模块边界

统一任务定义

落点使用对方台面的连续矩形区域；旋转和速度在对方首次落台反弹后 20 ms 读取。己方先落台、过网、对方落台是事件约束。

任务空间以球桌中心地面投影为原点，+X 朝对方、+Y 向左、+Z 向上；单位 m、s、rad、rad/s。磁盘四元数 wxyz；网络朝向用旋转矩阵前两列的 6D 表示。侧旋符号与上下旋在球运动方向/重力构成的坐标系中统一计算。

导出合同

每条参考包含 time[T]、q[T,29]、qd[T,29]、root_pose[T,7]、身体 FK、左右工具位姿/速度、阶段、接触窗口与 policy_clock[T,2]。按名称排列关节和身体；统一重采样到 50 Hz，再检查插值区间。

球轨迹单独保存 p、v、omega、接触/离杯/过网/落台事件及有效性；不混入无球人体风格标签。参考重新定时或修改手臂后，重新计算抛球与击球配合。

离线优化复用已有 S1-S5 方法；自然恢复来自视频，并在其后补零速保持。不重新合成逐脚回 initial。

隐藏层 ELU，动作头线性。上半身 17 = 腰 3 + 双臂 14；下半身 12 = 双腿。按关节名称合并，关节只有一个输出者；无路由器、GRU 或持久隐状态。

输出定义：Actor的29维是“每个关节相对参考再偏多少”的无量纲残差；乘0.25 rad并加参考后，才是29维电机目标角度，不是速度或力矩。Critic的1维是未来回报估计，不发给电机。

q_target(t) = q_ref_next(t) + 0.25 × a_tracker(t)
训练：29 维状态无关高斯；执行：取均值。

静止与动作时钟

准备等待保持第一帧及零速，进度固定为 0；释放等待后平滑恢复动作时钟。自然收势结束后固定末帧、速度归零、时钟 [1,0]，同一 Tracker 继续控制，不循环、不因参考播完重置。

准备时保持侧身、杯口向上；末段躯干正对球桌。静止段以低速度、低漂移、支撑和不倒为主，允许固定姿态偏差；挥拍段仍约束右拍位置、朝向与速度。

Actor 融合 z_ctx128、z_goal32、z_H128、上一有效计划预测 f33，共 321 维。Actor：321→256→128→7；独立 Critic：321 + 修正窗口位 1 →256→128→1。两者目标编码器独立；首版 E_ctx、经验与预测模块在 PPO 内固定。

z_ctx128、z_goal32、z_H128是网络压缩后的状态/目标/经验特征，不是新增传感器。f33表示“预计球路结果15 + 结果不确定性15 + 三个事件概率”；Critic窗口位表示现在是否允许球相关修正。

输出 u 共7维：触球提前/推迟多少秒1、拍面转多少弧度3、接触点速度改变多少m/s 3。朝向用旋转向量复合；接触位置由预测来球与时刻求得。高斯变量z经scale×tanh(z)限幅，scale取离线可执行范围。

确定性 Refiner：u → 接触目标 → 局部 IK/连续轨迹桥接 → q_ref、qd_ref、FK 与预览同步刷新。保留整臂姿态、边界位置/速度/加速度及关节约束；修正始终相对母动作/现行计划定义，不逐帧无界累加。

候选首版设 8 个：零修正、Actor 提案及固定局部扰动；冻结预测器评分后只执行一个。Refiner 调用频率待测 25/50 Hz；Tracker 固定 50 Hz。

F_exec 输入 = z_ctx128 + z_H128 + z_hist64 + c13 = 333。接触偏差10 = 时间1 + 位置3 + 旋转向量3 + 接触点速度3。用偏差均值重建预计实际接触 c_actual13。

F_exec预测“计划和实际会差多少”；其log_std10表示这10项偏差的不确定性，触及概率1表示能否碰到球。F_ball预测“预计会打出怎样的球”，不把用户希望的结果当观测。

F_ball 输入 = c_actual13 + 接触不确定性10 + b22 + z_H128 + y_phys15 + 触及概率1 = 189。连续均值为 y_phys + delta_y；输出 f = 均值15 + log_std15 + 事件概率3，共33维。

