docs: 方案文档重写为最终版，只保留最终设计、依据与当前待解决事项；移除历史核查记录

docs/Transformer轨迹拟合训练方案.md

@@ -1,14 +1,7 @@
-# Transformer 避障运动策略：无老师闭环部署方案（审查稿 v2.3.1）
+# Transformer 避障运动策略：最终方案
 
-> - v1（2026-10-17 20:06，`40af3b4`）：模型一次生成整条 32 点路径，失败回落到原规划器（"有老师部署"）。
-> - v1.1（20:25，`c51f8f9`）：加入后训练挖错循环。
-> - **v2（本稿）**：按用户决定改为 **无老师部署 + 每个控制周期重算（闭环）**，删除全部"回落原规划器"设计；
->   加入具身智能领域主流做法的调研与对比（§1–§2），并据此调整模型输出、后训练方法和验收标准。
-> - v2.1（2026-10-17 20:58）：训练机定为 RTX 3090 24 GB；near_column 验收改为 **30/30**，新增 §8.5「为什么会超时、无老师怎样做到 30/30」；新增 §8.6 控制周期业界调研与评估。
-> - v2.2（2026-10-17 21:10）：调研 2024–2026 前沿生成式策略（流匹配/MeanFlow 一步生成、实时动作块 RTC、代价引导扩散规划、流策略强化学习微调、π0.5/FAST 等），逐项判断是否适用，新增 §2.4，并据此把动作头升级为**一步流匹配头 + 碰撞代价引导 + 前缀条件**（§6.1A）。
-> - **v2.3（2026-10-17 21:30）：逐项可行性核查。** 4 路全文精读（约 40 篇论文）+ 沙箱 2D 双模态绕柱对照实验，对每一项方案给出证据等级、残余风险、门禁测试和回退；发现并修正 4 处硬伤（安全层离散检查漏检、`animTo` 时间律不可学、交叉淡入绕过安全层、训练/部署节奏不一致）和 24 处内部不一致。核查结论见新增 **§0A**，全部证据见 `docs/方案逐项核查报告.md`。
-> - 基于 `main@3c7c814`（贴立柱修复后的规划器）。本文只是方案，代码尚未编写。
-> - 审查重点：§0 定位、§2 差异与优化、§5 输出表示、§7 后训练（APG）、§8 闭环部署与安全层、§9 验收。
+> 基于 `main@3c7c814`（贴立柱修复后的规划器）。本文是方案，代码尚未编写。
+> 训练机：RTX 3090 24 GB。部署：浏览器（后续真机）。
 
 ---
 
@@ -16,183 +9,98 @@
 
 | 项目 | 决定 |
 |---|---|
-| 部署形态 | **无老师**：运行时只有「神经策略 + 碰撞安全层」，不加载 IK 大表、PRM 路网、A*/RRT，也不调用 `solveDyn` / `routeRT` |
-| 运行方式 | **闭环滚动重算**（MPC 式）：每个控制周期（默认 50 Hz，20 ms）读当前关节角和目标，重新推理一段短动作块，只执行最前面一小段，下一周期再算。某一周期算错，下一周期有机会纠正 |
-| 碰撞安全层 | **保留**。它不是老师：不做搜索，只对模型给出的下一小段做胶囊碰撞检查（已有 `collideFree` + 包围球预筛），不安全就换候选或刹停 |
-| 老师的角色 | 只在**离线训练**时出现：生成预训练数据。后训练阶段用可微碰撞代价（§7），基本不再需要老师 |
-| 不做的事 | 不学动力学（速度/加速度上限由插补器保证）；不用相机/点云（环境固定：台架 + P01 立柱，几何已知） |
-| 收益目标 | 冷启动（新目标到第一个动作）< 10 ms；每次推理 + 安全检查 < 20 ms（每 60 ms 一次，留 3 倍余量；须 M4 后在浏览器实测，v2.3 更正）；拖拽重规划 P99（现状约 321 ms）不再存在 |
-| 底线 | 实时拖拽**碰撞帧 = 0**（由安全层的距离下界认证保证，见 §8.3；离散采样检查不能单独作此保证）；到达率、行程在 §9 的指标上不低于现有规划器 |
+| 部署形态 | **无运行时老师**：运行时只有「神经策略 + 碰撞安全层」，不加载 IK 大表、PRM 路网、A*/RRT，也不调用 `solveDyn` / `routeRT` |
+| 运行方式 | **闭环滚动执行**：执行频率 50 Hz（每步 20 ms）；每 60 ms 读一次当前关节角和目标，推理一段 16 步动作块，安全层认证后提交前 3 步 |
+| 碰撞安全层 | 不做搜索，只对模型给出的候选做**距离下界认证**（§8.3），不安全就换候选或沿已认证刹停段停下 |
+| 老师的角色 | 只在**离线**出现：生成预训练数据；后训练以可微碰撞代价为主（§7） |
+| 不做的事 | 不学动力学（速度/加速度上限由时间律与插补器保证）；不用相机/点云（环境固定：台架 + P01 立柱，几何已知） |
+| 收益目标 | 冷启动（新目标到第一个动作）< 10 ms；每次推理 + 安全认证 < 20 ms；消除现有拖拽重规划 P99 约 321 ms 的长尾 |
+| 底线 | 实时拖拽**碰撞帧 = 0**（由安全层距离认证保证）；到达率、行程在 §9 指标上不低于现有规划器 |
 
-为什么安全层必须保留：调研里最好的神经运动策略在静态场景里仍有约 10% 的轨迹发生碰撞（§1 DRP 附录表 6、ELMP 表 I）。
-我们的环境几何完全已知、检查只要几毫秒，保留它代价极小，却把"偶尔撞一下"变成"偶尔停一下"。
+**关于"风险"：** 论文证据只能说明"别人在相近条件下做成过"，没有一篇论文的条件（低维状态、单根固定立柱、约 4M 参数、浏览器推理、30/30）与本项目完全一致。因此本方案中只有安全层是**硬保证**（碰撞与否不依赖模型好坏）；其余每一项都配有证据等级、本仓库可测的**门禁**（不过不进下一步）和**回退**（§10）。
 
