ZRCoPilot
连接 XR 遥操、主从臂、UMI、第一视角、触觉和现场任务记录，并支持执行辅助与人工接管。
Technology Route
把真实任务，变成模型持续学习的闭环。
ZRCoPilot 负责把模型带进真实任务，物理智能实训场持续暴露能力边界并捕捉教学事件，ZRPhysicalWorld 从这些经验中更新状态理解、结果预测与恢复能力。
Data Loop
真实任务 → 边界暴露 → 人工教学 → 经验沉淀 → 模型再验证
围绕失败、接管、纠偏与恢复，持续积累可迁移的物理经验
Technology Route
模型的成长，发生在执行、失败、教学与恢复之间。
每次验证都会暴露新的能力缺口，也会决定下一轮采集、训练和再验证的重点。
-
01
进入真实任务
多终端、多任务环境启动执行与验证。
-
02
暴露能力边界
识别失败、误差、抖动与高风险状态。
-
03
捕捉教学事件
记录人工接管、纠偏动作与恢复路径。
-
04
更新模型能力
把高价值经验转化为状态理解、预测与恢复能力。
-
05
再验证与迁移
回到任务检验，并逐步复用到更多任务与本体。
System Architecture
三个系统，各自承担清晰角色。
ZRPhysicalWorld 是持续积累物理经验的核心模型，ZRCoPilot 是真实世界学习与执行系统，物理智能实训场负责组织训练、评测、纠偏和再验证。
ZRPhysicalWorld
学习状态、动作与结果之间的因果和物理关系，从成功、失败、纠偏与恢复中更新能力。
物理智能实训场
组织多本体、多任务和多场景训练，完成能力评测、教学纠偏、再验证与标准化数据交付。
Data Objects
模型需要完整的物理过程信息。
视觉、动作、接触、任务语义、异常事件和评测结果共同描述一次真实任务。
视觉RGB / 深度 / 第一视角
动作关节、轨迹、末端位姿
触觉接触、压力、滑移信号
语义任务目标、步骤、SOP
事件异常、接管、失败原因
指标成功率、效率、安全可靠性
Processing Pipeline
数据经过处理，才能成为可训练样本。
ZRCoPilot 把自动处理与人工复核放在同一条管线里，让每批真实任务数据都能被切分、清洗、质检和评估，支撑专用模型和特色智能体研发。
数据分割与打标
把长流程任务切成可检索、可训练、可复盘的动作片段和任务样本。
清洗、筛选、质检
过滤低质量样本，识别失败片段、异常事件和关键接管节点。
人类数采员复核
保留人类判断，把专业经验、工艺约束和现场语义补进数据资产。
数据评估
围绕成功率、效率、安全可靠性和可复用性，为模型训练提供样本权重。
Closed Loop
采集、训练、验证，连成一条线。
智融从真实任务建立数据入口，用 AI 辅助数采降低长流程示教成本，再把训练结果带回现场验证。设备、视频、操作记录和评测结果被整理成统一的系统资产，持续支撑模型更新与场景应用。
Capture真实任务采集
Curate清洗、切片、对齐
Train技能学习与模型迭代
Deploy回到现场验证