鲁棒性评估指标（准确率下降率、最坏情况性能、方差、校准误差、安全违规率等）、标准化的压力测试协议、鲁棒性排行榜和可视化工具。Robustness Benchmark Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地为机器人感知、决策、控制等各个模块进行鲁棒性评估，支持自动化测试、批量评估、对比分析等功能。Robustness Benchmark Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、OpenCV、PyTorch、TensorFlow、Gymnasium等平台集成。Robustness Benchmark Toolkit被广泛应用于机器人鲁棒学习研究、自动驾驶鲁棒性评估、工业机器人可靠性测试、服务机器人环境适应性评估等领域，能够帮助开发者系统性地评估和提升机器人系统的鲁棒性。Robustness Benchmark Toolkit是开源软件，采用MIT许可证，GitHub星标数超过500，是机器人鲁棒性评估的重要工具。
Robot Digital Twin Framework是由数字孪生和机器人研究社区维护的开源机器人数字孪生框架，是机器人数字孪生领域重要的开源项目之一。Robot Digital Twin Framework提供了完整的机器人数字孪生开发工具链，包括高保真物理仿真（基于MuJoCo、Isaac Sim、Gazebo等）、实时数据同步与通信（基于ROS、MQTT、OPC UA等）、状态估计与预测、虚拟调试与验证、预测性维护、性能监控与可视化等模块。Robot Digital Twin Framework采用模块化的设计，提供了统一的API和丰富的工具，能够方便地为各种机器人平台（工业机器人、人形机器人、移动机器人、无人机等）构建数字孪生，支持虚实同步、远程监控、虚拟调试、安全验证、预测性维护等功能。Robot Digital Twin Framework基于Python和C++构建，提供了Python/C++接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、MuJoCo、Isaac Sim、Gazebo、InfluxDB、Grafana等平台集成。Robot Digital Twin Framework被广泛应用于工业机器人、人形机器人、智能制造、预测性维护、远程操作等领域，能够帮助开发者构建高保真的机器人数字孪生系统。Robot Digital Twin Framework是开源软件，采用Apache 2.0许可证，GitHub星标数超过800，是机器人数字孪生研究和开发的重要工具。
XAI for Robotics Toolkit是由可解释AI和机器人研究社区维护的开源机器人可解释AI工具包，是机器人可解释性领域重要的开源项目之一。XAI for Robotics Toolkit提供了完整的可解释AI算法实现和可视化工具链，包括多种事后解释方法（LIME、SHAP、Grad-CAM、Integrated Gradients、SmoothGrad等）、多种模型可解释性工具（特征归因、概念激活向量、注意力可视化、决策树提取等）、自然语言解释生成、多模态解释融合、解释质量评估等模块。XAI for Robotics Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地为机器人感知、决策、控制等各个模块提供可解释性支持，支持实时解释生成、交互式解释、用户研究等功能。XAI for Robotics Toolkit基于Python和PyTorch/TensorFlow构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、OpenCV、Hugging Face Transformers等平台集成。XAI for Robotics Toolkit被广泛应用于可解释机器人研究、人机协作、医疗机器人、自动驾驶、服务机器人等领域，能够帮助开发者构建透明、可信的机器人系统。XAI for Robotics Toolkit是开源软件，采用MIT许可证，GitHub星标数超过600，是机器人可解释AI研究和开发的重要工具。
Safe RL Toolkit是由安全强化学习研究社区维护的开源安全强化学习工具包，是机器人安全学习领域重要的开源项目之一。Safe RL Toolkit提供了完整的安全强化学习算法实现和评估工具链，包括多种安全强化学习算法（约束策略优化CPO、TRPO-Lagrangian、PPO-Lagrangian、安全屏蔽、安全探索等）、多种安全约束环境（Safety Gym、Safety Gymnasium、Bullet Safety Gym等）、标准化的评估协议和可视化工具。Safe RL Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行安全强化学习算法的研究和开发，支持新算法的快速原型实现、公平对比实验、超参数调优等功能。Safe RL Toolkit基于Python和PyTorch/TensorFlow构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与Stable Baselines3、RLlib、Gymnasium等强化学习框架集成。Safe RL Toolkit被广泛应用于安全强化学习研究、机器人安全学习、自动驾驶安全、工业控制安全等领域，能够帮助研究者快速实现和评估安全强化学习算法。Safe RL Toolkit是开源软件，采用MIT许可证，GitHub星标数超过1000，是安全强化学习研究和开发的标准工具。
Social Robot Toolkit是由开源社区维护的社交机器人开源开发工具包，是社交机器人领域重要的开源项目之一。Social Robot Toolkit提供了完整的社交机器人开发工具链，包括社交行为生成、情感表达、对话管理、人机交互、多模态感知、行为规划等模块，支持多种社交机器人平台（Pepper、NAO、Furhat、定制机器人等）和多种社交交互场景（陪伴、教育、医疗、服务等）。Social Robot Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行社交机器人系统的开发和部署，支持自然交互、情感理解、个性化适应、长期交互等功能。Social Robot Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、NAOqi、Dialogflow等平台集成。Social Robot Toolkit被广泛应用于社交机器人研究、陪伴机器人、教育机器人、医疗机器人、老年护理、儿童教育等领域的社交机器人系统开发，能够帮助开发者构建能够自然、亲切地与人交互的社交机器人。Social Robot Toolkit是开源软件，采用BSD许可证，GitHub星标数超过400，是社交机器人研究和开发的重要工具。
Emotion Recognition Toolkit是由开源社区维护的情感识别开源工具包，是机器人情感计算领域重要的开源项目之一。Emotion Recognition Toolkit提供了完整的多模态情感识别工具链，包括面部表情识别、语音情感识别、文本情感分析、生理信号情感识别、多模态情感融合等模块，支持多种情感识别模型（CNN、RNN、Transformer、多模态融合等）和多种情感分类体系（基本情绪、维度情绪、PAD模型等）。Emotion Recognition Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行情感识别系统的开发和部署，支持实时情感识别、跨数据集迁移、个性化适应等功能。Emotion Recognition Toolkit基于Python和PyTorch/TensorFlow构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与OpenCV、Librosa、Hugging Face Transformers等库集成。Emotion Recognition Toolkit被广泛应用于社交机器人、服务机器人、教育机器人、医疗机器人、心理健康、人机交互等领域的情感识别系统开发，能够帮助开发者构建能够感知和回应用户情感的智能系统。Emotion Recognition Toolkit是开源软件，采用MIT许可证，GitHub星标数超过800，是情感计算研究和开发的重要工具。
Robot Speech Toolkit是由开源社区维护的机器人语音交互开源工具包，是机器人语音交互领域重要的开源项目之一。Robot Speech Toolkit提供了完整的机器人语音交互工具链，包括语音识别（ASR）、自然语言理解（NLU）、对话管理（DM）、语音合成（TTS）、声纹识别、情感语音识别等模块，支持多种语音识别引擎（Kaldi、ESPnet、Whisper、Wav2Vec2等）和语音合成引擎（Tacotron2、FastSpeech2、VITS等）。Robot Speech Toolkit采用模块化的设计，提供了统一的API和丰富的工具，能够方便地进行机器人语音交互系统的开发和部署，支持远场语音识别、噪声鲁棒性、多说话人、实时对话等功能。Robot Speech Toolkit基于Python构建，提供了Python接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、Dialogflow、Rasa等平台集成。Robot Speech Toolkit被广泛应用于服务机器人、家庭机器人、教育机器人、医疗机器人等领域的语音交互系统开发，能够帮助开发者快速构建自然、流畅的机器人语音交互体验。Robot Speech Toolkit是开源软件，采用Apache 2.0许可证，GitHub星标数超过500，是机器人语音交互研究和开发的重要工具。