15维结果与接触接口

y = 出球速度3 + 出球旋转3 + 对方首次落台XY2 + 该次反弹后20 ms速度3 + 旋转3 + 过网净空1。不存在的落点或事件用掩码，不以零值代替。

球拍接触点速度 = 球拍线速度 + omega_racket × 接触点相对拍体质心的位置。双面拍使用朝向来球的法向；速度与旋转由同一冲量联合计算，拍边单独处理。

球：直径40 mm、质量2.7 g、薄壳惯量 I=2mr²/3。真实仿真保留球杯、球拍、球台、球网、飞行和反弹；预测结果不写回球状态。全身现有物理步5 ms；带球接触子步另行确定。

每层：Pre-LN → 交叉注意力 → 残差 → Pre-LN → FFN → 残差。读取最多8条近期记录，其余按状态/动作相似度检索补齐并去重；空历史直接返回零向量。

输出z_H128是读完这些经历后得到的128维经验特征，交给Planner、Refiner和预测器；它本身不是关节动作。mask表示某项数据是否真的被观察到，age表示经验距当前有多久。

摘要64 = 实际修正7 + 接触偏差10 + 相对物理基线的结果残差15 + 事件3 + 各标签有效位28 + 经验年龄1。原始目标、完整执行轨迹和所有决策时刻另存，不压缩丢弃。

写入、读取与参数更新

一球内：有限滑窗每步更新；模型权重固定。击球完成并分离后停止新的球相关修正，沿连续后缀自然恢复；球物理继续运行并产生终局标签。

一球后：把已完成试球加入近期缓存和磁盘库，再用于下一球。不能读取本球未来结果；无接触只监督事件，实际成功/失败都保留。输入同样的状态和显式记忆得到同样的条件，不维护持续漂移的 GRU 状态。

待测配置：M0 固定库/固定预测器；M1 新经验入库/固定预测器；M2 新经验入库，并在球间更新预测器均值头。M2只更新 F_exec 的128→10和 F_ball 的128→15，共3225参数；每球间1-5个小批量步，混合近期与基础样本。没有可靠接触标签时仅更新球路头。

P1 中 pose16 来自 g_pose4→16→16；球路目标仍为16→32→32。当前物理上下文按候选母动作构建；查询经验不包含尚未执行的结果。

P2/P3首个候选H=150、50 Hz，即未来3秒。每帧40维：29个目标关节角；骨盆目标XYZ 3；身体整体朝向的6数编码；左右脚预计是否支撑2。它们是参考目标，不是实际观测。关节目标速度、身体/工具FK和时钟随后统一生成。

生成条件包含当前状态、目标、候选母动作上下文与历史摘要；接触计划/阶段时间随母动作重定时。P2后验池化特征256与条件256拼接，经512→128生成mu32/log_var32；解码器以150个时间查询和[z32,condition256]投影后的上下文生成动作。

首轮每球规划一次。滚动重规划作为待测变种：频率2/5 Hz，保留已执行前缀并用0.2秒连续桥接；实际接触结束后不再更新击球计划。站位改变需要连续走位参考，不直接平移正在执行的机器人。

执行时序

准备等待 → 达到可放球姿态 → 杯内放球一次/落稳 → 自然抛球 → 离杯后球闭环修正 → 实际触球并分离 → 自然收势/持续保持。漏球在可达窗口结束后转恢复。球路评分与身体恢复并行。

球闭环退出时，不把已采用修正突变清零；沿当前修正轨迹接回自然恢复。原始人类视频只约束风格，任务结果由同一次动态执行的球状态决定。

经验标签与损失约束

每球保存：母动作ID、目标、机器人/球初态、逐步x和原采样z、实际采用u、下发参考、实际接触、y15、事件/有效位、身体完成结果。落点区域损失在区域内为0；旋转按类别/强度、速度按启用区间评分。

优化器候选提供动作监督；未执行候选不提供成功结果标签。成功执行可按实际结果重标注目标；失败保留为结果/事件样本，不当作达到原目标的正确动作。

PPO记录原采样z及其log_prob；候选生成/重排是固定确定性动作映射，另存实际u。Refiner Actor/熵损失仅覆盖击球修正窗口，Critic保留至球路/身体结果结束的时间序列；rollout保存当时z_H和f，不用后续经验重算。

同次执行的所有帧与重标注副本属于同一数据划分；当前查询不检索自身终局。连续量按训练统计/任务容差归一化，缺测保留mask。新增PPO差异在A3包内继承RSL-RL5，不修改Isaac Lab或依赖源码。