 ---
 
-## 0A. v2.3 逐项可行性核查结论（必读）
+## 1. 方案总览
 
-**先说清楚一件事：没有任何方案能在实测前被"证明完全没有风险"。** 论文证据只能说明"别人在相近条件下做成过"；我们的条件（低维状态、单根固定立柱、5M 参数、浏览器推理、30/30）没有一篇论文完全一样。所以 v2.3 的做法是：每一项都给出①证据等级 ②残余风险 ③在本仓库可测的**门禁**（通不过就不进下一步）④通不过时的**回退**。唯一做成"硬保证"的是安全层（改为距离认证后，碰撞与否不依赖模型好坏）。
-
-证据等级：**A** 有充分证据（直接先例 + 数字） · **B** 部分证据（相近先例，需本仓库验证） · **C** 仅推断 · **✗** 有反证（已修改）
-
-### 0A.1 四处硬伤（已在正文修正）
-
-| # | 原方案 | 反证 | v2.3 修正 |
+| 模块 | 最终选择 | 证据等级 | 关键依据 |
 |---|---|---|---|
-| H1 | §8.3 安全层用 1°+半格离散采样"保证不撞" | 本臂杠杆实测：关节转 1°，TCP/胶囊最多移动 24.3 mm；0.5° 间距下两采样点之间可偏出约 6 mm，远大于 0.3 mm 余量。仓库自己的规划报告也记过 0.28 mm 残余侵入。Schwarzer 2005、LARC 均证明离散检查会漏检 | 臂×立柱/台架改为**距离下界认证**：d(q_a)+d(q_b) > Σ r_j·|Δθ_j|（r_j 为实测杠杆上界），不满足就二分；自碰撞对复用 pair2d 杠杆界。门禁：10⁵ 段离线 0.01° 审计，漏检 = 0 |
-| H2 | §4.5 沿用 `animTo`（全局 smoothstep + 总时长夹取）做时间参数化 | 同一状态的标签速度取决于输入看不到的"整条路径长度/进度" → 非马尔可夫；起步段 Δq≈0 → 闭环可能起不了步。MπNets 为此把老师路径重定时为匀速；Diffusion Policy 报告单步策略会卡在停顿动作 | 改为**局部可观测时间律**：匀速巡航 + 只按"剩余路程"决定的梯形加减速，并把当前速度 q_t−q_{t−1} 加入输入 |
-| H3 | §8.1 插补器对新旧动作块做时间集成/交叉淡入 | 实际执行的是两块的混合，没被安全层检查；左绕块与右绕块平均可能正好穿柱。π0 试过时间集成后放弃，BID 报告多模态下掉性能 | **删除交叉淡入**，执行的就是被认证过的那一块；块间连续性靠前缀条件（§6.1A） |
-| H4 | 部署每 20 ms 推理、只走 1 步；APG 每 3 步推理一次；"周期"三种定义 | BID（2408.17355）证明动作时域 = 1 会破坏块内一致性、导致来回摆动 | 统一为：**50 Hz 执行，每 3 步（60 ms）推理一次、提交 3 步**；APG 展开节奏与部署完全一致。"每步重推理"留作 A/B 对照 |
+| 模型规模 | 约 4.1M 参数编码器-解码器 Transformer，不用 VLA 大模型 | A | IMPACT 4.67M、300 Hz；π0 3B 单次预填充 46 ms（4090） |
+| 数据 | 采样式规划器离线造 5 万条任务 → 约 200 万"状态→动作块"样本 | B | MπNets、DRP、ELMP 均用规划器老师 |
+| 时间律 | 匀速巡航 + 梯形加减速，只依赖"当前速度 + 剩余路程"；当前速度作输入 | B | MπNets 将老师路径重定时为匀速 |
+| 动作表示 | 16 步 × 6 轴关节增量 Δq | A | DRP；Diffusion Policy（位置式优于速度式） |
+| 动作头（默认） | **一步生成头**：MeanFlow 或 Shortcut + 条件 OT 配对，每次并行采 8 个噪声 → 8 条候选 | B | 沙箱双模态实验（§2.4）；COT 双峰实证；MP1 约 6.8 ms |
+| 动作头（基线） | K=4 模式 WTA 头，与默认头 A/B，择优 | A | 多模态轨迹预测通用做法；沙箱实验同样通过 |
+| 块间连续 | 训练时前缀条件化：输入已提交未执行的步 | B | 2512.05964：推理零开销，d≥2 时优于推理时 RTC |
+| 碰撞修正 | 输出后 1–2 步解析胶囊距离梯度投影（仅 d < 余量时） | B | DiffusionSeeder：少步生成下在环引导收益很小；投影在已知环境下够用 |
+| 候选排序 | 与已提交块重叠步的一致性打分 + 价值头 | B | BID：一致性打分 + 多样本相对提升 32% |
+| 预训练 | 行为克隆 + FK 胶囊端点损失 | B | ELMP 式 FK 损失 |
+| 后训练（主） | APG：可微运动学展开 + 胶囊距离代价反传 | A | ELMP：碰撞率 31.3%→8.9%；1 万示范 + APG 胜 60 万纯 BC |
+| 后训练（辅） | 无老师挖错循环 + 门禁；可选 ReinFlow | B | DRP 迭代微调 +45%；ReinFlow +40% |
+| 安全层 | 距离下界认证 + 可刹停不变式 | A | Schwarzer 2005 连续认证；Thumm & Althoff 2022 failsafe |
+| 30/30 手段 | 子目标头、价值头、短前瞻、卡死换向 | B / C | AWE、SHAC、BID |
 
-### 0A.2 逐项核查表
+证据等级：**A** 有直接先例与数字 · **B** 有相近先例，需本仓库验证 · **C** 仅推断。
 
-| § | 方案 | 等级 | 关键证据 | 残余风险 | 门禁（本仓库） | 回退 |
+---
+
+## 2. 依据
+
+### 2.1 业界神经运动规划
+
+| 工作 | 年份 / 会议 | 输入 | 输出 | 老师与数据量 | 关键做法 | 运行方式 |
 |---|---|---|---|---|---|---|
-| §0 | 不用 VLA 大模型，3–5M 参数专用策略 | A | IMPACT 4.67M 参数、300 Hz；π0 3B 单次预填充 46 ms（4090） | — | — | — |
-| §4.1–4.3 | 采样式老师离线造 5 万条任务 | B | MπNets、DRP、ELMP 均用规划器老师；MπNets：老师不一致时碰撞率 13.78%，一致老师 0.94% | 我们的老师是随机采样式，同类任务可能左右绕不一致 | 同任务 5 个种子：同伦类一致率 ≥ 90%，行程 CV < 10% | 固定种子 + "最短同伦类优先"，或用 PRM 路网 A*（确定）作老师 |
-| §4.3 D 类 | 不可达目标 → 停在最近安全位形 | B | DRP 有同类数据 | 停靠点随目标跳变 | 目标扫过立柱时相邻 20 ms 停靠点跳变 < 5 mm | 停靠标签加连续性约束 |
-| §4.5 | 时间参数化 | ✗→改 | 见 H2 | — | 近邻标签方差 < 10% 步长；起步失败率 = 0 | 输入当前速度 |
-| §4.5-④ | "路径后缀 = 免费 DAgger" | ✗→删 | DAgger 要求学生自己偏离后的状态；后缀仍是老师状态 | 协变量偏移 | 闭环到达率与单步准确率差距 | 关节噪声增广（σ 0.5–1°，DART +62%）+ 离线老师重标 + §7 |
-| §5.1 | 输入：sin/cos、TCP、6D 姿态、胶囊距离 | B | 6D 旋转连续（Zhou 2019）；ELMP、MπNets 同类输入 | 位姿目标多 IK 分支 → 额外多峰；缺子目标/前缀/速度字段（已补） | 去胶囊特征消融差 ≥ 3 pp 才保留 | 加目标分支标志 |
-| §5.2 | 16 步 Δq 动作块 | A | DRP、Diffusion Policy（位置式优于速度式） | 补零样本过多 → 早停 | 补零占比 > 30% 则降权 | — |
-| §6.1 | IMPACT 式编码器-解码器去点云 | A（结构）/C（够不够） | IMPACT 原文表 7 | 实算约 4.1M | 1000 样本过拟合 → 0；held-out ≥ 95%（APG 前） | 加宽 |
-| §6.1A | **动作头：一步生成** | B | 沙箱实验见 0A.3；COT 有双峰实证；K-MF 表 1 原生 MeanFlow 会失败；OFP 自引导 λ=0.5 出现模态塌缩 | 小模型能否学出陡峭模态边界未知；训练不稳 | M5 A/B：一步头 vs WTA，看穿柱率、到达率、摇摆率 | **WTA K=4**（沙箱中同样全部通过） |
-| §6.1A | 一步头选型 | B | 首选 MeanFlow（沙箱验证）或 Shortcut+COT 配对（无需 JVP）；**否决** Consistency Policy（原文承认偏向一侧）、OneDP（故意取单模态）、朴素 1 步 FM（数学上等于条件均值） | 组合未见论文 | 同上 | WTA |
-| §6.1A | 生成时碰撞代价引导 | ✗→改 | 无论文在 1–2 步下测过；DiffusionSeeder 5 步引导仅 80.6%→81.1%；RTC 附录：引导权重过大发散 | — | — | 改为**事后投影**：对输出块做 1–2 步解析胶囊距离梯度，只在 d < 余量时启用；修不了"绕错侧"，靠多候选 + 安全层 |
-| §6.1A | 前缀条件（RTC） | B | RTC 原文只验证 n=5 步去噪、需反向传播；**训练时前缀条件化**（2512.05964）推理零开销，d≥2 时优于 RTC，天然适用 1 步生成器 | 我们 d≈0–1 时略差 | 块边界加速度跳变 vs 无前缀 | 无前缀 + 一致性打分 |
-| §6.1A | B 样条输出 | C | 仅 FAST/频域表示的间接证据 | 可能损失贴柱精度 | near_column 与 16 步 Δq 对比 | **默认改回 16 步 Δq**，B 样条降为可选 |
-| §6.2 | 损失：WTA-L1/CE、FK 胶囊端点、平滑 | B | ELMP 式 FK 损失（§III-B 式 2） | 流头损失原缺（已补：流匹配损失 + FK 损失加在一步输出上） | FK 消融：C 类碰撞率降 ≥ 20% 才保留 | — |
-| §6.3 | 训练配置与耗时 | C | DRP：4090 上 100 万步 3 天（含点云） | 原文"20 万步≈30 epoch"算错，实为约 68 epoch | 先跑 2000 步测吞吐再定步数 | 30 epoch ≈ 8.8 万步 |
-| §6.4 | 胶囊距离 PyTorch/JS 对拍 | A（工程） | 仓库已有 0 差异对拍惯例 | 浮点不可能"0 误差" | 布尔判定 0 差异 + 距离误差 < 1e-4 mm + 梯度对有限差分 < 1e-3 | — |
-| §7.1 | APG 可微微调（ELMP） | A | ELMP：碰撞率 31.3%→8.9%；1 万示范+APG 72.0% > 60 万纯 BC 57.9%；H=69 步仅用梯度裁剪 ≤1 | 铰链损失只能侧推，不能从"撞柱"换到另一侧；可能压缩多模态；ELMP 中路径长度 +23% | 每轮左右比例监控；行程门禁 | 保留 BC 锚定损失 |
-| §7.2 | 无老师挖错 + 门禁 | B | DRP 迭代师生微调 +45%（5 轮 10 h） | 门禁集与验收集重叠 → 选择偏差（已拆分） | 遗忘门禁：A 类每轮降幅 ≤ 0.5 pp | 回滚 |
-| §7.3 | 拒绝采样自蒸馏 | B | ReST | 选"最短" → 贴柱，余量变小、多样性塌缩 | C 类间隙中位数 ≥ 原 80% | 改为"间隙 ≥ 阈值中最短" |
-| §7 可选 | ReinFlow/DPPO | B | ReinFlow +40%，1–4 步可调，比 DPPO 省 62.8% 墙钟；DPPO 16 步块稳定 | RL 会重塑模式分布（DPPO D3IL） | 按左右分组平衡奖励 | 不做 |
-| §8.2 | 模式/噪声粘滞 | ✗→改 | BID：沿用上次噪声 7 个任务中 3 个变差；后向一致性打分 + N=16 相对 +32% | — | E5 摇摆 < 1% | **改为 BID 式一致性打分**（与已提交块重叠步加权 L2） |
-| §8.3 | 安全层 + 可刹停不变式 | 不变式 A；离散实现 ✗→改 | Thumm & Althoff 2022 failsafe 盾 | 刹停"最大减速度"原未定义（已补加速度上限） | 见 H1 | 训练余量提到 3–6 mm |
-| §8.3 | 安全层耗时 < 5 ms | C | 仓库 collideFree 1.25 ms/次 | 贴柱时预筛失效；每步 4–13° | near_column 全程 P99 < 5 ms | 距离认证一次查询覆盖整段；提交步数降到 2 |
-| §8.5 | 子目标头、价值头、短前瞻、卡死换向 | B / C | AWE（航点 +25%）、SHAC、BID | 卡死换向可能活锁 | 50 个对抗用例 3 s 内恢复 ≥ 95%，活锁 = 0 | 子目标改为离散绕行锚点分类 |
-| §8.6 | 50 Hz 策略层 | B | π0 50 Hz、Diffusion Policy 10 Hz 预测 16 执行 8 最优 | rAF 60 Hz 与 20 ms 不整除；后台标签页节流 | P99 周期误差 < 2 ms | Worker + 自有时钟 |
-| §8/§9 | 浏览器推理 2–5 ms | C（偏乐观） | WebGPU 每次 dispatch 33–67 μs、同步 2–3 ms（2604.02344 表 6） | 8 层 Transformer 约 150–300 次 dispatch → 调度开销 5–20 ms | **M4 后立刻**导出 ONNX 实测 batch=8 P99 | wasm-SIMD 多线程；每 3 步推理一次（预算 60 ms） |
-| §9 | 验收 30/30 | ✗→改 | 30/30 时失败率 95% 上界仍约 9.5% | 30 例被反复用于挑模型 | **新造 ≥1000 例 near_column 一次性验收集**（0 失败 ⇒ 上界约 0.3%）；到达率分母只算可达任务 | — |
+| **MπNets**（NVIDIA） | 2022 CoRL | 点云 + 关节角 + 目标位姿 | 下一步关节位置 | 规划器 300 万+ 问题 | 端到端行为克隆；老师路径重定时为匀速 | 闭环 9 Hz，1 kHz PD 跟踪 |
+| **Neural MP**（CMU） | 2024 / IROS 2025 | 点云 + 关节角 + 目标 | GMM（LSTM） | 100 万–300 万条 | 测试时采样多条，选穿透最少的（去掉后成功率 81%→31%） | 开环为主 |
+| **DRP / IMPACT**（CMU） | 2025 CoRL | 点云 + 关节角 + 目标关节角 | 10 步关节增量 | cuRobo 1000 万条 | 大规模预训练 + 迭代师生微调 + "目标被挡停在最近安全处" | 闭环；4.67M 参数，300 Hz |
+| **ELMP**（ETH） | 2026 arXiv | 点云 + 关节角 + 目标位姿 | 关节增量 | AIT* 约 60 万条 | 行为克隆后 **APG 微调**，碰撞/到达/平滑损失直接反传 | 闭环 30 Hz |
 