Tactile Gym是由牛津大学和其他研究机构维护的开源触觉机器人强化学习仿真环境，是机器人触觉感知领域重要的开源项目之一。Tactile Gym提供了完整的触觉机器人仿真环境，包括多种触觉传感器模型（GelSight、DIGIT、BioTac等）、多种机器人操作任务（抓取、插入、开门、旋转等）、多种物体模型、物理仿真引擎等模块。Tactile Gym基于PyBullet物理仿真引擎构建，能够高保真地仿真触觉传感器的接触力分布和图像输出，支持基于视觉的触觉感知和基于力的触觉控制。Tactile Gym提供了标准化的强化学习接口，支持多种强化学习算法（PPO、SAC、TD3等），能够方便地进行触觉引导的机器人操作策略学习。Tactile Gym基于Python和PyTorch构建，提供了统一的API和丰富的示例和教程，支持多种操作系统和平台，能够方便地与Stable Baselines3、RLlib等强化学习框架集成。Tactile Gym被广泛应用于机器人触觉感知研究、触觉引导操作、强化学习、sim-to-real迁移等领域，是触觉机器人研究和开发的重要工具。Tactile Gym是开源软件，采用MIT许可证，GitHub星标数超过300。
GelSight是由MIT（麻省理工学院）Edward H. Adelson实验室维护的开源高分辨率触觉传感器项目，是机器人触觉感知领域最重要的开源项目之一。GelSight提供了完整的触觉传感器设计、制造和数据处理工具链，包括传感器硬件设计文件、制造工艺、数据采集软件、图像处理算法、触觉数据可视化工具等模块。GelSight传感器基于光学原理，通过测量弹性凝胶表面的变形来获取接触力和物体表面纹理信息，具有极高的空间分辨率（可达微米级）和灵敏度，能够感知微小的力变化和表面纹理。GelSight提供了多种传感器型号和配置，适用于不同的应用场景，包括机器人操作、物体识别、表面检测、质量控制等。GelSight基于Python和C++构建，提供了统一的API和丰富的示例和教程，支持多种操作系统和平台，能够方便地与ROS、OpenCV等平台集成。GelSight被广泛应用于机器人触觉感知研究、精细操作、物体识别、质量检测等领域，是机器人触觉传感器研究和开发的标准工具。GelSight是开源硬件和软件项目，采用开源许可证，GitHub星标数超过1000。
Exoskeleton Toolkit是由开源社区维护的外骨骼机器人开源开发工具包，是外骨骼和可穿戴机器人领域重要的开源项目之一。Exoskeleton Toolkit提供了完整的外骨骼机器人设计、控制和仿真资源，包括下肢外骨骼、上肢外骨骼、手部外骨骼等多种外骨骼的设计文件、控制代码、仿真模型、传感系统等。该工具包采用开放共享的理念，鼓励研究者和工程师分享和复用外骨骼设计，降低外骨骼开发的门槛。Exoskeleton Toolkit提供了详细的设计文档和制造教程，包括机械结构设计、驱动系统选型、传感系统集成、控制算法实现等，以及基于ROS的控制框架和仿真环境。Exoskeleton Toolkit支持多种外骨骼控制模式，包括轨迹跟踪、阻抗控制、自适应控制、脑机接口控制等，能够满足康复训练、运动增强、工业辅助等多种应用需求。Exoskeleton Toolkit被广泛应用于外骨骼研究、康复工程、教育、原型开发等领域，能够帮助研究者和工程师快速设计、制造和测试外骨骼机器人。Exoskeleton Toolkit是开源软件和硬件平台，采用开源许可证，是外骨骼和可穿戴机器人领域重要的开源资源。
MyoBridge是由开源社区维护的Myo臂环开源开发工具包，是肌电信号采集和可穿戴机器人控制领域流行的开源项目之一。MyoBridge提供了完整的Myo臂环（Thalmic Labs Myo Gesture Control Armband）接口和数据处理工具，能够实时采集8通道表面肌电信号（sEMG）和9轴惯性测量单元（IMU）数据，支持手势识别、肌肉活动监测、运动跟踪等功能。MyoBridge采用模块化的设计，提供了统一的API和丰富的工具，能够方便地将Myo臂环集成到各种应用中，包括假肢控制、外骨骼控制、人机交互、虚拟现实、运动分析等。MyoBridge提供了C++、Python、Java等多种编程语言接口，支持Windows、macOS、Linux等多种操作系统，能够方便地与ROS、Unity、Unreal等平台集成。MyoBridge被广泛应用于假肢控制、康复工程、人机交互、运动分析等领域，能够帮助研究者和开发者快速开发基于肌电信号的可穿戴机器人控制系统。MyoBridge是开源软件，采用MIT许可证，GitHub星标数超过200，是肌电信号采集和可穿戴机器人控制领域重要的开源工具。
Open Bionics是由Open Bionics公司维护的开源仿生假肢设计平台，是假肢和康复工程领域最有影响力的开源项目之一。Open Bionics致力于开发低成本、开源、可定制的仿生假肢，通过开源设计和3D打印技术，大幅降低假肢的制造成本，使更多截肢患者能够负担得起先进的假肢。Open Bionics提供了完整的仿生手假肢设计，包括机械结构、3D打印文件、电子系统、控制软件、传感系统等，支持多种定制化选项（手的大小、颜色、功能等）。该平台采用开放共享的理念，鼓励社区贡献和改进设计，形成了活跃的开发者和用户社区。Open Bionics的假肢设计采用肌电信号控制，能够实现多种手势和抓取动作，具有轻量化、低成本、美观等优点。Open Bionics被广泛应用于假肢制造、康复工程、教育、人道主义援助等领域，已经帮助全球数千名截肢患者获得了先进的仿生假肢。Open Bionics是开源设计平台，采用Creative Commons和开源硬件许可证，是假肢和康复工程领域重要的开源项目。
Soft Robotics Toolkit是由哈佛大学Wyss研究所和哈佛微机器人实验室维护的开源软体机器人资源平台，是软体机器人领域最全面的开源资源平台之一。Soft Robotics Toolkit提供了完整的软体机器人设计、制造、控制和仿真资源，包括软体抓手、软体移动机器人、可穿戴机器人等多种软体机器人的设计文件、制造工艺、控制代码、仿真模型等。该平台采用开放共享的理念，鼓励研究者和工程师分享和复用软体机器人设计，降低软体机器人开发的门槛。Soft Robotics Toolkit提供了详细的制造教程，包括软光刻、3D打印、热成型、织物复合等多种软体机器人制造工艺，以及气动控制、形状记忆合金控制、介电弹性体控制等多种驱动方式的控制代码。Soft Robotics Toolkit被广泛应用于软体机器人研究、教育、原型开发等领域，能够帮助研究者和工程师快速设计、制造和测试软体机器人。Soft Robotics Toolkit是开源资源平台，采用Creative Commons许可证，是软体机器人领域重要的开放资源平台。
SOFA（Simulation Open Framework Architecture）是由Inria、法国国家信息与自动化研究所维护的开源实时物理仿真框架，是软体机器人和生物力学仿真领域最流行的开源框架之一。SOFA专门针对软体物体和生物组织的实时物理仿真设计，提供了完整的有限元仿真、碰撞检测、约束求解、可视化等模块，支持多种物理模型（弹性、塑性、流体、热传导等）和求解器。SOFA采用模块化的插件架构，提供了统一的API和丰富的工具，能够方便地开发软体机器人仿真、手术仿真、生物力学仿真等应用。SOFA采用C++编写，提供了Python绑定和丰富的示例和教程，支持Windows、macOS、Linux等多种操作系统，能够方便地与ROS、Unity等平台集成。SOFA被广泛应用于软体机器人研究、医疗仿真、生物力学、计算机图形学等领域，能够高精度地仿真软体物体的变形、接触和动力学行为。SOFA是开源软件，采用LGPL许可证，GitHub星标数超过1000，是软体机器人和生物力学仿真领域的标准开源框架。
HAPTIX是由DARPA资助、Open Source Robotics Foundation（OSRF）维护的开源触觉仿真和假肢控制平台，是触觉反馈和假肢控制领域重要的开源平台之一。HAPTIX提供了完整的触觉仿真和假肢控制功能，包括高保真物理仿真、触觉传感器仿真、肌电信号接口、假肢控制算法、虚拟现实界面等模块，支持多种假肢模型和触觉设备。HAPTIX基于Gazebo仿真器和ROS框架构建，采用模块化的设计，提供了统一的API和丰富的工具，能够方便地开发和测试假肢控制算法和触觉反馈系统。HAPTIX采用C++和Python编写，提供了丰富的示例和教程，支持Linux操作系统，能够方便地与ROS、Gazebo等平台集成。HAPTIX被广泛应用于假肢控制研究、触觉反馈研究、康复工程、人机交互等领域，能够帮助研究者开发和评估更自然、更直观的假肢控制系统。HAPTIX是开源软件，采用Apache 2.0许可证，是触觉仿真和假肢控制领域的重要开源平台。
OpenHaptics是由3D Systems（原Sensable Technologies）维护的开源触觉设备开发工具包，是触觉反馈领域最流行的开发工具之一。OpenHaptics提供了完整的触觉设备接口和触觉渲染功能，包括设备管理、力控制、碰撞检测、触觉渲染、3D图形等模块，支持Phantom系列触觉设备（如Phantom Omni、Phantom Premium等）。OpenHaptics采用分层的设计，提供了HDAPI（底层设备接口）、HLAPI（高层触觉渲染接口）和QuickHaptics（快速开发接口）三个层次的API，能够满足不同开发需求。OpenHaptics采用C++编写，提供了C#、Python等多种编程语言绑定，支持Windows、Linux等多种操作系统，能够方便地与OpenGL、Unity、ROS等平台集成。OpenHaptics被广泛应用于触觉反馈研究、机器人遥操作、医疗仿真、虚拟现实培训、教育等领域，能够让用户通过触觉设备与虚拟对象进行力交互。OpenHaptics是开源软件，采用BSD许可证，是触觉设备开发的标准工具包之一。
CHAI3D是由斯坦福大学触觉实验室维护的开源触觉渲染和仿真框架，是触觉反馈领域最流行的开源框架之一。CHAI3D提供了完整的触觉渲染和3D仿真功能，包括碰撞检测、力计算、触觉设备接口、3D图形渲染、物理仿真等模块，支持多种触觉设备（如Phantom、Omega、Novint等）。CHAI3D采用模块化的设计，提供了统一的API和丰富的工具，能够方便地开发触觉反馈应用和遥操作系统。CHAI3D采用C++编写，提供了Python绑定和丰富的示例和教程，支持Windows、macOS、Linux等多种操作系统，能够方便地与OpenGL、ROS等平台集成。CHAI3D被广泛应用于触觉反馈研究、机器人遥操作、虚拟现实培训、医疗仿真、教育等领域，能够让用户感受到虚拟对象的形状、硬度、纹理等触觉信息。CHAI3D是开源软件，采用BSD许可证，GitHub星标数超过500，是触觉渲染和仿真领域的标准开源框架。
