01
课程导论与背景
AI运动控制概述 · 深度强化学习在机器人控制中的应用 · 模型压缩的必要性与挑战 · 课程目标与学习路径
导论背景
02
深度强化学习基础回顾
马尔可夫决策过程 · Q-Learning与策略梯度 · Actor-Critic架构 · PPO与SAC算法简介
DRL基础
03
运动控制中的神经网络
全连接网络与卷积网络在控制中的应用 · 循环网络与序列决策 · 输入输出规范（状态空间与动作空间）
网络控制
04
模型压缩技术全景
剪枝 · 量化 · 知识蒸馏 · 低秩分解 · 轻量化架构设计（MobileNet、ShuffleNet）
全景压缩
05
权重剪枝
非结构化剪枝与结构化剪枝 · 剪枝策略（训练后剪枝、迭代剪枝） · 剪枝率与性能权衡
剪枝权重
06
结构化剪枝实战
通道剪枝 · 滤波器剪枝 · 基于BN层γ值的剪枝 · 在运动控制网络中的应用
结构化实战
07
模型量化基础
浮点与定点表示 · 对称量化与非对称量化 · 量化感知训练（QAT）与训练后量化（PTQ）
量化基础
08
量化在运动控制中的应用
8-bit与4-bit量化对控制精度的影响 · 量化后的推理加速 · 硬件部署考量
量化部署
09
知识蒸馏
教师-学生框架 · 软标签与温度参数 · 特征层蒸馏 · 在DRL中的蒸馏策略
蒸馏知识
10
蒸馏在运动控制中的实战
策略蒸馏 · 价值网络蒸馏 · 多任务蒸馏 · 蒸馏后的策略微调
蒸馏实战
11
低秩分解
SVD分解 · CP分解 · 张量分解在卷积层与全连接层的应用 · 分解后的网络重训
低秩分解
12
轻量化架构设计
深度可分离卷积 · 分组卷积 · MobileNetV3与ShuffleNetV2在控制网络中的应用
轻量化架构
13
模型压缩工具与框架
TensorFlow Lite · ONNX Runtime · NVIDIA TensorRT · OpenVINO · TVM
工具框架
14
压缩模型在边缘设备上的部署
Jetson Nano · 树莓派 · STM32 · ESP32上的DRL推理
边缘部署
15
运动控制中的实时性要求
控制频率与推理延迟 · 端到端延迟分析 · 压缩对实时性的提升
实时延迟
16
压缩模型的鲁棒性分析
压缩对策略稳定性的影响 · 对抗攻击下的鲁棒性 · 鲁棒性增强方法
鲁棒性安全
17
案例研究1：四足机器人运动控制模型压缩
从PPO到轻量化网络 · 剪枝与量化 · 四足机器人平台验证
四足案例
18
案例研究2：机械臂抓取策略的量化与蒸馏
在Jetson Nano上的部署 · 抓取成功率分析
机械臂Jetson
19
案例研究3：无人机悬停控制的剪枝与低秩分解
在树莓派上的实时推理 · 悬停精度与功耗
无人机树莓派
20
案例研究4：自动驾驶端到端控制模型的轻量化
从TensorRT到OpenVINO · 多平台部署对比
自动驾驶端到端
21
多任务与多模态模型压缩
共享特征提取器 · 多任务蒸馏 · 视觉-语言-动作联合压缩
多模态多任务
22
自动化模型压缩
神经架构搜索（NAS） · 自动剪枝 · 自动量化 · HAQ与AMC算法
自动化NAS
23
压缩模型的评估指标
模型大小 · FLOPs · 推理延迟 · 控制成功率 · 能耗比
评估指标
24
压缩与强化学习训练的协同
训练时剪枝 · 渐进式量化 · 蒸馏辅助训练
协同训练
25
硬件感知的模型压缩
针对特定硬件的优化 · 内存带宽与计算单元利用率 · 硬件-算法协同设计
硬件感知协同
26
模型压缩中的安全与隐私
模型窃取攻击 · 差分隐私压缩 · 安全蒸馏
安全隐私
27
前沿趋势
脉冲神经网络（SNN）在运动控制中的压缩 · Transformer轻量化 · 神经符号系统
前沿SNN
28
课程项目1：剪枝与量化实战
对给定的DRL运动控制模型进行剪枝与量化，并在模拟环境中验证性能
项目剪枝量化
29
课程项目2：知识蒸馏框架设计
将教师策略蒸馏到学生网络，并在真实机器人上测试
项目蒸馏机器人
30
课程总结与未来展望
压缩技术路线图 · 工业界应用现状 · 研究方向与资源推荐
总结展望