-### 0A.3 沙箱对照实验（2D 绕柱双模态，CPU）
+- ELMP：1 万条老师轨迹 + APG（成功率 72.0%）超过 60 万条纯行为克隆（57.9%）；APG 把碰撞率降到 1/3 以下。
+- 最好的方法在静态场景仍有约 9–10% 碰撞（ELMP-APG 8.9%，DRP 10.16%），实际部署都配检查或反应层。
+- 共识：闭环、短动作块滚动执行、老师只离线用、必须后训练。
 
-为验证"一步生成会不会把左右平均成穿柱"，在沙箱做了一个最小实验：2D 点从柱左侧到右侧，示教一半从上绕一半从下绕，16 步动作块、每 3 步重推理，与本方案同构。代码 `ml/toy/toy_bimodal.py`，150 个"起终点都贴近中轴"的难例：
+### 2.2 本项目的条件
+
+| 条件 | 主流 | 本项目 | 意味着 |
+|---|---|---|---|
+| 环境 | 未知、多变，靠点云 | 固定且精确已知（台架 + 立柱，1936 个胶囊） | 不需要点云编码器；模型可以小；碰撞检查精确 |
+| 机器人 | Franka 7 轴 | 自研 6 轴，J1/J3/J6 连续转 | 需处理连续轴展开 |
+| 碰撞模型 | SDF / 球近似 | 胶囊解析距离，可微 | 直接做 APG；安全层可认证 |
+| 平台 | 台式 GPU | 浏览器（后续真机） | 模型小，ONNX + WebGPU/wasm |
+
+资源应投在**闭环稳定性、左右绕行选择和安全层**上，而不是感知和泛化。
+
+### 2.3 前沿生成式技术取舍
+
+| 技术 | 结论 | 理由 |
+|---|---|---|
+| VLA 大模型（π0/π0.5、GR00T、OpenVLA） | 不采用 | 无图像、无语言指令；3B 参数更慢不更准 |
+| 一步生成：MeanFlow（MP1）、Shortcut、条件 OT 配对 | **采用**（默认头候选） | 1 次前向；COT 有双峰实证；Shortcut 无需 JVP |
+| Consistency Policy、OneDP、朴素 1 步流匹配 | 不采用 | CP 原文承认偏向一侧；OneDP 有意取单模态；朴素 1 步 FM 等于条件均值，会穿柱 |
+| OFP 自蒸馏 | 不作首选 | 未找到公开代码；自引导 λ=0.5 时出现模态塌缩 |
+| 生成过程中代价引导（MPD/EDMP/GPD） | 不采用 | 无论文在 1–2 步下验证；改用输出后投影 |
+| 推理时 RTC | 不采用 | 原文只验证 5 步去噪且需反向传播；改用训练时前缀条件化 |
+| 时间集成 / 交叉淡入 | 不采用 | 执行的是未认证的混合块；左右两块平均可能穿柱；π0 弃用 |
+| FAST 动作分词 | 不采用 | 服务于语言骨干，自回归推理慢 |
+| B 样条动作表示 | 可选 | 仅间接证据；须 near_column 消融不掉点才启用 |
+| ReinFlow / DPPO | 可选第三阶段 | 适合到达/卡死/刹停等离散目标；须按左右分组平衡奖励 |
+
+### 2.4 沙箱双模态对照实验
+
+2D 点从柱左侧到右侧，示教一半从上绕一半从下绕，16 步动作块、每 3 步重推理，与本方案同构。代码 `ml/toy/toy_bimodal.py`，150 个"起终点都贴近中轴"的难例：
 
 | 动作头 | 单样本、无安全层：到达 / 穿柱回合 | 8 候选 + 安全层：到达 / 穿柱 / 平均刹停 | 推理（CPU，8 候选） |
 |---|---|---|---|
 | MSE 回归 | 100% / 0% | 100% / 0% / 0 | 0.13 ms |
 | WTA K=4 | 100% / 0% | 100% / 0% / 0 | 0.19 ms |
 | 流匹配 10 步 | 100% / 4.0% | 99.3% / 0% / 3.7 | 2.13 ms |
-| **朴素流匹配 1 步** | 87.3% / **23.3%** | 81.3% / 0% / 14.0 | 0.25 ms |
+| 朴素流匹配 1 步 | 87.3% / **23.3%** | 81.3% / 0% / 14.0 | 0.25 ms |
 | **MeanFlow 1 步** | 100% / 2.7% | 100% / 0% / 0.3 | 0.25 ms |
 