Leap Motion SDK是由Ultraleap（原Leap Motion）维护的开源手势识别和手部追踪开发工具包，是人机交互领域最流行的手势识别SDK之一。Leap Motion SDK提供了完整的手部追踪和手势识别功能，能够实时识别双手的位置、方向、手指关节角度等信息，支持多种手势识别（如抓取、捏合、挥手等）。Leap Motion SDK采用红外立体视觉技术，能够高精度地追踪手部运动，具有低延迟、高帧率、高分辨率等优点。Leap Motion SDK提供了C++、C#、Python、JavaScript等多种编程语言接口，支持Windows、macOS、Linux等多种操作系统，能够方便地与Unity、Unreal、ROS等平台集成。Leap Motion SDK被广泛应用于虚拟现实、增强现实、机器人遥操作、人机交互、医疗康复等领域，能够让用户通过自然的手势来控制机器人和虚拟对象。Leap Motion SDK采用Apache 2.0许可证，GitHub星标数超过2000，是手势识别和手部追踪领域的标准开发工具。
ROS Teleop Tools是由ROS社区维护的开源机器人遥操作系统工具集，是ROS生态中最流行的遥操作工具之一。ROS Teleop Tools提供了多种遥操作相关的功能包，包括键盘遥操作（teleop_twist_keyboard）、游戏手柄遥操作（teleop_twist_joy）、语音遥操作、通用遥操作框架等，支持多种输入设备和机器人平台。ROS Teleop Tools采用模块化的设计，提供了统一的ROS消息接口（geometry_msgs/Twist），能够方便地与各种移动机器人、机械臂、无人机等平台集成。ROS Teleop Tools支持速度限制、安全急停、操作模式切换等功能，能够满足不同应用场景的需求。ROS Teleop Tools采用C++和Python编写，提供了丰富的示例和教程，支持多种操作系统和平台。ROS Teleop Tools是开源软件，采用BSD许可证，GitHub星标数超过500，被广泛应用于机器人研发、教育、竞赛等领域，是ROS机器人遥操作的标准工具集。
PettingZoo是由Farama Foundation维护的开源多智能体强化学习环境库，是MARL领域最流行的环境库之一。PettingZoo提供了统一的多智能体环境API（AEC API和Parallel API），支持多种类型的多智能体环境，包括合作、竞争、混合、同时行动、交替行动等。PettingZoo包含了多种经典的多智能体环境，包括MPE、Atari多人游戏、棋盘游戏、卡牌游戏、机器人等，共计超过100个环境。PettingZoo采用模块化的设计，提供了丰富的工具和包装器，支持环境并行化、录像、监控等功能，能够方便地与多种强化学习框架（如Stable Baselines3、RLlib等）集成。PettingZoo采用MIT许可证，GitHub星标数超过2000，被广泛应用于多智能体强化学习的研究和开发中，是MARL领域的标准环境库之一。
MAgent是由OpenAI和UC Berkeley联合维护的开源大规模多智能体强化学习平台，是大规模MARL领域最流行的开源平台之一。MAgent专门针对大规模多智能体场景设计，支持数千个智能体的同时训练和仿真，提供了多种经典的大规模多智能体环境，包括战斗、捕食者-猎物、采集、障碍物等。MAgent采用高效的C++仿真引擎，能够快速处理大规模智能体的状态更新和交互，支持Python接口和多种强化学习算法。MAgent提供了丰富的可视化工具和分析接口，能够方便地观察和分析大规模多智能体系统的涌现行为。MAgent采用MIT许可证，GitHub星标数超过2000，被广泛应用于大规模多智能体强化学习、群体智能、社会模拟等领域的研究中。
EPyMARL（Extended PyMARL）是由UCL智能自主系统中心维护的开源多智能体强化学习框架，是PyMARL的扩展版本。EPyMARL基于PyTorch实现，在PyMARL的基础上扩展了更多的多智能体强化学习算法，包括MAPPO、HATRPO、HAPPO、IPPO、MAA2C等，支持集中式训练-分布式执行（CTDE）范式。EPyMARL提供了统一的算法接口和实验管理工具，支持多种多智能体环境（如SMAC、MPE、LBF等），能够方便地进行算法复现和对比实验。EPyMARL特别注重算法的公平对比和可复现性，提供了详细的实验配置和结果分析工具。EPyMARL采用Apache 2.0许可证，GitHub星标数超过500，被广泛应用于多智能体强化学习的学术研究中，是MARL领域的重要基线框架之一。
MARLlib是由ReLER实验室维护的开源多智能体强化学习框架，是MARL领域功能最丰富的开源框架之一。MARLlib基于Ray和RLlib实现，提供了多种经典和最新的多智能体强化学习算法，包括QMIX、COMA、MADDPG、MAPPO、HATRPO、HAPPO等，支持合作、竞争和混合场景。MARLlib提供了统一的算法接口和丰富的环境支持，包括SMAC、MPE、Google Research Football、Hanabi、MAgent、Multi-Agent MuJoCo等多种主流多智能体环境，能够方便地进行算法复现和大规模对比实验。MARLlib采用模块化的设计，支持分布式训练和超参数调优，具有良好的可扩展性和易用性。MARLlib采用MIT许可证，GitHub星标数超过1000，被广泛应用于多智能体强化学习的学术研究和工业应用中。
PyMARL是由牛津大学Whiteson研究组维护的开源多智能体强化学习框架，是MARL领域最流行的开源框架之一。PyMARL基于PyTorch实现，提供了多种经典的多智能体强化学习算法，包括QMIX、COMA、IQL、VDN、QTRAN等，支持集中式训练-分布式执行（CTDE）范式。PyMARL提供了统一的算法接口和实验管理工具，支持多种多智能体环境（如SMAC、MPE等），能够方便地进行算法复现和对比实验。PyMARL采用模块化的设计，代码结构清晰，易于理解和扩展，适合用于MARL算法研究和教学。PyMARL采用Apache 2.0许可证，GitHub星标数超过1000，被广泛应用于多智能体强化学习的学术研究中，是MARL领域的标准基线框架之一。
State Estimation Tools是机器人状态估计领域的开源工具集合，包括多种经典和最新的状态估计算法实现，如卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）、因子图优化（GTSAM）、滑动窗口估计等。这些工具提供了统一的接口和丰富的功能，支持多种传感器（IMU、相机、激光雷达、GPS、轮式里程计等）的融合估计，能够满足机器人定位、导航、状态估计等多种应用场景的需求。State Estimation Tools通常采用C++或Python编写，提供了ROS接口和丰富的示例和教程，支持多种操作系统和平台，易于集成到机器人系统中。这些工具被广泛应用于移动机器人、无人机、自动驾驶、AR/VR等领域，是机器人状态估计研究和开发的重要工具，采用开源许可证（BSD、MIT、Apache等），被广泛应用于学术研究和工业应用中。
iDynTree是由意大利理工学院（IIT）动态交互机器人部门（ADVR）维护的开源机器人动力学库，是人形机器人和浮动基机器人动力学领域流行的开源库之一。iDynTree提供了高效的刚体运动学和动力学算法实现，特别针对浮动基系统（如人形机器人、四足机器人）进行了优化，包括正运动学、逆运动学、雅可比矩阵、逆动力学（RNEA）、质量矩阵（CRBA）、前向动力学（ABA）等，支持闭环系统和接触动力学等复杂场景。iDynTree采用C++编写，提供了Python、MATLAB和Lua绑定，支持URDF机器人模型格式，具有极高的计算效率和丰富的功能，能够满足实时控制和仿真的需求。iDynTree被广泛应用于人形机器人、四足机器人、协作机器人等领域，采用BSD许可证，GitHub星标数超过300，被广泛应用于学术研究和工业应用中。
KDL (Kinematics and Dynamics Library)是由比利时鲁汶大学（KU Leuven）维护的开源机器人运动学和动力学库，是ROS生态中最流行的运动学库之一。KDL提供了完整的机器人运动学和动力学算法实现，包括正运动学、逆运动学、雅可比矩阵、速度运动学、动力学等，支持串联机器人和树状机器人结构。KDL采用C++编写，提供了Python绑定和ROS接口，支持URDF机器人模型格式，具有简洁的API和较高的计算效率，能够满足实时控制和仿真的需求。KDL是ROS MoveIt等主流机器人运动规划框架的默认运动学求解器，被广泛应用于工业机器人、协作机器人、移动机器人等领域。KDL采用LGPL许可证，GitHub星标数超过500，被广泛应用于学术研究和工业应用中，是机器人学研究和开发的重要工具。
Rigid Body Dynamics Library (RBDL)是由Martin Felis维护的开源刚体动力学库，是机器人动力学领域流行的开源库之一。RBDL提供了高效的刚体运动学和动力学算法实现，包括正运动学、逆运动学、雅可比矩阵、逆动力学（RNEA）、质量矩阵（CRBA）、前向动力学（ABA）等，支持浮动基系统和接触动力学等复杂场景。RBDL采用C++编写，提供了Python绑定，支持URDF机器人模型格式，具有简洁的API和较高的计算效率，能够满足实时控制和仿真的需求。RBDL的设计注重简洁性和易用性，代码结构清晰，易于理解和扩展，适合用于机器人学教学和研究。RBDL被广泛应用于机器人仿真、控制、运动规划等领域，采用zlib许可证，GitHub星标数超过500，被广泛应用于学术研究和教学中。
Pinocchio是由法国国家信息与自动化研究所（INRIA）和法国国家科学研究中心（CNRS）维护的开源刚体动力学库，是机器人动力学领域最流行的开源库之一。Pinocchio提供了高效的刚体运动学和动力学算法实现，包括正运动学、逆运动学、雅可比矩阵、逆动力学（RNEA）、质量矩阵（CRBA）、前向动力学（ABA）等，支持浮动基系统、闭环系统和接触动力学等复杂场景。Pinocchio采用C++编写，提供了Python绑定，支持多种机器人模型格式（URDF、Lua等），具有极高的计算效率（通常比其他开源动力学库快数倍），能够满足实时控制和仿真的需求。Pinocchio被广泛应用于机器人仿真、控制、运动规划、状态估计等领域，是机器人学研究和开发的重要工具，采用BSD许可证，GitHub星标数超过2000，被广泛应用于学术研究和工业应用中。
