用途：把主动推理（Active Inference）理论与机器人控制实现衔接起来，将预测编码用于机器人运动策略，并把 KL 散度最小化接入强化学习训练循环。
主要能力：综合 Patrick Kenny 的离散主动推理框架与 K-Scale 的 JAX/MuJoCo 机器人栈；将平均场近似用于机器人状态估计；把 sim2real 迁移视为对未来观测的推理；用有原则的熵正则训练运动策略。资料给出主动推理概念与 ksim 实现的映射，例如隐马尔可夫模型对应 PhysicsEngine（MJX/MuJoCo）、观测分布对应 Observation.observe(state)、状态推断 Q(s) 对应 Critic.forward、动作推断 Q(a) 对应 Actor.forward、VFE 最小化对应 PPO 策略梯度、EFE/PAD 最小化对应价值函数加熵奖励。
使用方式：资料给出统一训练循环的实现模式，包含 perception_action_divergence 计算（PAD = VFE(past) + KL(future states from HMM)）与 train_step 中的 PPO 更新，熵系数示例为 entropy_coef=0.01。还给出反射控制、审慎规划、分层组合三类行为，以及 ACSet 模式定义。
适用场景：连接主动推理与机器人控制实现、将 KL 散度最小化接入 RL 训练循环、把平均场近似用于机器人状态估计、实现 sim2real 迁移、训练带熵正则的运动策略。
限制：资料未提供安装命令、依赖版本、运行环境要求、性能数据或收费信息；具体 API 与代码需以对应项目仓库为准。