-结论与局限：
-- **证实**：朴素 1 步流匹配会把模态平均到柱子里（23% 穿柱），必须用 MeanFlow/Shortcut 一类；MeanFlow 1 步达到 10 步流匹配的质量，推理快约 8 倍。
-- **证实**：安全层在所有方法上都把穿柱降为 0，代价是刹停次数。
-- **没能区分**：闭环里状态一偏离中轴，MSE/WTA 也能自然打破对称，所以这个玩具任务太容易，**分不出一步头和 WTA 谁更好**。真实 6 轴、位姿目标下的多峰更复杂，必须在 M5 用真实数据 A/B，不能凭论文或玩具定结论。
-- 早期 300 步训练的 MSE 在同一难例上 100% 穿柱、加安全层后 0% 到达（卡死），说明"欠拟合时平均模态"的风险真实存在。
-
-### 0A.5 修复状态（v2.3.1）
-
-《方案逐项核查报告》是**修复前**的审查记录：它列的是问题和证据，不是修复结果。修复结果都落在本文正文里，状态如下：
-
-| 类别 | 条目 | 状态 |
-|---|---|---|
-| 硬伤 | H1 安全层距离认证、H2 时间律、H3 删交叉淡入、H4 推理节奏统一 | ✅ 正文已改（§4.5、§8.1、§8.3） |
-| 方案替换 | 生成时引导→事后投影、RTC→训练时前缀、噪声粘滞→一致性打分、B 样条→可选、否决 CP/OneDP/朴素 1 步 FM、后缀≠DAgger | ✅ 正文已改（§2.4、§4.5、§6.1A、§8.2） |
-| 内部不一致 | I1 epoch、I2 样本数、I3 APG 展开长度、I4 时间集成、I5 候选数、I6 k_prev、I7 输入表、I8 流头损失、I9 延迟预算、I10 安全层耗时、I11 检查口径、I12 加速度上限（已列为待定参数）、I13 D 类分母、I14 门禁/验收分离、I15 用时口径、I16 碰撞保证表述、I17 重训耗时、I18 预热表述、I19 执行步数、I21 非马尔可夫、I22 子目标触发、I23 精修过安全层、I24 模型体积 | ✅ 正文已改 |
-| 内部不一致 | I20 route 基准口径不符 | 已重跑：仓库 40 例基准为到达 40/40、有效 39/40，§9.2 现状列已按实测改写；**说明老师本身在 1 例上路径不合格，M1 数据过滤（§4.4）必须把这类样本丢掉** |
-| **只能靠实测消除** | 浏览器推理延迟；一步头 vs WTA 谁更好；老师一致性；距离认证后的拒绝率是否影响 30/30；APG 是否压缩多模态；真机加速度上限 | ⏳ 已设门禁与回退（§0A.2），在 M1/M4/M5/M7 里按顺序测，**论文和推理消除不了** |
-
-### 0A.4 仍需用户确认 / 实测才能消除的风险
-
-1. 浏览器端推理延迟（最大不确定项，M4 后第一时间测）。
-2. 真机电机/驱动/通信方式（决定插补频率与刹停加速度上限）。
-3. 老师一致性（M1 第一项门禁）。
-4. Neural MP 式"运行时采样多条、用解析距离挑选"是否算违反"无运行时老师"——v2.3 的理解是**不算**（不做搜索，只对模型自己的候选打分），请确认。
-
----
-
-## 1. 业界调研：具身智能里的神经运动规划
-
-以下数据均来自论文原文（链接见 §13）。
-
-| 工作 | 年份 / 会议 | 输入 | 输出 | 老师与数据量 | 关键做法 | 运行方式 |
-|---|---|---|---|---|---|---|
-| **MπNets**（NVIDIA） | 2022 CoRL | 点云 + 当前关节角 + 目标位姿 | 下一步关节位置 | 规划器生成 300 万+ 问题、50 万+ 环境；8×V100 训练一周 | 端到端行为克隆 | 闭环 9 Hz，每次执行约 70% 推出的路径，1 kHz PD 跟踪 |
-| **Neural MP**（CMU） | 2024 / IROS 2025 | 点云 + 关节角 + 目标 | GMM（LSTM） | AIT* 等，100 万–300 万条 | **测试时优化（TTO）**：采样多条，选与场景穿透最少的 | 开环为主；冷启动约 2970 ms |
-| **MπFormer / Avoid Everything**（NVIDIA） | 2024 CoRL WS | 点云 | 关节动作 | 规划器数据 | 师生微调 + **困难负样本挖掘** | 闭环 |
-| **DRP / IMPACT**（CMU） | 2025 CoRL | 点云 + 当前关节角 + **目标关节角** | **动作块**：10 步关节增量，MSE 回归 | cuRobo 生成 **1000 万条**；4090 训练 3 天 | ① 大规模预训练 ② **迭代师生微调**（局部控制器 Geometric Fabrics 当老师，不用全局规划器，因为每步都规划太贵）③ 局部反应层 DCP-RMP 改写目标 ④ 加入"目标被挡→停在最近安全处"的数据 | 闭环；4.67 M 参数，300 Hz（4090），冷启动 3.48 ms |
-| **ELMP**（ETH） | 2026 arXiv | 点云 + 关节角 + 目标位姿（12 维） | 关节增量 | AIT* 约 60 万条 | 行为克隆后做 **APG 微调**：可微运动学展开，碰撞/到达/平滑三项损失直接反传，**不再需要老师数据** | MPC 式闭环 30 Hz；冷启动 7.8 ms |
-| Diffusion Policy / ACT 一类 | 2023– | 视觉 + 本体 | 动作块（扩散 / CVAE） | 人类示教 | 动作块 + 滚动执行（receding horizon）+ 时间集成 | 闭环 |
-
-几个关键数字：
-- DRP：迭代师生微调使成功率比纯预训练**提高 45%**；纯预训练的 IMPACT "经常有轻微碰撞"。
-- ELMP：只用 1 万条老师轨迹 + APG（成功率 72.0%、碰撞 19.4%）就超过 60 万条纯行为克隆（57.9%、31.9%），**老师数据少 60 倍**；APG 把环境碰撞率降到原来的 1/3 以下。新环境下，采样 20 万个 APG 问题约 4.5 CPU 小时，而生成同样数量的老师轨迹要 1194 CPU 小时以上。
-- 即便最好的方法，静态场景碰撞率也约 9–10%（ELMP-APG 8.9%，DRP 10.16%）——所以实际部署都配有某种检查或反应层。
-
-**行业共识**：
-1. 都是**闭环**策略，每个周期根据当前状态重新出动作，而不是一次性出整条路径。
-2. 输出**短动作块**（10 步左右）并滚动执行，兼顾平滑和反应速度。
-3. 老师只用于离线造数据；微调阶段倾向于**便宜的老师**（局部控制器）或**不要老师**（可微代价）。
-4. 纯模仿有"分布偏移、误差累积"问题，必须做后训练（DAgger / 师生微调 / APG）。
-
----
-
-## 2. 我们的方案和主流的差异，以及据此做的优化
-
-### 2.1 我们的独特条件
-
-| 条件 | 主流（DRP/ELMP 等） | 本项目 | 意味着 |
-|---|---|---|---|
-| 环境 | 未知、多变，靠点云感知 | **固定且精确已知**（台架 + 立柱，1936 个胶囊） | 不需要点云编码器；模型可以小很多；碰撞检查是**精确**的 |
-| 机器人 | Franka 7 轴 | 自研 6 轴，J1/J3/J6 连续转 | 需处理连续轴展开 |
-| 碰撞模型 | SDF / 球近似，有感知噪声 | 胶囊解析距离，可微 | 可以直接做 APG；安全层可信 |
-| 运行平台 | 台式 GPU | 浏览器（后续真机） | 模型要小，ONNX + WebGPU/wasm |
-
-结论：我们的问题比主流**窄得多也"干净"得多**，主流用来对付感知噪声和环境泛化的大部分复杂度（点云、千万级数据、多环境）都可以省掉，资源应投在**闭环稳定性、多解选择和安全层**上。
-
-### 2.2 v1 方案与主流的差异 → v2 的调整
-
-| # | v1 做法 | 主流做法 | v2 调整 | 理由 |
-|---|---|---|---|---|