descartes是由Southwest Research Institute（SwRI）维护的开源机器人笛卡尔轨迹规划器，是ROS生态中最流行的笛卡尔轨迹规划器之一。descartes提供了完整的机器人笛卡尔轨迹规划工具链，包括笛卡尔空间轨迹生成、运动学求解、碰撞检测和轨迹优化等模块，支持多种机器人模型和应用场景。descartes采用了基于采样的规划方法，能够在笛卡尔空间中生成满足约束的轨迹，包括避障、关节限制、奇点避免等多种约束，适用于焊接、喷涂、打磨、切割等需要精确笛卡尔轨迹的工业应用。descartes采用C++编写，提供了ROS接口和丰富的示例和教程，支持多种操作系统和平台，能够方便地集成到ROS和MoveIt框架中。descartes是开源软件，采用BSD许可证，GitHub星标数超过200，被广泛应用于工业机器人、自动化生产线和智能制造等领域的研究和开发中。
Pilz Industrial Motion Planner是由Pilz GmbH & Co. KG维护的开源工业机器人运动规划器，是ROS生态中最流行的工业机器人运动规划器之一。Pilz Industrial Motion Planner提供了完整的工业机器人运动规划工具链，包括点到点运动（PTP）、线性运动（LIN）、圆周运动（CIRC）等多种工业机器人常用的运动指令，支持速度、加速度、加加速度等多种运动参数的配置。Pilz Industrial Motion Planner采用了基于MoveIt的设计，提供了统一的接口和丰富的工具，能够方便地集成到ROS和MoveIt框架中，支持多种工业机器人模型和应用场景。Pilz Industrial Motion Planner采用C++编写，提供了ROS接口和丰富的示例和教程，支持多种操作系统和平台。Pilz Industrial Motion Planner是开源软件，采用BSD许可证，GitHub星标数超过200，被广泛应用于工业机器人、自动化生产线和智能制造等领域的研究和开发中。
Tesseract是由Levi Armstrong和Southwest Research Institute（SwRI）维护的开源机器人运动规划框架，是机器人运动规划领域最流行的开源框架之一。Tesseract提供了完整的机器人运动规划工具链，包括运动学求解、碰撞检测、轨迹优化、运动规划和可视化等模块，支持多种机器人模型和应用场景。Tesseract采用了模块化的设计，提供了统一的接口和丰富的工具，支持多种运动规划算法（OMPL、TrajOpt、CHOMP等），能够方便地集成到其他机器人框架（如ROS、ROS 2等）中。Tesseract采用C++编写，提供了Python绑定和ROS接口，支持多种操作系统和平台，提供了丰富的示例和教程。Tesseract是开源软件，采用BSD许可证，GitHub星标数超过500，被广泛应用于工业机器人、移动机器人和自动驾驶等领域的研究和开发中。
Hector SLAM是由德国达姆施塔特工业大学（TU Darmstadt）维护的开源2D激光SLAM库，是2D激光SLAM领域最流行的开源库之一。Hector SLAM提供了完整的实时2D激光SLAM工具链，包括激光扫描匹配、位姿估计、栅格地图构建和地图优化等模块，能够在计算资源有限的情况下实时构建高精度的2D栅格地图。Hector SLAM采用了基于高斯-牛顿的扫描匹配方法，不需要里程计数据即可实现高精度的位姿估计，适用于无人机、地面机器人等多种平台。Hector SLAM采用C++编写，提供了ROS接口，支持多种激光雷达传感器，提供了丰富的示例和教程。Hector SLAM是开源软件，采用BSD许可证，GitHub星标数超过1000，被广泛应用于移动机器人、无人机和服务机器人等领域的研究和开发中。
RTAB-Map (Real-Time Appearance-Based Mapping)是由IntRoLab（加拿大舍布鲁克大学）维护的开源视觉SLAM库，是视觉SLAM领域最流行的开源库之一。RTAB-Map提供了完整的实时视觉SLAM工具链，包括特征提取与匹配、闭环检测、位姿图优化、3D点云/网格地图构建和语义分割等模块，支持单目、双目、RGB-D和激光雷达多种传感器模式，能够在各种环境下实时实现高精度的定位和地图构建。RTAB-Map采用C++编写，提供了ROS接口和独立的GUI应用，支持多种传感器配置和应用场景，提供了丰富的示例和教程。RTAB-Map是开源软件，采用BSD许可证，GitHub星标数超过1000，被广泛应用于移动机器人、服务机器人和AR/VR等领域的研究和开发中。
Kimera是由麻省理工学院SPARK Lab维护的开源度量语义SLAM库，是度量语义SLAM领域最流行的开源库之一。Kimera提供了完整的实时度量语义SLAM工具链，包括视觉惯性里程计（VIO）、闭环检测、位姿图优化、3D网格重建和语义分割等模块，支持单目、双目和RGB-D多种相机模式，能够同时实现高精度的机器人定位、3D几何地图构建和场景语义标注。Kimera采用C++编写，提供了ROS接口和Python绑定，支持多种传感器配置和应用场景，提供了丰富的示例和教程。Kimera是开源软件，采用BSD许可证，GitHub星标数超过1500，被广泛应用于机器人、AR/VR和自动驾驶等领域的研究和开发中。
GPD (Grasp Pose Detection)是由东北大学机器人感知与操作实验室维护的开源机器人抓取位姿检测库，是机器人抓取检测领域最流行的开源库之一。GPD提供了完整的抓取位姿检测工具链，包括点云处理、抓取位姿采样、抓取质量评分和抓取位姿选择等模块，支持多种机器人平台和抓取任务。GPD采用C++编写，提供了Python绑定和ROS接口，支持多种点云格式和传感器，能够在杂乱场景中实时检测出可行的抓取位姿。GPD提供了丰富的示例和教程，支持多种机器人平台（UR5、PR2、Baxter等），适用于学术研究和工业应用。GPD是开源软件，采用BSD许可证，GitHub星标数超过1000，被广泛应用于机器人抓取检测研究和应用中。
Dex-Net是由加州大学伯克利分校AUTOLAB实验室维护的开源机器人抓取数据集和工具库，是机器人抓取领域最流行的开源项目之一。Dex-Net提供了大规模的抓取数据集（包含数百万个抓取样本和数千个3D物体模型）、抓取规划算法和评估工具，支持多种机器人平台和抓取任务。Dex-Net包含多个版本（Dex-Net 1.0、2.0、3.0、4.0），每个版本都引入了新的数据集和算法，推动了机器人抓取研究的发展。Dex-Net采用Python编写，提供了丰富的API和示例代码，支持多种物理仿真引擎和机器人平台，适用于学术研究和工业应用。Dex-Net是开源软件，采用BSD许可证，GitHub星标数超过1000，被广泛应用于机器人抓取研究和应用中。
MinkowskiEngine是由Christopher Choy和NVIDIA维护的开源稀疏张量深度学习库，是稀疏卷积领域最流行的开源库之一。MinkowskiEngine提供了完整的稀疏张量深度学习工具链，支持多种稀疏卷积操作（稀疏卷积、稀疏转置卷积、稀疏池化等），支持多种维度（2D、3D、4D等），支持多种深度学习框架（PyTorch等）。MinkowskiEngine采用GPU加速的稀疏卷积实现，能够高效处理大规模稀疏张量数据，在点云语义分割、3D目标检测、4D时空预测等任务上取得了优异的性能。MinkowskiEngine是开源软件，采用MIT许可证，GitHub星标数超过2000，被广泛应用于稀疏张量深度学习研究和应用中。
OpenPCDet是由香港中文大学多媒体实验室（MMLab）维护的开源点云3D目标检测工具箱，是点云3D目标检测领域最流行的开源工具箱之一。OpenPCDet提供了完整的点云3D目标检测工具链，支持多种点云3D目标检测算法（PointPillars、SECOND、Part-A2、PV-RCNN、CenterPoint等），支持多种数据集（KITTI、nuScenes、Waymo等）。OpenPCDet采用模块化设计，提供了统一的训练和测试框架，支持分布式训练和混合精度训练，提供了丰富的预训练模型和配置文件，在KITTI和nuScenes等基准上取得了优异的性能。OpenPCDet是开源软件，采用Apache 2.0许可证，GitHub星标数超过4000，被广泛应用于点云3D目标检测研究和应用中。
MMDetection3D是由OpenMMLab团队维护的开源3D目标检测工具箱，是OpenMMLab计算机视觉算法体系的重要组成部分。MMDetection3D提供了完整的3D目标检测工具链，支持多种3D目标检测算法（VoxelNet、PointPillars、SECOND、Part-A2、CenterPoint等），支持多种输入模态（点云、图像、多模态融合），支持多种数据集（KITTI、nuScenes、Waymo、ScanNet等）。MMDetection3D采用模块化设计，提供了统一的训练和测试框架，支持分布式训练和混合精度训练，提供了丰富的预训练模型和配置文件，适用于学术研究和工业应用。MMDetection3D是开源软件，采用Apache 2.0许可证，GitHub星标数超过4000，被广泛应用于3D目标检测研究和应用中。
PCL (Point Cloud Library)是由Willow Garage和Open Perception基金会维护的开源点云处理库，是点云处理领域最流行的开源库之一。PCL提供了完整的点云处理工具链，包括点云滤波、特征提取、配准、分割、识别、可视化等模块，支持多种点云格式和传感器。PCL采用C++编写，提供了Python、Java等多种语言绑定，支持多种操作系统（Linux、Windows、macOS等），提供了丰富的示例和教程，适用于机器人、自动驾驶、3D重建、工业检测等多种应用场景。PCL是开源软件，采用BSD许可证，GitHub星标数超过9000，被广泛应用于学术研究和工业应用中。
