理解与规划
用户提出目标，本地模型理解意图；PRI 构建或调用已有的显式任务。
PRI · Procedural Robotics Intelligence
AI 智能越来越强。
机器人却仍难以可靠地做事。
连接 AI 大脑与机器人身体的 Robotics Execution Harness。
Adora Robotics 正在开发 PRI——一套机器人执行系统。它将 AI 模型的理解与规划转化为真实动作，持续检查执行结果，应对环境和指令变化，并通过示教获得缺失的动作能力。模型提出计划，Runtime 掌控任务。
缺失的关键一环
大脑知道该做什么，不等于身体能把事情做成。
AI 模型可以理解指令、提出计划，但真正执行还需要定位目标、调用符合硬件条件的动作、检查前置条件和完成状态、处理失败，并持续依据反馈纠偏。PRI 将这些执行职责组织为独立系统。它不是简单的 SOP 生成器，也不仅是调用大模型的应用。
系统架构
Model proposes. Runtime owns the task.
大模型理解用户意图；PRI 维护可执行任务并监督整个过程；机器人适配层、传感器和控制器负责实际动作。
理解与推理
AI 大脑
理解指令和目标，提出任务计划，必要时重新规划。
执行系统
PRI Runtime
维护结构化任务、编排原子动作、判断执行条件、处理中断并从失败中恢复。
- 显式步骤、前置条件与完成判据
- 任务状态、分支决策与恢复逻辑
- 动作库及现场学到的缺失动作
- 感知反馈与闭环控制
机器人本体
机器人身体
传感器、运动控制、夹爪及针对具体硬件的动作适配层。
模型可以替换，物理执行仍由 PRI 管理。跨机器人部署需要兼容的硬件接口和对应的机器人适配层。
执行生命周期
提出任务、执行、适应变化，缺什么就学什么。
执行与检查
PRI 调度原子动作，通过感知和控制反馈检查执行进度与结果。
调整与恢复
物体移动、动作失败或用户中途改变要求时，PRI 修改正在执行的任务并继续推进。
学习缺失动作
遇到动作库尚未具备的能力，PRI 可请求人工演示，再将新动作加入可复用动作库。
不是固定脚本。 任务规程为执行提供结构，但机器人不是机械重放轨迹。感知、判断、纠偏和恢复贯穿整个执行过程。
架构的核心区别
三个必须分开的层次。
理解 ≠ 执行
模型再聪明，也不能替代物理环境中的状态维护、反馈控制与结果核验。
规程 ≠ 轨迹
规程定义目标、条件与动作；感知与视觉伺服根据当前场景确定实际执行。
任务 ≠ 硬件
通用任务逻辑与具体机器人的动作参数、硬件适配层分离。
机器人实机演示
已在真实操作任务中验证。
以下是当前研发原型已演示过的能力，并不意味着已实现无限制通用自主操作或已具备量产成熟度。
水果分类与抓放
向移动目标容器倒豆
蛋糕装饰并接受中途指令
执行中可以调整的汉堡组装
货架取放与抽屉整理
多参数奶茶制作
接手未完成的半成品任务
示教学习缺失的覆盖动作
目前的实机演示主要集中于桌面操作。新的视频素材完成后将继续发布。
部署方式
让机器人在现场独立运行。
当前原型在 NVIDIA Jetson AGX Thor 上本地运行语言与视觉模型及 PRI Runtime。在闭环动作执行阶段，可直接依靠视觉反馈进行纠偏，而不必每一步都重新调用模型。这降低了对网络的依赖，也让任务执行保持在本地系统掌控之中。
发展方向
让具备硬件能力的机器人承担更多工作，而无需每换一个任务就训练新模型。
我们正在构建可替换模型、可复用任务记忆、可现场学习新动作的执行系统。扩展至更多机器人平台和更复杂任务仍在持续研发中。