-| 1 | 一次生成整条 32 点路径，开环执行 | 闭环 + 短动作块滚动执行 | **改为动作块策略**：每周期输出未来 16 步（320 ms），每 60 ms 推理一次，提交并执行前 3 步（v2.3 统一） | 用户要求每周期重算；可纠错、可应对拖拽目标变化 |
-| 2 | 失败回落原规划器 | 无回落；靠后训练提升 + 局部反应/检查 | **删除回落**，改为安全层：换候选 → 刹停保持 → 下周期重算 | 用户决定无老师部署 |
-| 3 | 512 桶离散化 + 自回归 186 token | DRP 用 MSE 回归动作块；Neural MP 用 GMM | **K 个模式的动作块头（K=4）+ 模式分类**，非自回归一次前向 | 闭环下多峰主要出现在"刚出发选左绕还是右绕"，K 模式足够；一次前向比 186 步自回归快一个数量级 |
-| 4 | 以目标位姿为条件 | DRP 用目标关节角（IK 另算）；ELMP 用目标位姿 | **用目标位姿**（位置 + 6D 旋转 + 模式标志），末段可选局部牛顿精修 | 无老师就没有全量 IK；位姿条件让模型连 IK 一起学。局部牛顿精修只是梯度下降几步，不属于搜索 |
-| 5 | 后训练：挖错 + 老师重标（每轮 1–2 小时老师计算） | DRP：便宜局部老师；ELMP：APG 无老师 | **主力换成 APG**（可微胶囊碰撞），挖错循环保留但不再需要老师重标 | 我们的胶囊模型可微且精确，正好适合 APG；省掉绝大部分老师计算 |
-| 6 | 拒判头（REJECT） | DRP：目标被挡时学会"停在最近安全处" | **改为"停靠"行为**：目标不可达时，数据里老师路径停在离目标最近的安全位形 | 闭环下"停在最近处"比"拒绝"更有用（目标常在拖拽中短暂进入立柱区） |
-| 7 | 20 万条老师数据 | 主流百万–千万条，但它们要泛化到任意环境 | **降到 5 万条**（+ 切片增广），其余靠 APG | ELMP 显示 APG 下 1 万条已胜过 60 万条纯克隆；我们的环境固定，需求更小 |
-| 8 | 无 | DRP 的 DCP-RMP 局部反应层 | 暂不做；安全层已覆盖静态环境。未来真机有人/动态障碍时再加 | 当前环境静态 |
-
-### 2.3 v2 相对主流的额外优化点
-
-1. **精确安全层**：主流因感知噪声做不到精确检查，我们可以。每周期对即将执行的动作段做 1° 细验 + 半格复验，保证**只执行检查过的动作**。
-2. **可刹停不变式**：只有当"执行这一段之后，仍存在一条已检查过的刹停轨迹"时才执行（见 §8.3），保证任何周期推理失败都能安全停住。
-3. **模式粘滞**：闭环每周期重算最怕左右摇摆（这一帧选左绕、下一帧选右绕）。部署时对"切换模式"加代价，除非当前模式不安全（§8.2）。
-4. **APG 损失直接用我们的胶囊距离**（`segSegDist` 的可微版本），训练和部署检查同一套几何，消除"训练用球、检查用网格"的口径差（ELMP 的做法有这个差）。
-5. **数据便宜**：环境固定，老师离线 5 万条在沙箱约 5 小时即可，不需要集群。
-
-### 2.4 2024–2026 前沿生成式策略逐项评估（v2.2）
-
-用户问："能不能用更先进的大模型算法？"先说结论：**大模型本身（VLA，30 亿参数级）不适合这个任务**，但它们背后的几项**动作生成技术**很适合，而且能直接解决我们 v2 的三个弱点：K=4 固定模式太粗、动作块拼接处有顿挫、贴柱难例要靠规则兜底。
-
-| 技术（代表工作） | 核心做法 | 公开结果 | 用在我们这里？ |
-|---|---|---|---|
-| **流匹配动作头**（π0 / π0.5 action expert，2024–25） | 用流匹配从噪声生成连续动作块，天然多模态 | π0 以 50 Hz 输出 50 步动作块 | ✅ **采纳**，替换 K=4 WTA 头：不再只有 4 个固定"模式"，左绕/右绕/上绕及其细分都能表达 |
-| **一步生成**：MeanFlow（MP1，AAAI 2026）、OFP（2026）、条件 OT 耦合（CoRL 2025）、Consistency Policy / OneDP | 学"平均速度场"或自蒸馏，1 次前向就出动作，不需迭代去噪 | MP1 推理约 6.8 ms；OFP 一步超过 100 步扩散，并在 π0.5 上一步胜过原 10 步；OneDP 1.5 Hz → 62 Hz | ✅ **采纳 OFP/MeanFlow**：OFP 从零自蒸馏，**不需要预训练老师模型**，与"无老师"原则一致；推理仍是 1–2 次前向 |
-| **代价引导采样**（MPD、EDMP、GPD，2023–25） | 采样过程中加入碰撞代价梯度，把轨迹推离障碍 | MPD/EDMP 引导显著提高成功率；GPD 约 0.8 s | ✅ **采纳，但只在 1–2 步内做**：我们已有可微胶囊距离（APG 要用），在去噪最后一步加一次梯度修正，几乎零额外训练成本。不采纳整条轨迹扩散（MPD 约 1 s，太慢） |
-| **扩散种子 + 优化**（DiffusionSeeder + cuRobo，CoRL 2024） | 扩散给初值，GPU 轨迹优化几轮 | 真机规划 26 ms，比 cuRobo 成功率高 51% | ⚠️ 部分采纳：只保留"对已生成动作块做 2–3 次局部梯度修正"，不引入全局轨迹优化器（那等于又加回一个老师） |
-| **实时动作块执行 RTC**（Black 等，NeurIPS 2025） | 生成新动作块时，把已提交但未执行的动作当作"已知前缀"补全，异步推理不卡顿 | 解决动作块拼接处的停顿与跳变 | ✅ **采纳**：以"已提交的 3 步"为前缀条件生成新块，替代 v2 的时间集成；推理偶发超时也不会顿挫 |
-| **流/扩散策略的强化学习微调**（DPPO，ICLR 2025；ReinFlow，NeurIPS 2025） | 在仿真里用 PPO 类方法微调生成式策略 | ReinFlow 在操作任务上成功率平均提升 40%，可在 1–4 步去噪下微调，比 DPPO 省 60%+ 时间 | ✅ **采纳为第三阶段（可选）**：APG 擅长连续可微目标；"到达/卡死/安全层刹停次数"这类离散目标交给 ReinFlow。仿真就是我们的 GPU 批量 FK + 胶囊检测，3090 上可跑 |
-| **FAST 动作分词 / π0.5 知识隔离**（2025） | DCT 压缩动作块成离散 token，供大语言模型骨干学习 | FAST 训练提速最多 5 倍 | ❌ 分词本身不采纳（为语言大模型服务，自回归推理慢）；⚠️ 借鉴"频域/样条表示"：动作块改用 **B 样条控制点**输出，平滑性由表示保证 |
-| **VLA 大模型**（π0/π0.5、GR00T、OpenVLA） | 视觉语言骨干 + 动作专家 | 3B 模型单次预填充 46 ms（4090） | ❌ 不采纳：我们没有图像、没有语言指令，环境固定精确；30 亿参数只会更慢，不会更准 |
-
-> **v2.3 核查修正（见 §0A）**：①碰撞代价引导改为输出后的事后投影（1–2 步生成下无引导证据）；②RTC 改为训练时前缀条件化（2512.05964，推理零开销）；③一步头首选 MeanFlow（沙箱验证）或 Shortcut+COT，否决 Consistency Policy/OneDP/朴素 1 步 FM；④B 样条降为可选；⑤OFP 未找到公开代码，不作首选。
-
-**结论：v2.2 采纳"一步流匹配头 + 碰撞代价引导 + 前缀条件 + B 样条表示 + 可选 ReinFlow"。** 这正是 π0.5、MP1/OFP、MPD、RTC 这几条前沿线在"低维状态、精确几何、实时控制"场景下的组合，规模仍然是几百万参数。
+- 朴素 1 步流匹配会把模态平均进柱子；MeanFlow 1 步达到 10 步流匹配的质量，推理快约 8 倍。
+- 安全层在所有方法上把穿柱降为 0，代价是刹停。
+- 该任务过于简单（闭环中状态一偏离中轴即打破对称），**分不出一步头与 WTA 谁更好**，需在真实数据上 A/B（M5）。
+- 训练仅 300 步的 MSE 在同一难例上 100% 穿柱、加安全层后 0% 到达，说明欠拟合时平均模态的风险真实存在。
 
