目录
style="margin-left:0px">第一章：基础理论与问题建模（认知层）
全身移动操作（Loco-Manipulation）的核心挑战
底层控制瓶颈：连续速度跟踪RL控制器的精度与稳定性缺陷
统一潜在学习（Unified
潜在动作模型（LAM）的数学原理：VQ-VAE架构与离散潜在空间
人形机器人运动学配置：AgiBot
状态空间定义：本体感知（Proprioception）与视觉观测的融合
style="margin-left:40px">代码实现：基础框架与核心模块
style="margin-left:80px">脚本1：潜在动作模型（LAM）与VQ-VAE实现
style="margin-left:80px">脚本2：跨模态对齐与VLA策略网络
style="margin-left:80px">脚本3：AgiBot
X2全身控制接口与LMO
style="margin-left:40px">第二章：核心架构与算法实现（技术层）
双分支潜在动作模型（Dual
style="margin-left:80px">完整可执行代码实现
style="margin-left:120px">脚本1：双LAM训练系统（train_dual_lams.py）
style="margin-left:120px">脚本2：LMO策略训练（train_lmo_policy.py）
style="margin-left:120px">脚本3：VLA模型微调（finetune_vla_lora.py）
style="margin-left:120px">脚本4：部署通信系统（deploy_zmq_bridge.py）
style="margin-left:120px">脚本5：数据采集工具（data_collection_pipeline.py）
style="text-align:center">第一章：基础理论与问题建模（认知层）
1.1
全身移动操作（Loco-Manipulation）的核心挑战
