feat(superdex): 完成 #1533 任务集成、rank CPU 分片与训练回放

[TATP-233]

改动

集成 SuperDex 的 FR3JointTarget、Go2JoystickFlat owner、资产入口、backend options 与测试；Go2 保留 MuJoCo owner 的 policy I/O，明确禁用不支持的 PD gain DR 并接受接触近似。默认启用 MuJoCo record 回放，物理继续由 SuperDex 执行。

PPO 与 off-policy 调用统一 resolve_collector_cpu_ids 分配 rank CPU；在 ManagerBased env 创建 backend 前应用 CPU 分片。新增 ADR-0008 和中英文后端指南。补回 off-policy host_cpu_count，避免线程预算引用未定义变量；旧 CPU 切片测试更新为完整 SMT 核心分组。UniLab 依赖锁定至已合入 UniRL #20 的 2cdab3c 和 UniSim #47 的 037e596，避免尚未发版的物理核心分片及 SuperDex backend API 被 PyPI 1.1.1 / 1.1.4 覆盖。

验证及合并阻塞

• uv sync --locked --extra mujoco --extra motrix：使用 Git 固定的 UniRL 2cdab3c69862ecc16a726b4761bcff263256b6b3 与 UniSim 037e5967cdcfc61785b1a685fd05454bbe49c147 成功解析。
• uv run --no-sync pytest -q tests/base/test_backend_imports.py tests/algos/test_offpolicy_double_buffer_runner.py tests/algos/test_offpolicy_dp_sync.py tests/ipc/test_dp_launcher.py tests/base/test_isaacsim_backend.py tests/test_cli_runtime_requirements.py tests/scripts/test_check_docs.py：174 passed, 1 deselected。
• uv run --no-sync pyright：0 errors, 1 optional-import warning。
• make test-all：通过（ruff、mypy、pyright、非 slow 覆盖测试和 benchmark smoke）。
• SuperDex/FR3 spawn 集成：18 passed, 1 skipped。
• 本轮不是多 GPU 分布式训练实测；rank CPU 注入通过契约测试验证。macOS 无实机验证。
• 最终还须远程当前 head CI 通过并经人工审核，不自动合并。

关联路线图：#1533。

关联 PR 与审核顺序

1. SuperDex native executor：feat(physics): 为 SuperDex 增加 C++ 常驻场景并行与批量状态接口 unilabsim/project_superdex#1
2. UniRL CPU 分配：feat(ipc): 统一物理核心发现与多 rank collector CPU 分配 unilabsim/unilab_rl#20
3. UniSim backend：feat(superdex): 集成原生批处理后端、物理核心默认配置与 MuJoCo 回放 unilabsim/unisim#47
4. UniLab owner 集成：feat(superdex): 完成 #1533 任务集成、rank CPU 分片与训练回放 #1542

建议先审核原生 API 与 rank 分配，再审核适配器和任务集成；SuperDex 扩展通过本地源码链接验证，UniRL CPU 分片与 UniSim SuperDex backend API 均固定为已合入的 Git 提交。

用户已确认接受本轮实验结果，申请合入 main 并等待逐仓库人工审核。未向 facebookresearch 原仓库提交 PR；不发布 PyPI、不打 release tag，不主动调整版本号。开发分支合并的版本变化来自上游 main 已有发布。

集成实验

Linux x86_64，AMD Ryzen 9 9950X3D2（16 物理核/32 逻辑线程，单 NUMA），约 60.5 GiB RAM，CPython 3.12.3，SuperDex CPU FP32。主机报告 NVIDIA GeForce RTX 4090；物理和 PPO learner 均使用 CPU，EGL 渲染可使用 GPU。

Go2JoystickFlat PPO：1024 环境、每轮 24 步、151 轮（索引 0–150）、seed=1、自动 16 native worker、SDK worker=0。累计 3,710,976 环境步，训练 338.66 秒，总流程含回放 350.35 秒；训练吞吐 10,980 env-steps/s，末轮 11,294。平均回报从 0.0275 到 26.90，TensorBoard 平均回报曲线峰值 28.26；最终平均 episode length=1000。生成 200 帧、4 秒、562330 字节的 MuJoCo 离线回放视频。成功完成训练不能单独证明充分的速度跟踪或跨后端动力学等价。

实验目录：
/home/user/ws/unilabsim2/experiments/superdex-go2-physical-render-rerun/Go2JoystickFlat/2026-09-08_21-58-30_superdex

目录包含 run_config.json、run_summary.json、TensorBoard events、model_150.pt、play_video.mp4。产物位于本地，未作为源码提交。run_summary 的 best_mean_reward 是末尾 episode buffer 的单次最大值，报告曲线峰值使用 TensorBoard 的 Train/mean_reward。

测量边界

128 环境，20 次预热、100 次完整 env.step 测量：1 worker 2097、16 worker 18281、32 worker 20998、自动模式（16 worker）17707 env-steps/s。计数为控制步，包含任务侧工作；不是单独 C++ Scene::Step 的吞吐。各轮 action RNG 连续推进，因此这组数据是性能观察，不能作为相同轨迹的数值等价测试；等价性由独立 serial/parallel 测试覆盖。64 worker 本轮未复测。

上一轮 32 worker 训练约 13580 env-steps/s、reward 27.70；本轮本地依赖恢复期间 Torch 变为 2.14.0+cu130、UniRL 同步到上游 1.1.1，因此两轮不是严格单变量 A/B，不能把性能差全部归因于 worker 数。

[TATP-233]

Superseded by consolidated release PR #1545.