 ---
 
@@ -200,9 +108,9 @@
 
 | 阶段 | 在哪里跑 | 说明 |
 |---|---|---|
-| 预训练数据生成 | Hark 沙箱（2 vCPU / 7 GB，Node）或用户机器 | 纯 JS，无需 GPU |
-| 预训练 + APG 微调 | **用户的 GPU 机器** | 沙箱无 GPU、无 PyTorch。**已定：RTX 3090 24 GB**（显存对 3–4 M 参数模型绰绰有余，可用 batch 1024–2048） |
-| 部署推理 | 浏览器（onnxruntime-web，WebGPU 优先，wasm 兜底）；后续真机控制器 | 与现有查看器同页 |
+| 数据生成 | Hark 沙箱（2 vCPU / 7 GB，Node）或用户机器 | 纯 JS，无需 GPU |
+| 预训练 + 后训练 | 用户 RTX 3090 24 GB | batch 1024–2048 |
+| 部署推理 | 浏览器 onnxruntime-web（WebGPU / wasm-SIMD，按实测选）；后续真机控制器 | 与现有查看器同页 |
 
 ```bash
 conda create -n armtf python=3.11 -y && conda activate armtf
@@ -212,373 +120,351 @@ pip install numpy pyarrow tqdm tensorboard onnx onnxruntime
 
 ---
 
-## 4. 第一步：离线造预训练数据（老师只在这里出现）
+## 4. 离线数据（老师只在这里出现）
 
-### 4.1 新增文件
+### 4.1 文件
 
 | 文件 | 作用 |
 |---|---|
 | `ml/gen/gen_dataset.cjs` | 采样任务 → 调老师 → 校验 → 时间参数化 → 写分片 |
-| `ml/gen/sampler.cjs` | 起点/目标采样（4.3） |
+| `ml/gen/sampler.cjs` | 起点/目标采样 |
 | `ml/gen/run_parallel.sh` | 多进程，不同种子 |
 | `ml/data/shard_XXXX.jsonl` | 原始样本（不入库） |
 
 复用 `tests/route_bench_setup.cjs` 装配求解器（关节表、`docs/travel.json`、`docs/collide.json`）。
 
-### 4.2 一条原始样本
+### 4.2 原始样本
 
 ```json
 {
   "id": "s0003_000127", "mode": "pos" | "pose",
   "q0": [6], "T": [x,y,z], "R": [[3x3]] | null, "tool": 0,
-  "path": [[6], ...],        // 老师折线 q0 → via... → q_end
-  "reached": true,           // false = 目标不可达，q_end 为离目标最近的安全位形（"停靠"）
+  "path": [[6], ...],
+  "reached": true,
   "travel_deg": 123.4, "plan_ms": 812.0,
   "fp": "collide.json 指纹"
 }
 ```
 
+`reached=false` 表示目标不可达，路径终点为离目标最近的安全位形（"停靠"）。
+
 ### 4.3 采样分布（5 万条任务）
 
-关节限位（`docs/travel.json`）：J1/J3/J6 连续 ±180°；J2 [−92, 9]，J4 [−111, 16]，J5 [−93, 34]。
+关节限位：J1/J3/J6 连续 ±180°；J2 [−92, 9]，J4 [−111, 16]，J5 [−93, 34]。
 
 | 类别 | 占比 | 采样方式 |
 |---|---:|---|
 | A 均匀 | 45% | q0、目标位形 b 均匀采样且无干涉；目标 = `fk(b)`（pose 模式加 `orient(b)`） |
-| B 直线被挡 | 30% | q0→b 关节直线 1° 细验有干涉（route_bench 口径） |
-| C 贴立柱 | 15% | b 满足 `nearColumn`，q0 在立柱另一侧（near_column_bench 口径） |
-| D 目标不可达 | 10% | 目标在立柱内/所有分支都撞/工作空间外；老师标签 = 停在离目标最近的安全位形 |
+| B 直线被挡 | 30% | q0→b 关节直线有干涉 |
+| C 贴立柱 | 15% | b 满足 `nearColumn`，q0 在立柱另一侧 |
+| D 目标不可达 | 10% | 目标在立柱内/所有分支都撞/工作空间外；标签为停靠 |
 
-- pos / pose 各半；老师用 `solveDyn`（松手口径）。
-- **测试集隔离**：固定种子另造 2000 条留出；三个基准案例不进训练集。
+- pos / pose 各半；老师用 `solveDyn`，固定种子；同类任务优先取行程最短的绕行同伦类，保证左右选择一致。
+- 另造三个互不重叠的集合：**门禁集** 2000 条（挖错循环每轮用）、**held-out 验收集** 2000 条、**near_column 扩展验收集** ≥1000 条；两个验收集只在最终验收时用一次。现有三个基准不进训练集。
 
 ### 4.4 过滤
 
-1. 整条路径 1° 细验 + 半格复验，任一段干涉即丢弃。
+1. 整条路径用距离下界认证（与 §8.3 同口径）复核，任一段不过即丢弃。仓库 `tests/route_bench.cjs` 上现有规划器有 1/40 例路径细验不过，这类样本必须丢掉。
 2. `poseRelaxed` 样本只当 pos 模式用。
-3. 行程 > 同任务 `routeRT` 1.5 倍的视为绕远（先统计，再定是否丢弃）。
+3. 行程 > 同任务 `routeRT` 1.5 倍的先统计，再定是否丢弃；按类别统计丢弃率（C 类 > 20% 说明老师在贴柱场景不可靠）。
 
-### 4.5 时间参数化 → 闭环训练样本（v2 新增，关键）
+### 4.5 时间参数化 → 闭环训练样本
 
-闭环策略学的是"在某个状态下，接下来 16 步怎么走"，所以要把整条路径切成很多个"状态 → 动作块"样本：
-
-1. **（v2.3 修正，见 H2）** 不再沿用 `animTo` 的全局 smoothstep + 总时长夹取。改为局部可观测时间律：按轴速比 `VREL = [0.6, 0.6, 0.9, 0.9, 1.2, 1.8]` 匀速巡航，加减速为梯形，且只取决于"当前速度 + 剩余路程"（加速度上限另设），控制周期 **dt = 20 ms**；当前速度 q_t − q_{t−1} 作为输入。
-2. 得到状态序列 q_0, q_1, …, q_N。对每个 t（每隔 3 步取 1 个，减少冗余）生成样本：
-   - 输入：当前 q_t、目标 (T, R, mode)
-   - 标签：未来 S = 16 步的增量 Δq_{t+1..t+16} = q_{t+k} − q_t（到终点后补零，即"停住"）
-3. 每条路径约 40–50 个样本（route_bench 平均执行约 2.5 s）→ 5 万条任务约 200 万个训练样本（以 M1 的 stats.json 为准）。
-4. ~~路径后缀等于免费 DAgger~~（v2.3 删除：后缀仍是老师状态）。改为关节噪声增广（σ 0.5–1°）+ 离线老师重标，偏离状态的覆盖靠 §7。
+1. 时间律：按轴速比 `VREL = [0.6, 0.6, 0.9, 0.9, 1.2, 1.8]` 匀速巡航，梯形加减速，速度只取决于"当前速度 + 剩余路程"（每轴加速度上限 a_max 为待定参数，真机型号确定后设定），dt = 20 ms。
+2. 得到状态序列 q_0 … q_N，每隔 3 步取一个样本：
+   - 输入：§5.1 全部字段（含当前速度、已提交前缀）
+   - 标签：未来 16 步 Δq_{t+k} = q_{t+k} − q_t（到终点后补零）
+3. 每条路径约 40–50 个样本 → 约 200 万样本（以 `stats.json` 为准）。
+4. 协变量偏移对策：关节噪声增广（σ 0.5–1°，噪声状态由老师离线重标）；偏离状态的进一步覆盖靠 §7。
 
 ### 4.6 耗时与存储
 
-- `solveDyn` 约 0.7 s/条：5 万条在沙箱 2 进程约 5 小时；用户 8 核机器约 1.5 小时。
-- 300 万样本 × 约 0.5 KB ≈ 1.5 GB 原始；Parquet 约 300 MB。
+- `solveDyn` 约 0.7 s/条：沙箱 2 进程约 5 小时；8 核机器约 1.5 小时。
+- 200 万样本原始约 1 GB；Parquet 约 200 MB。
 
 ### 4.7 检查点
 
-- [ ] `ml/data/stats.json`：类别、到达率、行程、样本数分布
-- [ ] 抽 20 条在查看器回放（新增 `?replay=` URL 参数）
-- [ ] 测试集与训练集、基准案例无重叠
+- [ ] `ml/data/stats.json`：类别、到达率、行程、样本数、补零样本占比
+- [ ] 老师一致性：同任务 5 个种子，同伦类一致率 ≥ 90%，行程变异系数 < 10%
+- [ ] 抽 20 条在查看器回放（新增 `?replay=` 参数）
+- [ ] 各集合与训练集无重叠
 
 ---
 
-## 5. 第二步：表示与预处理
+## 5. 表示与预处理
 
 文件 `ml/prep/build_dataset.py` → `train/val/test.parquet`、`norm.json`。
 
-### 5.1 输入（条件）
+### 5.1 输入
 
 | 量 | 维度 | 编码 |
 |---|---:|---|
 | 当前 q_t | 6 | 每轴 (sin, cos) → 12；限位轴另加归一化值 → +3 |
-| 当前 TCP 位置与姿态 | 3 + 6 | `fk(q_t)`、`orient(q_t)` 的 6D 表示（给模型笛卡尔线索） |
+| 当前关节速度 q_t − q_{t−1} | 6 | 按每轴速度上限归一化 |
+| 当前 TCP 位置与姿态 | 3 + 6 | `fk(q_t)`、`orient(q_t)` 的 6D 表示 |
 | 目标位置 T | 3 | /600 mm |
 | 目标姿态 R | 6 | 6D 表示；pos 模式填 0 |
-| 目标 − 当前 TCP | 3 | 位置差，/600 mm |
+| 目标 − 当前 TCP | 3 | /600 mm |
 | 模式 | 2 | one-hot [pos, pose] |
-| 上一周期选的模式 k_prev | K+1 | one-hot（含"无"），**仅 WTA 基线头使用** |
-| 当前关节速度 q_t − q_{t−1} | 6 | 按每轴速度上限归一化（v2.3 新增，使时间律可观测） |
-| 已提交未执行前缀 | 3×6 | 前缀 Δq + 有效长度掩码（v2.3 新增，训练时随机遮盖 0–3 步） |
-| 当前子目标 | 6 | 子目标头输出的关节途经点（sin/cos 前的弧度，归一化）；无子目标时填当前 q（v2.3 新增） |
-| 关键胶囊对最小距离 | 8 | 当前位形下臂各段到立柱的胶囊距离（cheap，现成函数），给模型"离柱子多近"的直接信号 |
+| 已提交未执行前缀 | 3×6 + 3 | 前缀 Δq + 有效长度掩码；训练时随机遮盖 0–3 步 |
+| 当前子目标 | 6 | 子目标头输出的关节途经点（归一化）；无子目标时填当前 q |
+| 关键胶囊对最小距离 | 8 | 臂各段到立柱的胶囊距离 |
+| 上一次所选模式 k_prev | 5 | one-hot（含"无"），仅 WTA 基线头使用 |
 
-### 5.2 输出（动作块）
+### 5.2 输出
 
-- **K = 4 个模式**，每个模式一整块 16 步 × 6 轴的关节增量 Δq（连续值，按每轴最大步长归一化）。
-- 一个模式分类头：4 类 logits。
-- 训练时 **winner-takes-all**：只对与标签最接近的那个模式回归，分类头学"选哪个"（MTR / 多模态轨迹预测的常用做法）。这样左绕、右绕会落到不同模式里，不会被平均到穿过立柱。
-- 附加头：到达剩余时间估计（帮助排序和早停）。
+- 默认一步生成头：每条候选 16 步 × 6 轴 Δq（按每轴最大步长归一化）。
+- WTA 基线头：K=4 条 16 步 Δq + 4 类模式 logits。
+- 两种头共用：价值头（剩余时间/代价）、子目标头（2 个关节途经点 + 是否需要）。
 
 ### 5.3 连续轴
 
-J1/J3/J6 统一用 `unwrapTo` 口径展开后再做增量；预处理和部署共用一份实现，§6.4 对拍时一并验证。
+J1/J3/J6 统一用 `unwrapTo` 展开后再做增量；预处理与部署共用一份实现，对拍时一并验证。
 
 ---
 
-## 6. 第三步：模型与预训练（行为克隆）
+## 6. 模型与预训练
 
-### 6.1 结构（参考 IMPACT，去掉点云部分）
+### 6.1 结构
 
