Task-Centric Robotics
我们不把任务“训练进”一个黑箱模型，而是把任务写成可读、可改、可复用的操作规程（SOP）。 再通过世界模型与大模型，在执行过程中对关键参数进行实时修正，从而实现真实环境下的稳定泛化。
可解释
可调参
可复用
低数据依赖
跨硬件扩展
主流路线为什么会卡住
高度依赖数据
以 policy / VLA 为核心的路线，往往需要大量遥操作或 RL 数据来获得一个任务。
迭代速度慢
一旦环境变化导致失败，通常无法“改一步解决”，而需要重新采集数据、重新训练。
不可解释、难 debug
行为被编码在模型参数里，失败原因难定位、难复现，也难工程化持续提升。
我们的路线
任务 = 显式 SOP
任务以操作规程表示，包含约束与参数：可读、可审计、可复用。
执行中参数修正
世界模型 + 大模型只做局部参数（位姿、力、时序）修正，不吞噬任务逻辑。
可组合任务记忆（ATM）
长期积累的 SOP 片段会成为模块，可分享、可复用、可组合到新任务中。
任务演示视频
这些是早期演示。下一步目标是更快迭代、更稳部署，并完成跨平台扩展。