真实工作台、机械臂与棋盘构成了现在最能说明问题的系统载体。
In DevelopmentV1.01
SOMA Arm
当前最具体的 reference implementation
一个以桌面机械臂为载体的语言驱动机器人项目，用来验证 ANIMA 的认知闭环、视觉 grounding、技能执行与失败恢复。
它不是最终产品，而是通向家庭机器人的操作能力层与 benchmark。
Open profile ->
从上游信号到设备无关执行
ANIMA 六层架构
ANIMA 的 L0–L5 六层把上游信号（文本 / 语音 / BCI / 视觉）逐层翻译成可验证的机器人行动，每一层都有清晰的输入输出契约与失败路径。
L0 — Signal
上游信号入口：把 BCI / ASR / 视觉 / 文本转成 intent token + confidence + drift_score。漂移作为不确定性传递到下游。
L1 — Parser (LLM)
LLM 走强制 tool-calling，把自然语言指令压缩成结构化 TaskSpec JSON。它不生成电机命令——只做结构化。
L2 — Planner
TaskSpec → py_trees 行为树。条件分支、重试、回退都由树结构承担，没有临时状态机。
L3 — Skill
Function-Calling + Affordance Scoring 选技能（技能集 < 100 时比 RAG 更准）。技能前提条件 / 预期效果由 skill registry 声明。
L4 — Adapter
设备无关执行层。同一个 L1–L3 接上不同 L4 就能驱动机械臂 / 移动底盘 / 轮椅 / 未来人形——因为 L4 实现 EmbodiedAdapter 协议。
L5 — Assessment
五因素（ITA / MQA / SQA / GOA / PEA）在 Pre / Runtime / Post 三阶段各打分一次，输出带置信度的成功概率。
Key points
为什么这一层重要
- 结构化优先于生成式自由发挥
- 框架逻辑保持 robot-agnostic，适配留在 L4
- 每一层都有可解释的失败路径
相关机器人