 ```
-条件特征（约 60 维）──MLP──▶ 8 个条件 token (d=192)
+条件特征（约 90 维）──MLP──▶ 8 个条件 token (d=192)
                                │
                4 层 Transformer encoder
                                │ (memory)
-K×16 个可学习动作 token ──▶ 4 层 Transformer decoder（非自回归，一次前向）
-                               │
-         ├─ 动作头：每 token 输出 6 维 Δq
-         ├─ 模式分类头：K=4
-         ├─ 价值头（剩余时间/代价）：1      ← v2.1，§8.5
-         └─ 子目标头：2 个关节空间途经点 + 是否需要（触发：新目标或目标跳变 > 50 mm；到达子目标 < 5° 后切下一个；v2.3 定义）← v2.1，§8.5
+16 个动作 token（一步头：注入噪声 + 时间嵌入；WTA：K×16 个可学习 token）
+                               ▼
+               4 层 Transformer decoder（非自回归，一次前向）
+         ├─ 动作输出：每 token 6 维 Δq
+         ├─ （WTA）模式分类头：4
+         ├─ 价值头：1
+         └─ 子目标头：2 个关节途经点 + 是否需要
 ```
 
 | 超参 | 值 |
 |---|---|
 | d_model / 头数 / FFN | 192 / 8 / 768 |
 | encoder / decoder 层数 | 4 / 4 |
-| 参数量 | 约 3–4 M（DRP 为 4.67 M，含点云编码） |
-| 推理 | 一次前向得到 4 条候选动作块 |
+| 参数量 | 约 4.1M |
 
+子目标触发：新目标或目标跳变 > 50 mm 时输出；到达当前子目标 < 5° 后切下一个。
 
-### 6.1A v2.2 动作头升级：一步流匹配（默认）与 WTA（基线）
+### 6.2 动作头
 
-| | v2 WTA 头（保留为基线） | **v2.2 一步流匹配头（默认）** |
+| | 一步生成头（默认） | WTA 头（基线） |
 |---|---|---|
-| 多模态 | 固定 K=4 个模式 | 连续分布；每周期并行采 K=8 个噪声 → 8 条候选 |
-| 训练 | WTA-L1 + 模式 CE | **MeanFlow**（沙箱已验证 1 步可用）或 Shortcut + COT 条件配对（无需 JVP）；损失 = 流匹配损失 + FK 胶囊端点损失（加在一步输出上）。不采用 Consistency Policy / OneDP / 朴素 1 步 FM |
-| 输出 | 16 步 Δq | **16 步 Δq**（v2.3：B 样条 6 控制点降为可选，需 near_column 消融不掉点才启用） |
-| 前缀条件 | 无 | **训练时前缀条件化**（2512.05964）：输入已提交且未执行的步，训练时随机遮盖前缀长度 0–3；推理零额外开销 |
-| 碰撞修正 | 无 | **事后投影**：对输出块做 1–2 步解析胶囊距离梯度，仅 d < 余量时启用（v2.3：生成中引导在 1–2 步下无证据） |
-| 推理成本 | 1 次前向 | 1–2 次前向 + 1 次解析梯度（JS 实现，不走 ONNX） |
-| APG 兼容 | ✅ | ✅（固定噪声后生成器是确定性可微映射） |
+| 多模态 | 连续分布；每次并行采 8 个噪声 → 8 条候选 | 固定 4 个模式 |
+| 训练 | MeanFlow 损失，或 Shortcut 自一致 + FM 锚定损失（配合条件 OT 配对） | WTA-L1 + 模式 CE |
+| 推理 | 1 次批量前向 | 1 次前向 |
+| 后处理 | 1–2 步解析胶囊距离梯度投影（JS 实现，仅 d < 余量时） | 同左 |
+| APG 兼容 | 固定噪声后为确定性可微映射 | 模式选择用 Gumbel-Softmax 或对 4 个模式各展开取最小代价 |
 
-候选排序（v2.3 修正）：不用"噪声粘滞"（BID 中 7 个任务有 3 个变差），改为 BID 式一致性打分：分数 = −‖候选与上一已提交块重叠步之差‖²（加权）− λ·价值头剩余代价。子目标头、价值头（§8.5）保持不变。
+M4 同时实现两种头，M5 预训练后在 near_column 与门禁集上 A/B（穿柱率、到达率、摇摆率），择优部署。
 
-M4 同时实现两种头，M5 预训练后在 near_column + held-out 上 A/B；若一步流匹配不优于 WTA，回退 WTA（风险可控）。
+### 6.3 损失
 
-### 6.2 预训练损失
+一步生成头：
 
 ```
-L = WTA-L1(动作块, 最近模式)               权重 1.0
-  + CE(模式分类)                          权重 0.5
-  + FK 损失：预测与标签位形下各连杆胶囊端点的位置差   权重 0.5   ← 借鉴 ELMP
-  + 平滑：二阶差分                         权重 0.05
-  + L1(剩余时间)                           权重 0.1   （与价值头共用一个输出，不重复）
+L = MeanFlow 损失（或 Shortcut 自一致 + FM 锚定）          1.0
+  + FK 损失：一步输出（固定噪声）的各连杆胶囊端点位置差      0.5
+  + 平滑：二阶差分                                         0.05
+  + 价值头 L1 + 子目标头 L1                                 0.1 / 0.1
 ```
 
-一步流匹配头（v2.3 补）：
+WTA 头：
 
