本体

一段动作从被设计出来，到能进入训练集，还必须经过质检、跨本体重定向、动力学与仿真增强、语义标注，以及来自模型训练侧的反馈闭环。

它要解决的是如何持续规划动作、同步采集多源信号、跨本体重定向、做物理验证和数据增强，并把训练结果反馈回下一轮生产。

我们建设了一座跨本体全身运动数据工厂（Cross-EmbodimentWhole-BodyMotionDataFactory），打通了从动作设计、同步采集、跨本体重定向、数据增强到训练反馈的完整链路。

跨本体重定向输出的是高质量候选轨迹，但候选轨迹还不是最终训练资产。

随后通过跨本体重定向、物理验证和仿真增强，把原始素材转化为可训练样本；

跨本体重定向的主要参考信号，承载动作语义、身体协同、重心变化和姿态转换。

跨本体重定向：重定向到多构型机器人

第一，无需逐条调参、无需动作模版：跨本体能力来自一层统一本体抽象层——新机器人接入时，我们只依赖该机器人的URDF定义，算法就能在这层抽象上自动快速适配多种构型，不需要为每条动作或每台机器人写专用解算逻辑，也不依赖逐条动作的人工微调。

对通用全身运动模型来说，我们要的是一种能够向上兼容多模态动作意图、向下兼容不同本体硬件、安全可靠、并且可以在复杂环境中持续进化的运动能力。

除了按图谱主动覆盖，数据工厂还会显式接收来自模型训练侧的数据类型需求反馈：哪些动作类别在哪些本体上学得不稳、哪些接触状态训练收益最低、哪些样本通过了质检却没有带来实际增益，都会被翻译成新的数据类型需求回写到采集计划，让“采什么”持续被训练结果校准。