机器人用Astra：经验记录能减少试探，但成功口径要读清

图2的身体知识、经验与局部技能分别给模型增加了什么，哪些收益不能归到模型自身学习？

1. 1

   固定模型并分级提供身体知识

   新会话、固定模型和推理设置，低层控制API保持一致；从一般说明、文字结构到XML/网格和相机，逐级增加I0–I3信息。模型参数没有训练更新，所以这里的适应来自上下文和可调用资源。

2. 2

   把观察与动作同步成可复用经验

   E1摘要、E2图像、E3同步动作状态序列逐级增强。E3来自预先规定的三条源轨迹中最快者，包含22步、每步三视角图；其优势可能部分来自直接复用位姿，论文没有单独的pose-only对照。

3. 3

   将发现的动作模式整理成技能

   模型行为中出现小步接近与视觉反馈循环后，研究者把它们重构为STEP/LOOP工具。LOOP按红色像素反馈停止、移动方向仍固定，不是完整视觉伺服；技能效果包含人工重构贡献。

4. 4

   在仿真与实机使用各自验收口径

   仿真按任务协议测耗时；实机有标定与共同起姿准备，准备时间不计。尽管提示要求按按钮，实际成功由操作员确认接触，而非按钮压下或电梯响应；图中的提速百分比只能在对应口径内解释。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

已核对作者仓库默认publication-draft分支，实际含逐次试验记录、分析代码、仿真/真实控制源码与技能材料；未在本机执行机器人控制或复现实验。

LICENSE论文原图为非独占分发许可下的必要评论引用；仓库未见根LICENSE，代码与实验材料再利用授权未确认，第三方资产另保留上游条款。