{
  "framework": "@oh-my-pi/pi-coding-agent@18.15.0",
  "mode": "LIVE_OPENGATEWAY",
  "task": "# Zadanie dla Luny\n\nOtwórz wskazane widoczne drzwi rozwierane i przejedź całą obwiednią robota przez próg. Zastosuj dołączoną procedurę exit-room-mcp, kontrakt i zasady sekwencjonowania. Wybór drzwi uzasadnij bieżącym obrazem i poleceniem operatora.\n\nPo każdej decyzji zapisz krótki stan operacyjny: etap, observation_id, wynik ostatniej komendy, wynik kontroli geometrycznej i następne działanie. Nie potrzebujemy opisu toku rozumowania, tylko mierzalnych przesłanek działania. Utrzymuj pierwotny pomiar zamkniętego portalu z ramą i niepewnością.\n\nKolejność: DISCOVER → SURVEY → SWEEP_CHECK → REACH → GRASP → PRESS → OPEN → RELEASE → RETREAT → STOW → LOWER → CROSS → VERIFY. Każde przejście wymaga rzeczywistego dowodu. Odkryj możliwości robota; nie używaj historycznych współrzędnych. Sprawdź pełny łuk klamki przed kontaktem. Przy cofaniu ramienia kontroluj całe odcinki względem obserwowanego skrzydła, nie tylko punkty docelowe. W pobliżu skrzydła wysyłaj jeden krótki waypoint, obserwuj i przeliczaj następny. Przed każdym krokiem bazy sprawdź aktualny lidar.\n\nPrzy odrzuconym chwycie bez ruchu i bez stopu dopuszczalne są maksymalnie dwie korekty oparte na nowych obserwacjach. Sama odległość błędu nie wskazuje kierunku poprawki. Kolizja, zatrzask stopu lub niepełny ruch kończą próbę. Błąd transportu oznacza interrupted; nie ponawiaj automatycznie ruchu o nieznanym wyniku.\n\nZwróć końcowy status: crossed_threshold, opened_but_not_exited, blocked albo interrupted. Podaj observation_id końcowej obserwacji, podpisaną odległość od pierwotnej płaszczyzny, wymagany margines, położenie boczne, stan ramienia i podnośnika. Bez tej obserwacji nie potwierdzaj wyjścia. Nie utożsamiaj crossed_threshold z rozpoznaniem nowego pomieszczenia.\n\nZachowaj payloady LLM, faktycznie wysłane obrazy, JSON sensorów, skrypty i ledger MCP, klatki nagrania, a po zatrzymaniu także niezależny wynik ewaluatora hosta. Podaj osobno model faktycznie zwrócony przez dostawcę, usage i koszty. Nie opisuj deterministycznego CLI jako testu LLM.",
  "skill": "door-exit-ground",
  "skill_sha256": "e9a5d358460f5f77c5c0ceb275e62529e2c411eda85f5599265e3516ed8540a4",
  "model": "openai/gpt-6-luna",
  "baseUrl": "https://openrouter.ai/api/v1",
  "profile": "gpu",
  "seed": 7,
  "memory": "/home/pawel/Documents/HomeBot_Projekt_Domu/homebot-dom/runs/omp-door-exit-luna6-001/memory.json",
  "limits": {
    "tools": 240,
    "sequences": 60,
    "requests": 120,
    "seconds": 1800
  },
  "simulation_only": true
}