真实世界经验，
如何成为机器人可学习的数据

规模、多样性、动作可观测性与物理可信度，是四个不同的工程轴。

为什么还不够：这些公共数据集解决了规模和多样性，但无法替代我们对时间同步精度、空间标定一致性和失败案例完整性的工程控制，这正是自建采集系统存在的原因。

我们的工程判断：生成经验负责扩覆盖，真机轨迹负责校准与验收，二者不是替代关系。

架构价值不在“按钮更少”，而在每次训练结果都能追溯到数据与采集条件。

• 跨具身动作表示不同关节、末端与控制频率如何共享可迁移的动作语义？当前方向：统一事件层与任务语义，动作输出按具身 adapter 分层，不宣称已有通用动作表示。
• 标定漂移设备移动、碰撞与温漂如何被持续检测，并阻止错误数据入库？当前方向：把 calibration_id 写入轨迹并在质量门拒绝异常；持续漂移阈值仍需实测。
• 网络抖动与干预时机接管事件的真实起点如何在视觉与控制链路上统一标记？当前方向：分开记录视频反馈、动作控制和接管 / 恢复事件，暂不合并成一个总延迟。
• 长程任务分段子任务边界、恢复动作和延迟结果怎样形成稳定标注？当前方向：用任务阶段与事件分段，保留人工复核入口，自动化边界未定。
• 数据不平衡与长尾成功样本很多时，模型是否仍然缺少有解释力的失败经验？当前方向：把真机失败按类型回流，按困难样本队列补采，覆盖率目标未公开。
• 离线指标失真模仿损失降低，为什么常常不能预测真实机器人成功率？当前方向：把真机评测作为独立工件，与训练损失并列，尚无公开相关性基准。
• 隐私与数据治理部署数据如何完成脱敏、授权、保留期限与派生用途管理？当前方向：发布样例脱敏、标识域分离；权限、保留期限与派生用途需制度化。
• 复现边界内部测量如何逐步升级为包含设备、负载、样本量的公开基准？当前方向：内部数字先写测量边界，下一步补设备、负载、样本量和统计分布。

本次公开：演示稿、脱敏轨迹字段与事件词表片段，以及质量门示例。未承诺尚未准备好的数据集或代码仓库。