闭环rollout需要怎样的交互仿真环境？状态更新、策略推理、重规划和训练循环如何衔接？

组件与衔接：1）环境侧——物理引擎或真机状态估计负责状态更新，任务成功/失败/超时判定，可复现的随机化与重置；2）策略侧——观测预处理（多相机、本体状态）按控制频率推理动作块，块内按时间戳回放、块间重规划，chunk 执行方式（开环回放 vs 逐步闭环）要显式记录；3）数据侧——（观测，动作，奖励，next 观测，done）写入 replay buffer 或 on-policy batch，注意 chunk 时序对齐与中断 mask（人接管、安全停机必须标记，否则训练把中断当策略行为学进去）；4）训练侧——learner 从 buffer 采样、更新策略与 value、周期同步评估 checkpoint。工程要点：rollout worker 与推理时钟解耦（异步采集）、多环境并行摊薄推理成本、固定种子保证可复现、真机场景下人可安全介入。

高分点：讲清开环 chunk 回放与逐闭环重规划在接口与信用分配上的差异（前者把 chunk 当整体动作、后者 token 级分配）；异步架构里「训练中的策略 vs 采数据的策略」轻微不一致如何被 ratio/clip 容忍；以及评估与训练环境严格分离防过拟合仿真。能画出 worker-learner 异步图并指出瓶颈（推理吞吐通常是 rollout 带宽上限）是加分。