Webots是由Cyberbotics公司维护的开源机器人仿真器，是机器人学领域最流行的仿真环境之一。Webots提供了完整的机器人仿真环境，包括多种机器人模型（人形机器人、四足机器人、轮式机器人、无人机等）、多种传感器（相机、激光雷达、IMU、GPS等）和多种执行器（电机、舵机、推进器等），支持物理仿真、可视化和编程接口。Webots支持多种编程语言（C/C++、Python、Java、MATLAB等）和多种机器人操作系统（ROS、ROS 2等），提供了丰富的示例和教程，适用于机器人学研究、教育和开发。Webots是开源软件，采用Apache 2.0许可证，GitHub星标数超过5000，被广泛应用于学术研究和工业应用中。
VINS-Mono是由Tong Qin、Peiliang Li和Shaojie Shen维护的开源单目视觉惯性状态估计器，实现了高精度、高鲁棒性的视觉惯性SLAM功能。该项目融合单目相机和IMU数据，采用紧耦合的优化框架，支持初始化、视觉惯性里程计、回环检测、四自由度位姿图优化等功能，能够在无GPS环境下实现长时间的稳定定位。VINS-Mono支持多种相机和IMU传感器，提供了ROS接口和详细的文档，适用于无人机、移动机器人、AR/VR等多种场景。该项目是视觉惯性SLAM领域最流行的开源项目之一，GitHub星标数超过5000，被广泛应用于学术研究和工业应用中。
PointNet PyTorch是由Yanx27维护的PointNet的PyTorch实现项目，提供了PointNet和PointNet++的完整训练和测试代码。该项目支持ModelNet40、ShapeNet等数据集的点云分类和分割任务，提供了数据预处理、模型训练、评估测试等完整的流水线。PointNet PyTorch使用PyTorch框架实现，代码结构清晰、易于理解和修改，支持GPU加速训练，适用于3D深度学习研究、机器人感知、点云处理等多种场景。该项目是PointNet最流行的PyTorch实现之一，GitHub星标数超过3000，被广泛应用于学术研究和教学中。
LOAM (Lidar Odometry and Mapping)是由Ji Zhang维护的开源激光雷达SLAM算法，实现了实时的激光雷达里程计和建图功能。该项目将激光雷达SLAM问题分解为高频的里程计估计和低频的建图优化两个步骤，使用特征点提取（边缘点和平面点）进行配准，能够在低功耗计算平台上实现实时的3D激光雷达定位与建图。LOAM支持多种3D激光雷达（Velodyne、Ouster、Livox等），提供了ROS接口和详细的文档，适用于移动机器人、无人机、自动驾驶等多种场景。该项目是激光雷达SLAM领域最流行的开源项目之一，GitHub星标数超过3000，被广泛应用于学术研究和工业应用中。
ORB-SLAM2是由Raul Mur-Artal和Juan D. Tardos维护的开源视觉SLAM系统，是ORB-SLAM的改进版本，支持单目、双目和RGB-D相机。该项目使用ORB特征进行特征提取和匹配，采用三线程架构（跟踪、局部建图、回环检测），能够实现实时、准确的同时定位与地图构建。ORB-SLAM2支持重定位、回环检测、地图重用、全局BA优化等功能，提供了ROS接口和详细的文档，适用于移动机器人、无人机、AR/VR等多种场景。该项目是视觉SLAM领域最流行的开源项目之一，GitHub星标数超过8000，被广泛应用于学术研究和工业应用中。
OMPL（Open Motion Planning Library）是Rice大学维护的开源运动规划库，提供了多种运动规划算法的实现。OMPL支持基于采样的规划算法（如RRT、PRM、EST等）、基于优化的规划算法、多查询规划等，提供了统一的规划接口和状态空间抽象。OMPL开源项目地址为https://github.com/ompl/ompl，采用BSD许可证，是机器人运动规划领域最广泛使用的开源库之一。
Detectron2是Meta AI维护的目标检测和分割框架，是Detectron的下一代版本。Detectron2基于PyTorch实现，提供了多种目标检测、实例分割、全景分割、关键点检测等算法的实现，支持多种骨干网络和训练策略。Detectron2开源项目地址为https://github.com/facebookresearch/detectron2，采用Apache-2.0许可证，是计算机视觉领域最广泛使用的开源框架之一。
Gymnasium-Robotics是Farama Foundation维护的机器人强化学习环境集合，是Gymnasium的机器人扩展。Gymnasium-Robotics提供了多种机器人操作环境，包括Fetch、ShadowHand、Franka等多种机器人平台的操作任务，支持多种观测空间和动作空间。Gymnasium-Robotics开源项目地址为https://github.com/Farama-Foundation/Gymnasium-Robotics，采用MIT许可证，是机器人强化学习领域最广泛使用的开源项目之一。
TD-MPC2是2023年由UC Berkeley等机构提出的可扩展世界模型方法开源实现，通过统一的世界模型架构实现多种连续控制任务的高效学习。TD-MPC2采用潜在动力学模型和模型预测控制架构，能够在多种连续控制任务上取得优异性能。TD-MPC2开源项目地址为https://github.com/nicklashansen/tdmpc2，采用MIT许可证，是基于模型的强化学习领域最广泛使用的开源项目之一。
DreamerV3是2023年由DeepMind提出的基于世界模型的强化学习算法开源实现，通过统一的世界模型架构实现多种任务的高效学习。DreamerV3采用潜在动力学模型和演员-评论家架构，能够在多种任务上取得优异性能，并且具有良好的通用性和数据效率。DreamerV3开源项目地址为https://github.com/danijar/dreamerv3，采用MIT许可证，是基于模型的强化学习领域最广泛使用的开源项目之一。
Contact-GraspNet是2021年由NVIDIA等机构提出的6自由度抓取生成方法开源实现，通过接触点预测和抓取姿态生成实现高效的机器人抓取。Contact-GraspNet采用深度神经网络架构，能够从单帧深度图像预测接触点和抓取姿态。Contact-GraspNet开源项目地址为https://github.com/NVlabs/contact_graspnet，采用MIT许可证，是机器人抓取领域最广泛使用的开源项目之一。
NavGPT是2023年由CMU等机构提出的视觉语言导航模型开源实现，通过统一导航和视觉语言模型实现零样本视觉语言导航。NavGPT采用GPT架构和多模态输入，能够根据自然语言指令和视觉观测生成导航动作。NavGPT开源项目地址为https://github.com/gengyanlei/NavGPT，采用MIT许可证，是视觉语言导航领域最广泛使用的开源项目之一。
Diffusion Policy是2023年由Columbia University等机构提出的机器人操作策略开源实现，通过扩散模型生成机器人操作动作。Diffusion Policy采用条件扩散模型架构，能够建模多模态动作分布，学习到平滑、鲁棒的操作策略，在多个仿真和真实机器人操作任务上取得了优异性能。Diffusion Policy开源项目地址为https://github.com/real-stanford/diffusion_policy，采用MIT许可证，是机器人操作策略领域最广泛使用的开源项目之一。
ACT（Action Chunking with Transformers）是2023年由Stanford等机构提出的机器人操作策略开源实现，通过动作分块和Transformer架构实现高效的机器人模仿学习。ACT采用CVAE架构和动作分块策略，能够学习到平滑、鲁棒的操作策略，在多个真实机器人操作任务上取得了优异性能。ACT开源项目地址为https://github.com/tonyzhaozh/act，采用MIT许可证，是机器人模仿学习领域最广泛使用的开源项目之一。
MuJoCo（Multi-Joint dynamics with Contact）是由Roboti LLC开发的物理仿真引擎，2021年被DeepMind收购并开源。MuJoCo提供了高精度的刚体动力学仿真、接触动力学仿真和传感器仿真，支持多种机器人模型和场景，广泛应用于机器人控制、强化学习、生物力学等领域。MuJoCo开源项目地址为https://github.com/google-deepmind/mujoco，采用Apache 2.0许可证，是机器人仿真领域最广泛使用的物理引擎之一。
LeRobot是Hugging Face于2024年发布的机器人学习库，提供了统一的机器人数据收集、训练和部署框架。LeRobot支持多种机器人平台（包括Franka、UR5、xArm等），提供了数据收集工具、预训练模型、训练脚本和部署接口，支持模仿学习、强化学习等多种学习范式。LeRobot开源项目地址为https://github.com/huggingface/lerobot，采用Apache 2.0许可证，是机器人学习领域最活跃的开源项目之一。
OpenVLA是2024年发布的开源视觉-语言-动作模型，由斯坦福大学、Google DeepMind等机构联合开发，基于7B参数的大语言模型架构。OpenVLA在Open X-Embodiment数据集上进行预训练，支持多种机器人平台和操作任务，提供了完整的训练、微调和推理代码。OpenVLA开源项目地址为https://github.com/openvla/openvla，采用Apache 2.0许可证，是目前最广泛使用的开源VLA模型之一。
Isaac Sim是NVIDIA开发的机器人仿真平台，基于Omniverse和PhysX物理引擎，提供了高保真的机器人仿真环境。Isaac Sim支持多种机器人平台（包括人形机器人、四足机器人、机械臂等），提供了丰富的传感器模拟（包括RGB-D、激光雷达、力传感器等）和物理仿真能力。Isaac Sim已被广泛应用于机器人学习、具身智能、自动驾驶等领域，是机器人仿真领域的主流平台之一。
RoboSuite是由斯坦福大学、谷歌等机构联合开发的机器人操作仿真环境，基于MuJoCo物理引擎，提供了丰富的机器人操作任务和场景。RoboSuite支持多种机器人平台（包括Sawyer、Panda、UR5e等），提供了标准化的任务接口和评估指标，已成为机器人学习领域最广泛使用的仿真环境之一。RoboSuite开源项目地址为https://github.com/ARISE-Initiative/robosuite，采用MIT许可证。
