教師データ（実演）はどう作られているか
教師データは人手で集めたものではありません。特権スクリプト・エキスパート（手書きの状態機械）がIsaacで実演し、
成功したエピソードだけを .npz に記録したものです。
全体像教師データ → 生徒方策
左から：手書きエキスパートが実演 → Isaacで数百並列に走らせる → 成功（✓）だけ漏斗で残し失敗（✗）は捨てる → .npzに蓄積 → 生徒方策が模倣・強化学習。
① 特権スクリプト・エキスパート
教師データの源は、RLでも学習でもなく手書きの状態機械（ScriptedExpert）。真の物体姿勢を見て動き（特権）、記録する観測はノイズ入り（YOLO相当σ=3mm/5mm）——だから生徒は知覚ノイズに強くなる。
各フェーズの目標TCP姿勢を微分IK（FR5DiffIK）で関節目標に変換し、相対Δqの7次元アクションに落とす。コンベアは把持前にライブのパックを追従し、搬送脚で bin−(puck−tcp) のオフセット補正（84.8→92.2%のレバー）。
② 収録（成功フィルタ）と ③ 保存形式
収録：collect_*_demos.py がエキスパートをIsaacで並列に走らせ、成功終了したエピソードだけを保存。既定400 →「≥85%レシピ」で2,000–2,400件にスケール。
形式：圧縮NumPy .npz（demos/）。キー＝observations(N,obs)・actions(N,7)・episode_starts・success・episode_lengths（Sortはclass追加）。obs＝Pick 29 / Sort・Conveyor 34。報酬・doneは保存しない。
④ 学習での使われ方
bc_pretrain.py が .npz をMSE回帰して暖機 → train.py（BCRegPPO）が学習中のアンカーとしてデモを消費（BC-MSE か reverse-KL）。詳細は ① RLアプローチ。
docstring とコードは一致（2026-06-28 修正済み）
以前の「32次元」コメントと「ambush」docstringの食い違いはソース側を実装に合わせて修正済み（収録/env=34次元、conveyor=reactive-track＋offset-correct）。sort_smoke_test.py の == 32 アサートも34へ（34次元envで失敗していた潜在バグ）。docstringを信頼して構いません。