用途：在 Physical AI Studio 中训练、验证、测试并运行策略预测，底层使用 Lightning 栈。训练通过 physicalai.train.Trainer（lightning.Trainer 的子类）配合 Policy 与 DataModule 完成。
主要能力：提供两个等价入口。CLI 使用 physicalai fit、validate、test、predict 子命令，读取 library/configs/ 下的 jsonargparse YAML，支持命令行覆盖，检查点默认保存在 experiments/{name}/version_N/。Python API 则直接构造 Policy、LeRobotDataModule（或其他 datamodule）与 Trainer，再调用 trainer.fit(model=policy, datamodule=datamodule)，验证/测试/预测时传入 ckpt_path。两者共享同一批对象，YAML 的 class_path/init_args 应与代码接线一致。
配置结构：一个配置通过 class_path/init_args 连接三部分——model（Policy 子类，如 physicalai.policies.ACT）、data（通常是 physicalai.data.lerobot.LeRobotDataModule，带 repo_id，如 lerobot/pusht）、trainer（Lightning 参数，如 max_epochs、accelerator、devices、callbacks）。第一方配置位于 library/configs/physicalai/<policy>/<embodiment>/，LeRobot 封装配置位于 library/configs/lerobot/，可用 base 组合并在 CLI 覆盖字段。
使用方式：建议从已有配置复制起步，先运行 physicalai fit --config <your.yaml> --print_config 确认配置可解析，再用 --trainer.fast_dev_run=true 做冒烟测试，然后正式训练并覆盖参数，最后用 --ckpt_path 做验证/测试/预测。Python 路径适合代码、notebook、测试或直接库集成场景。
限制与检查：accelerator/devices 需匹配已安装的后端 extra（xpu/cuda/cpu）；形状或特征不匹配通常意味着 datamodule 的 Feature 名称或 action 维度与策略不一致；数据集下载卡住时涉及 LeRobot repo_id 拉取。长跑前必须确认配置可解析且 fast_dev_run 通过。相关技能包括添加策略、处理数据集与基准评测。具体收费、平台支持范围等资料暂未提供。