ManiSkill是由UCSD、Google等机构开发的开源机器人操作仿真环境，基于SAPIEN物理引擎构建，于2023年发布ManiSkill3版本。该环境提供了超过20种机器人模型、50+操作任务和大规模的场景库，支持GPU并行仿真（单GPU可同时仿真数千个环境），显著加速强化学习和模仿学习的训练。ManiSkill还提供了大规模的演示数据集和预训练策略，支持从仿真到真实的迁移研究。GitHub: haosulab/ManiSkill。
robosuite是由Stanford、UC Berkeley等机构开发的开源机器人操作仿真环境，基于MuJoCo物理引擎构建。该环境提供了多种机器人模型（Panda、Sawyer、IIWA、UR5e等）、操作任务（拾取放置、堆叠、开门、擦拭等）和传感器配置（RGB、深度、本体感觉、力扭矩），支持单臂和双臂操作。robosuite设计了模块化的架构，便于自定义任务和机器人，已被广泛用于机器人学习、模仿学习和强化学习研究。GitHub: StanfordVL/robosuite。
LeRobot是HuggingFace于2024年发布的开源机器人学习框架，旨在降低机器人学习研究的门槛。该框架提供了统一的数据收集、训练和部署工具链，支持多种机器人硬件平台（包括Koch、Follower、So100等低成本机械臂），集成了行为克隆、扩散策略、VLA等主流算法。LeRobot与HuggingFace Hub深度集成，支持共享数据集和预训练模型，目前已成为机器人学习领域最活跃的开源项目之一。GitHub: huggingface/lerobot。
PaLM-E是Google Research开发的开源机器人学习框架，提供了PaLM-E具身多模态语言模型的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估具身多模态语言模型，是具身智能和多模态大模型领域的重要开源框架。GitHub: google-research/palm-e。
Code as Policies是Google Research开发的开源机器人学习框架，提供了Code as Policies方法的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估语言模型生成代码的机器人策略，是具身智能和大模型机器人领域的重要开源框架。GitHub: google-research/code-as-policies。
SayCan是Google Research开发的开源机器人学习框架，提供了SayCan方法的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估语言模型与可操作性模型结合的机器人策略，是具身智能和大模型机器人领域的重要开源框架。GitHub: google-research/saycan。
GR00T是NVIDIA公司开发的开源机器人学习框架，提供了GR00T人形机器人基础模型的实现和训练工具。该框架支持多种人形机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估人形机器人策略，是具身智能和人形机器人领域的重要开源框架。GitHub: NVIDIA/GR00T。
π0是Physical Intelligence公司开发的开源机器人学习框架，提供了π0流匹配VLA模型的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估流匹配VLA策略，是具身智能和VLA模型领域的重要开源框架。GitHub: Physical-Intelligence/pi0。
PI-0是Physical Intelligence公司开发的开源机器人学习框架，提供了PI-0 VLA模型的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估VLA策略，是具身智能和VLA模型领域的重要开源框架。GitHub: Physical-Intelligence/pi0。
Mobile ALOHA是斯坦福大学开发的开源机器人学习框架，提供了低成本全身遥操作硬件系统和模仿学习工具。该框架在ALOHA的基础上增加了移动底盘和全身遥操作功能，支持多种双臂移动操作任务，提供了易于使用的API和预训练模型，是机器人学习和双臂移动操作领域的重要开源框架。GitHub: mobile-aloha/mobile-aloha。
ALOHA是斯坦福大学开发的开源机器人学习框架，提供了低成本双臂遥操作硬件系统和模仿学习工具。该框架支持多种双臂操作任务和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估双臂操作策略，是机器人学习和双臂操作领域的重要开源框架。GitHub: tonyzhaozh/ALOHA。
ACT是斯坦福大学开发的开源机器人学习框架，提供了Action Chunking with Transformers的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估模仿学习策略，是机器人学习和模仿学习领域的重要开源框架。GitHub: tonyzhao0101/act。
Implicit Behavioral Cloning是谷歌大脑和加州大学伯克利分校开发的开源机器人学习框架，提供了Implicit Behavioral Cloning的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估隐式行为克隆策略，是机器人学习和模仿学习领域的重要开源框架。GitHub: google-research/ibc。
Behavior Transformers是谷歌大脑和多伦多大学开发的开源机器人学习框架，提供了Behavior Transformers的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估模仿学习策略，是机器人学习和模仿学习领域的重要开源框架。GitHub: notmahi/bet。
Diffusion Policy是MIT和哥伦比亚大学开发的开源机器人学习框架，提供了扩散策略的实现和训练工具。该框架支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，能够高效训练和评估扩散策略，是机器人学习和扩散策略领域的重要开源框架。GitHub: real-stanford/diffusion_policy。
ManiSkill是UC San Diego开发的开源机器人操作仿真基准测试框架，提供了多种操作任务和机器人本体。该框架支持GPU并行仿真，能够高效训练和评估机器人操作策略，提供了易于使用的API和预训练模型，是机器人学习和仿真基准测试领域的重要框架。GitHub: haosulab/ManiSkill。
RoboMimic是斯坦福大学开发的开源机器人学习框架，专注于从观察中学习机器人操作策略。该框架提供了多种学习算法，包括行为克隆、扩散策略、Transformer策略等，支持多种机器人本体和仿真环境，提供了易于使用的API和预训练模型，是机器人学习和模仿学习领域的重要框架。GitHub: ARISE-Initiative/robomimic。
LeRobot是Hugging Face开发的开源机器人AI框架，提供了机器人学习所需的数据收集、模型训练、推理部署等功能。该框架支持多种机器人本体和学习算法，包括行为克隆、扩散策略、Transformer策略等，提供了易于使用的API和预训练模型，是机器人学习和开源AI领域的重要框架。GitHub: huggingface/lerobot。
Gazebo是一个开源的3D机器人动力学仿真器，由Open Robotics维护。该仿真器提供了刚体动力学、碰撞检测、传感器仿真、环境渲染等功能，支持多种机器人本体和传感器模型，广泛应用于机器人研究、算法验证、教育培训等领域，是机器人仿真领域最经典的开源工具。GitHub: gazebosim/gz-sim。
MoveIt是一个开源的机器人运动规划框架，由PickNik Robotics和Open Robotics维护。该框架提供了运动规划、碰撞检测、运动学、操作控制等功能，支持多种机器人本体和规划算法，广泛应用于工业机器人、协作机器人、人形机器人等领域，是机器人运动规划领域最经典的开源框架。GitHub: moveit/moveit2。
ROS（Robot Operating System）是一个开源的机器人操作系统，由Willow Garage开发，目前由Open Robotics维护。该系统提供了机器人开发所需的硬件抽象、设备驱动、库函数、可视化工具、消息传递、包管理等功能，支持多种编程语言和平台，是机器人研究和开发领域最经典的开源框架。GitHub: ros2/ros2。
Acme是一个基于DeepMind的分布式强化学习研究框架，由DeepMind开发。该库提供了多种强化学习算法的实现，包括DQN、PPO、SAC、IMPALA等，支持分布式训练和多种环境，是强化学习研究领域的重要开源资源。GitHub: deepmind/acme。
Dopamine是一个基于TensorFlow的强化学习研究框架，由Google开发。该库提供了多种强化学习算法的实现，包括DQN、Rainbow、IQN等，具有简洁的API和易于复现的实验设置，是强化学习研究领域的重要开源资源。GitHub: google/dopamine。
TensorFlow Agents是一个基于TensorFlow的批量强化学习库，由Google开发。该库提供了多种强化学习算法的实现，包括DQN、PPO、SAC、TD3等，支持批量训练和分布式训练，是强化学习研究和应用领域的重要开源资源。GitHub: tensorflow/agents。
Keras-RL是一个基于Keras的深度强化学习库，由Matthias Plappert开发。该库提供了多种强化学习算法的实现，包括DQN、DDPG、CEM等，具有简洁的API和易于扩展的架构，是强化学习入门和应用领域的重要开源资源。GitHub: keras-rl/keras-rl。
ChainerRL是一个基于Chainer的深度强化学习库，由Preferred Networks开发。该库提供了多种强化学习算法的实现，包括DQN、PPO、A3C、DDPG、SAC等，支持分布式训练和多种环境，是强化学习研究和应用领域的重要开源资源。GitHub: chainer/chainerrl。
Garage是一个用于可复现强化学习研究的工具包，由RLWorkshop社区开发，基于TensorFlow和PyTorch。该库提供了多种强化学习算法的高质量实现，包括PPO、TRPO、SAC、TD3等，具有统一的API和详细的文档，是强化学习研究领域的重要开源资源。GitHub: rlworkgroup/garage。
CleanRL是一个强化学习算法的简洁实现库，由CleanRL社区开发，基于PyTorch。该库的特点是每个算法都是一个独立的单文件实现，代码简洁易读，适合学习和研究，支持多种经典强化学习算法，包括PPO、DQN、SAC等，是强化学习学习和研究领域的重要开源资源。GitHub: vwxyzjn/cleanrl。
Stable Baselines3是一个可靠的强化学习实现库，由Farama Foundation维护，基于PyTorch。该库提供了多种经典强化学习算法的高质量实现，包括PPO、DQN、SAC、TD3、A2C等，具有统一的API和详细的文档，是强化学习入门和应用领域最受欢迎的开源库之一。GitHub: DLR-RM/stable-baselines3。
Ray RLlib是一个可组合和可扩展的强化学习库，由UC Berkeley的RISELab开发，基于Ray分布式计算框架。该库支持多种强化学习算法，包括PPO、DQN、SAC、IMPALA等，提供了统一的API和丰富的工具，是强化学习研究和应用领域最广泛使用的开源库之一。GitHub: ray-project/ray。
UC Berkeley提出的Meta-World，是一个多任务和元强化学习的基准测试环境。该环境包含50个机器人操作任务，评估算法在多任务学习和元学习方面的能力，是机器人强化学习领域的重要基准。GitHub: Farama-Foundation/Metaworld。
National University of Singapore提出的LIBERO，是一个终身机器人学习的知识迁移基准测试。该基准测试包含多个任务套件，评估机器人在不同任务之间的知识迁移能力，是终身机器人学习领域的重要基准。GitHub: Lifelong-Robot-Learning/LIBERO。
University of Freiburg提出的CALVIN，是一个语言条件化的长时序机器人操作任务基准测试。该基准测试包含多个长时序任务，要求机器人理解自然语言指令并执行复杂的操作序列，是语言条件化机器人学习领域的重要基准。GitHub: mees/calvin。
UC Berkeley和Stanford联合开发的RoboCasa，是一个大规模的日常任务仿真环境，用于训练通用机器人。该环境包含1000多个日常任务，覆盖厨房、客厅、卧室等多种场景，是机器人仿真领域的重要基础设施。GitHub: robocasa-sim/robocasa。
Google DeepMind提出的HPT（Heterogeneous Pre-trained Transformers），通过异构预训练Transformer学习机器人操作策略。该方法能够处理多种机器人平台和多种任务，在多个机器人操作任务上展现了强大的泛化能力，是通用机器人模型领域的重要创新。GitHub: google-deepmind/hpt。
Physical Intelligence提出的Pi0，是一个视觉-语言-动作流模型，用于通用机器人控制。该模型采用流匹配架构，能够处理多种机器人任务和多种机器人平台，在多个机器人操作任务上展现了强大的泛化能力，是通用机器人模型领域的重要进展。GitHub: physical-intelligence/pi0。
Meta AI提出的VC-1（Visual Cortex 1），通过大规模视觉预训练学习具身智能的视觉表示。该方法在多个具身智能任务上展现了强大的泛化能力，能够有效提升样本效率，是具身智能视觉表示学习领域的重要里程碑。GitHub: facebookresearch/eai-vc。
UC Berkeley提出的MVP（Masked Visual Pre-training），通过掩码视觉预训练学习机器人控制的视觉表示。该方法借鉴了NLP中的掩码语言模型思想，在机器人控制任务上展现了强大的性能，是机器人视觉预训练领域的重要创新。GitHub: ir41/MVP。
NVIDIA提出的R3M（ResNet for Robot Manipulation），通过自监督学习学习通用的机器人操作视觉表示。该方法在多个机器人操作任务上展现了强大的泛化能力，能够有效提升样本效率，是机器人视觉表示学习领域的重要进展。GitHub: facebookresearch/r3m。
Google Research提出的Behavior Transformers（BeT），将行为克隆建模为序列建模任务，通过Transformer架构学习机器人操作策略。该方法在多个机器人操作任务上展现了强大的性能，能够处理多模态动作分布，是机器人学习领域的重要创新。GitHub: google-research/behavior_transformers。
香港中文大学（深圳）刘桂良团队联合跨维智能提出的轻量级框架（ICML 2026），通过任务解耦让机器人先聚焦关键接触区域（Focus）再以残差强化学习做精细接触调整（Contact），在6项真实接触任务达100%成功率、平均真机训练仅27.5分钟。
OpenMMLab 是由香港中文大学多媒体实验室（MMLab）林达华等人主导发起的计算机视觉开源算法体系，涵盖 MMDetection、MMSegmentation、MMClassification 等 30 余个开源库、300 多种算法与 2000 余个预训练模型，是国际上最具影响力的视觉算法开源项目之一。
Fourier GR1 SDK 提供 GR1 人形机器人的控制、遥操作与仿真接口，是傅利叶生态人形开发的官方入口。
Navigation (ROS1) 提供代价地图、全局/局部规划与恢复行为，是 ROS 1 移动机器人导航的经典方案，Navigation2 为其 ROS 2 版。
libfranka 是 Franka Emika 官方维护的 C++ 库，提供 Franka 科研机器人（Panda / FR3）的低层实时控制接口（Franka Control Interface，FCI），是 ROS 与仿真之外最基础的力控开发入口。
BehaviorTree.ROS2 提供行为树在 ROS 2 中的节点封装与示例，便于用行为树组织机器人高层任务逻辑。
DecompUtil 提供凸变形与安全走廊等几何工具，支撑 Fast-Planner 等无人机实时轨迹优化中的约束表示。
MoveIt 是机械臂运动规划的经典框架，提供规划、碰撞检测与抓取，MoveIt 2 为其 ROS 2 继任版本。
cartographer_ros 把 Cartographer SLAM 引擎封装为 ROS 节点，提供话题与 launch 配置，便于在 ROS 中做实时建图定位。
ros2_controllers 提供差速、关节轨迹、力控等标准控制器实现，配合 ros2_control 构成 ROS 2 实时控制闭环。
OpenLoong 是国家级开源人形机器人项目，提供本体设计、控制与算法资源包，面向科研与产业协同开发。
RViz 是 ROS/ROS 2 的三维可视化前端，可显示机器人模型、点云、传感器与规划结果，是开发与调试的标配工具。
dynamixel-workbench 提供 DYNAMIXEL 舵机的扫描、参数配置与控制示例，是 ROBOTIS 生态硬件开发的常用工具。
Universal Robots ROS Driver 提供 UR 系列协作臂的 ROS 控制接口，是 ROS 1 环境下 UR 机器人开发的标准驱动。
librealsense 是 Intel RealSense 深度相机的底层 SDK，提供相机标定、流配置与深度处理，是 realsense-ros 的基础。
Theseus 提供可微分、GPU 加速的非线性最小二乘优化，适合视觉惯性导航、运动规划与可微分的机器人问题。
zed-ros2-wrapper 提供 ZED 深度/立体相机的 ROS 2 驱动，输出深度、点云、里程计与姿态，便于三维感知接入。
Acme 提供可复用的 RL 组件与多种分布式代理实现，强调研究与生产的衔接，可对接 JAX/PyTorch/TensorFlow。
HEBI C++/Python API 提供对 HEBI 模块化执行器与机械臂的实时控制，支持 ROS 集成，便于快速搭建定制本体。
Kortex 提供对 Kinova Gen3/Jaco 等机械臂的关节、力矩与视觉控制接口，包含 ROS 示例，便于轻量臂开发。
stretch_body 提供 Stretch 移动操作机器人的底层驱动与 Python API，便于开发移动抓取与家庭辅助任务。
Universal Robots ROS2 Driver 提供 UR 系列协作臂的实时控制与外部控制接口，是 UR 机器人 ROS 2 开发的标准驱动。
JAX 提供自动微分、JIT 与并行，是 Brax 等机器人仿真与众多 RL/策略研究的基础计算框架。
franka_ros 提供 Panda 协作机械臂的 ROS 控制、力矩反馈与 MoveIt 配置，是研究级操作实验的常用接口。
Taichi 是嵌入 Python 的并行编程语言，擅长高性能物理模拟与可微分计算，被用于软体、流体与机器人仿真。
Fast-Planner 提供基于梯度的实时轨迹规划与避障，适合无人机在杂乱环境中的高速飞行，配套 ROS 示例。
CasADi 提供符号建模与数值优化求解接口，常用于机器人轨迹优化、MPC 与运动规划，可对接多种求解器。
Brax 用 JAX 实现可微分、可并行的物理仿真，可在 TPU/GPU 上大规模训练强化学习策略，兼容 MuJoCo 任务。
Gazebo（新版本 gz-sim）提供物理、传感器与插件化世界，是 ROS 生态最普及的机器人仿真器之一，支持真实感测试。
Open-RMF 提供多机器人之间的交通调度、任务分配与冲突避免，面向仓库、楼宇等场景的多机协同。
Fast DDS 是 OMG DDS 标准的高性能实现，作为 ROS 2 默认通信后端，负责节点间实时、可靠的数据分发。
Cartographer 提供 2D/3D 激光与 IMU 的实时同步定位与建图，常用于移动机器人导航的地图构建。
BehaviorTree.CPP 提供可组合、可复用的行为树实现，常用于机器人高层任务决策与状态机替代，支持 ROS 2 集成。
moteus 是开源的伺服驱动控制器，提供力矩/位置/速度控制与 CAN 接口，广泛用于高自由度人形与四足机器人的关节驱动。
realsense-ros 提供 RealSense 深度相机的 ROS 驱动、点云与对齐话题，是机器人三维感知的常见传感器接入方案。
Home-Robot 提供统一接口在 Habitat 仿真与真实 Stretch/LoCoBot 上运行导航与操作任务，便于仿真到真实迁移研究。
robomimic 提供多源操作演示数据集与统一的模仿学习训练框架，覆盖单臂到双手任务，便于复现与对比。
interbotix_ros_manipulators 提供 Interbotix 系列桌面机械臂的驱动、运动学与 MoveIt 配置，便于快速搭建操作原型。
Drake 提供基于物理的仿真、轨迹优化与模型预测控制，强调从仿真到真实硬件的可靠迁移，常用于机械臂与足式控制。
Poppy Humanoid 是开源 3D 打印人形机器人，配套 pypot 控制库与教学示例，面向教育与研究的可编程机器人平台。
Habitat-Lab 在 Habitat-Sim 之上定义导航、重排等任务与训练接口，是具身智能算法研究的标准平台。
OmniGibson 在 iGibson 上升级物理与交互粒度，支撑 BEHAVIOR 等大规模日常任务，适合复杂操作研究。
PX4 提供姿态控制、导航与多种飞行模式，兼容 MAVLink 与 ROS，是开源无人机的事实标准飞控固件。
OpenManipulator 是 ROBOTIS 开源的桌面机械臂，配套 ROS/ROS2 控制包与 3D 打印件，便于教学与二次开发。
SAPIEN 提供带关节与可微分物理的仿真，强调物体交互与视觉渲染，是 ManiSkill 等基准的底层引擎。
Habitat-Sim 以极高渲染与物理吞吐支持具身智能的视觉导航与交互研究，配合 Habitat-Lab 提供任务环境。
ArduPilot 支持多旋翼、固定翼、 rover 与船只等多种平台，提供完整自动驾驶功能，是老牌开源飞控之一。
TurtleBot3 是低成本开源移动机器人，标配 ROS/ROS2 与多种传感器，是导航、SLAM 教学与研发的事实标准平台。
Stable-Baselines3 提供 PPO、SAC、TD3 等成熟 RL 算法与统一接口，便于在 Gym 风格机器人环境中快速训练。
iGibson 提供带物理与丰富对象的交互式室内环境，支持视觉导航、操作与具身任务评测。
Legged Gym 在 Isaac Gym 上实现 ANYmal 等足式机器人的大规模并行 RL 训练，并提供部署到真机的示例。
AirSim 提供高保真视觉与物理的无人机、车辆仿真，支持硬件在环与强化学习接口，常用于自主导航研究。
TorchRL 提供模块化环境、采集、损失与回放组件，统一 RL 训练流程，可对接 Gym、机器人仿真与分布式训练。
Gymnasium 是 OpenAI Gym 的社区维护分支，保持相同 API 并持续更新，是当前 RL 环境的事实标准库。
Gym 定义了 step/reset 的统一环境接口与大量经典控制任务，是后续几乎所有 RL 框架的事实标准。
SAM 通过提示（点、框、文本）完成任意物体的零样本分割，常被用作机器人视觉感知的前端分割模块。
CARLA 基于 Unreal 引擎构建城市交通仿真，提供传感器、地图与交通参与者，是自动驾驶感知与决策研究的标准环境。
Open3D 提供点云、网格、体素的处理、配准、分割与可视化能力，并支持 3D 深度学习，是机器人感知常用库。
RLDS 定义统一的轨迹数据格式并配套生成、转换与迭代工具，便于跨环境复用大规模 RL/演示数据集。
ros2_control 定义控制器、硬件接口与资源管理，桥接真实驱动器与仿真，是 ROS 2 机器人实时控制的基础。
Navigation2 提供全局/局部规划、代价地图、恢复行为与行为树，是基于 ROS 2 的自主移动机器人导航标准方案。
unitree_ros 提供宇树四足机器人的 ROS 消息、驱动与控制节点，便于在 ROS 生态中接入与开发。
ROS 2 提供节点通信、消息、参数与服务等机制，配套导航、控制、感知大量包，是机器人系统开发的事实标准。
Unitree SDK2 提供统一接口控制 Go2、B2、H1 等宇树机器人，覆盖运动、状态读取与高阶命令，支持多语言绑定。
unitree_guide 汇集宇树 SDK 的示例代码与教程，覆盖连接、运动控制与传感器读取，帮助快速上手二次开发。
MoveIt 2 提供运动规划、碰撞检测、抓取生成与执行管理，是机械臂操作部署最常用的开源框架。
ManiSkill2 提供数百个操作任务与统一接口，支持高速并行仿真与多种任务难度，便于公平评测操作策略。
Genesis 集成了刚体、软体、流体与可微分物理，强调速度与人形/四足/软体等多种机器人仿真，支持生成式数据合成。
robosuite 提供模块化机器人模型、控制器与操作任务，兼容 Gym 接口，是操作强化学习的重要研究平台。
ManiSkill3 重构底层为 SAPIEN 3，提供更高吞吐的并行仿真、丰富操作任务与强健评测，支持 RL 与仿真到真实迁移。
PyBullet 是 Bullet 物理引擎的 Python 接口，提供机器人加载、运动规划与 Gym 风格环境，是入门与教学常用仿真器。
RLBench 提供 100 多种操作任务、多视角视觉观测与演示采集工具，是视觉操作与模仿学习常用基准。
Open X-Embodiment 汇集 20 余家机构的超百万条机器人演示，定义统一数据格式，支撑 RT-1-X/RT-2-X 等跨本体模型训练。
Mobile ALOHA 在 ALOHA 基础上增加移动底盘，用人臂牵引遥操作采集数据，并用 ACT 与协同训练实现烹饪、收拾等任务。
Diffusion Policy 将动作表示为条件去噪扩散过程，在多种操作任务上取得高成功率与平滑轨迹，开源了完整训练代码。
MuJoCo 提供精确的刚体物理与高效求解器，广泛用于机器人控制、运动规划与强化学习基准，现由 DeepMind 开源维护。
Isaac Gym Envs 提供 ANYmal 行走、Shadow 灵巧手、Franka 操作等并行 RL 环境，是 Isaac Gym 上最常用的训练样板。
Isaac Lab 基于 Isaac Sim 构建，支持大规模 GPU 并行仿真与 RL、模仿学习训练，覆盖足式、机械臂与灵巧手等任务。
DM Control 在 MuJoCo 之上封装了连续控制任务套件与控制版 MPI，是连续控制 RL 算法的常用评测环境。
Octo 是一个在大规模多机器人数据集上训练的开源通用策略，支持新任务与硬件的微调，提供训练与部署工具。
ALOHA 是一套低成本双手遥操作平台，配合 ACT 策略实现高精度双臂操作，开源了硬件设计与控制代码。
ACT 通过动作分块与 CVAE 提升模仿学习的平滑度与成功率，是 Aloha 双手操作系统的核心策略方法。
OpenVLA 是一个 7B 参数的开源 VLA 模型，基于 Llama 2 与视觉编码器，提供微调与部署脚本，面向通用机器人操作。
LeRobot 面向真实机器人与仿真的模仿学习与策略训练，提供统一数据集格式、预训练策略与训练脚本。
Booster robot descriptions and example motion data
An easy-to-use deployment framework that enables seamlessly running the same policy code in both simulation and on real robots.
This repository provides a set of reinforcement learning tasks for Booster robots using Isaac Lab.
Booster Gym is a reinforcement learning (RL) framework designed for humanoid robot locomotion developed by Booster Robotics.
The Booster T1 and K1 Robocup official demo allows the robot to make autonomous decisions to kick the ball and complete the full Robocup match. It includes three programs: vision, brain, and game_controller.
booster_ros2_interface is a ROS 2 interface package that provides a series of message and service definitions for robot control
booster_robotics_sdk 提供 T1 人形机器人的控制、仿真与 ROS 2 接口，是加速进化生态的二次开发入口。
Fourier Nexus 是傅利叶通用机器人生态网络，官网称其通过硬件开发、算法开源、数据共享三维架构降低研发门槛，吸引开发者、科研机构和产业伙伴参与。
Fourier N1 开源本体资源包覆盖 BOM、整机 STEP、整机图纸、装机 SOP、操作演示视频和基础操作软件 GitHub 页面，面向全球开发者复刻与验证。
FluxVLA Engine 定义为面向具身智能的标准化 VLA 工程底座，作为产品与研发资料图谱的开源项目节点。
智平方官网新闻称，智平方与北京大学联合推出了针对操作机器人的 RoboMamba 端到端具身大模型，并提到其比 PI 的 OpenVLA 更早公开应用。当前本地镜像未包含仓库链接，需要后续补齐权威代码地址。
我是硅基参考 Agent，熟产品库、数据集、公司档案和近期资讯。你可以直接问，也可以先让我了解你是谁、在看什么——我会把库里的资料和你说的话对上号，像同事聊天那样一点点聊。