 ```
-L = MeanFlow 损失（或 Shortcut 自一致 + FM 锚定损失）     权重 1.0
-  + FK 损失：一步生成输出（固定噪声）的胶囊端点位置差     权重 0.5
-  + 平滑：二阶差分（作用于一步输出）                      权重 0.05
-  + 子目标头 L1 + 价值头 L1                               权重 0.1 / 0.1
+L = WTA-L1(动作块, 最近模式)   1.0
+  + CE(模式分类)               0.5
+  + FK 损失                    0.5
+  + 平滑：二阶差分             0.05
+  + 价值头 L1 + 子目标头 L1    0.1 / 0.1
 ```
 
-### 6.3 训练配置
+### 6.4 训练配置
 
 | 项 | 值 |
 |---|---|
 | 优化器 | AdamW，β=(0.9, 0.95)，wd 0.01 |
-| 学习率 | 1e-3，预热 1000 步，余弦退火（DRP 预热 100 步；我们 batch 更大，取 1000，v2.3 更正表述） |
-| batch | 1024（3090 24 GB） |
+| 学习率 | 1e-3，预热 1000 步，余弦退火 |
+| batch | 1024 |
 | 精度 | bf16 混合精度 |
-| 步数 | 先跑 2000 步测吞吐再定；参考：200 万样本 × 30 epoch ÷ bs 1024 ≈ 6 万步（v2.3 更正：原"20 万步≈30 epoch"实为约 68 epoch），验证集闭环成功率不再上升即停 |
-| 预计耗时 | RTX 3090 约 1.5–3 小时（估算；DRP 4.67 M 参数在 4090 上预训练 100 万步用 3 天，我们的样本少、无点云编码，步数约其 1/5，跑完首轮再校正） |
+| 步数 | 先跑 2000 步测吞吐再定；参考 200 万样本 × 30 epoch ÷ 1024 ≈ 6 万步；验证集闭环到达率不再上升即停 |
+| 预计耗时 | RTX 3090 约 1.5–5.6 小时（按 2000 步吞吐实测重算） |
 
-### 6.4 对拍与验证（每 epoch）
+### 6.5 对拍与验证
 
-- `ml/eval/collide_torch.py`：胶囊距离的 PyTorch 批量版（**可微**，§7 要用），先与 JS `collideFree` 对拍 10 万个位形，判定 0 误差。
-- 验证用**闭环仿真**而不是单步误差：从 1000 个验证任务的 q0 出发，每 20 ms 推理一次、提交前 3 步，直到到达或超时（超时 = 老师同任务路径动画时长 × 2，最少 3 s），统计到达率、**用时 ≤ 老师 × 1.3 的达标率**（与 §9.2 口径一致，v2.3）、碰撞步数（安全层关闭时）、行程比。
+- `ml/eval/collide_torch.py`：可微胶囊距离 PyTorch 批量版，与 JS `collideFree` 对拍 10 万位形：布尔判定 0 差异，距离误差 < 1e-4 mm，梯度与有限差分相对误差 < 1e-3。
+- 每 epoch 闭环验证：从 1000 个验证任务出发，按部署节奏（每 60 ms 推理、提交 3 步）运行到到达或超时（老师路径时长 × 2，最少 3 s），统计到达率、用时 ≤ 老师 × 1.3 的达标率、碰撞步数（关安全层）、行程比、左/右/穿柱三类比例。
 
 ---
 
-## 7. 第四步：后训练（无老师为主）
+## 7. 后训练
 
-### 7.1 主力：APG 可微微调（借鉴 ELMP）
-
-不再请老师标注，直接让模型在可微仿真里闭环展开，用代价反传：
+### 7.1 主力：APG 可微微调
 
 ```
-for 每个 batch（随机采样 q0 和目标，82 ms 级别的便宜采样，不需要老师）:
+for 每个 batch（随机采样 q0 和目标，不需要老师）:
     q = q0
-    for t in 0..H-1  (H = 60 次推理 × 3 步 = 180 步 ≈ 3.6 s，与部署节奏一致；长任务分段截断反传，v2.3 更正):
-        chunk, logits = π(obs(q, 目标))
-        Δq = chunk[选中模式][0:3]          # 执行前 3 步，与部署一致
-        q = clamp(q + Δq)                  # 限位
+    for t in 0..H-1  (H = 60 次推理 × 3 步 = 180 步 ≈ 3.6 s；长任务分段截断反传):
+        chunk = π(obs(q, 目标, 前缀))       # 一步头固定噪声；WTA 见 §6.2
+        Δq = chunk[0:3]                     # 与部署一致
+        q = clamp(q + Δq)
         累计 L_col(q), L_smooth(Δq)
-    L = w_tgt·L_target(q_H) + w_col·ΣL_col + w_smooth·ΣL_smooth (+ w_len·行程)
-    反传（BPTT），梯度裁剪 ≤ 1.0
+    L = w_tgt·L_target(q_H) + w_col·ΣL_col + w_smooth·ΣL_smooth (+ w_len·行程) + w_bc·L_BC
+    反传，梯度裁剪 ≤ 1.0，lr 1e-4
 ```
 
-- **碰撞项** L_col = Σ_胶囊对 ReLU(margin − 胶囊距离)，margin 取 `collide.json` 的 `margin_mm` 基础上再加 5 mm 训练余量；包含臂×立柱、臂×台架、臂×臂（非相邻段）。
-- **到达项**：位置误差² + λ_rot·‖R − R*‖_F²（弦距离，ELMP 同款，避免四元数梯度消失）。
-- **平滑项**：速度² + 加速度²。
-- 可加 **行程项**，直接把"关节行程短"写进目标（ELMP 用笛卡尔路径长度项做过同类事情）。
-- 模式选择不可导：用 Gumbel-Softmax，或对 K 个模式都展开 1 步再取最小代价（K=4，代价可接受）。
-- 采样任务分布同 §4.3，但 B/C/D 类提到 60%。
-- 预期：参照 ELMP，APG 主要降低碰撞率、提高末端精度；**不需要任何老师计算**。
+- 碰撞项 L_col = Σ ReLU(margin − 胶囊距离)，margin = `margin_mm` + 训练余量（3–6 mm，覆盖安全层认证的保守量）；含臂×立柱、臂×台架、臂×臂（非相邻段）。
+- 到达项：位置误差² + λ_rot·‖R − R*‖_F²。
+- 平滑项：速度² + 加速度²。
+- BC 锚定项：保留预训练损失，防止多模态被压缩；每轮监控左右比例。
+- 采样分布同 §4.3，B/C/D 类提到 60%，其中贴柱类 40%。
 
-### 7.2 辅助：闭环挖错 + 门禁（v1.1 循环的无老师版）
+### 7.2 辅助：无老师挖错循环
 
 每轮：
-1. **出题**：新种子 5 万任务 + 2000 段模型在环拖拽仿真（目标沿随机曲线移动）。
-2. **闭环作答**：完全按部署方式运行（含模式粘滞，**关闭安全层**以暴露真实错误）。
-3. **验算**：GPU 批量胶囊检查；记录到达、碰撞、行程、摇摆次数。
-4. **错题分类**：E1 撞了 / E2 没到（超时或卡在局部极小）/ E3 绕远（> 1.2× 参考）/ E4 末端精度差 / E5 模式来回切换 ≥ 3 次 / E6 拖拽失稳。
-5. **针对性训练**：错题的起点和目标（以及 ±5 mm / ±3° 的 10 个邻居）加入 APG 的采样池，按类别加权（E1、E6 ×2）。
-   - 只有 E2（卡在局部极小——可微代价本身解决不了的"需要绕远路"问题）才可选地请老师离线给一条路径做行为克隆补充。这是唯一残留的老师用途，量很小，可以在沙箱慢慢跑。
-6. **门禁**（v2.3：门禁集与 §9 验收集分开造，验收集只在最后用一次）：门禁集闭环到达率上升、三个基准不退化、上一轮修好的错题 95% 仍对；否则回滚。
-7. **停止**：连续 2 轮提升 < 0.5 个百分点，或满 6 轮，或达到 §9 全部标准。
+1. 出题：新种子 5 万任务 + 2000 段模型在环拖拽仿真。
+2. 闭环作答：完全按部署方式运行，**关闭安全层**以暴露真实错误。
+3. 验算：GPU 批量胶囊检查。
+4. 错题分类：E1 撞 / E2 没到（卡在局部极小）/ E3 绕远（> 1.2× 参考）/ E4 末端精度差 / E5 摇摆（≥ 3 次切换）/ E6 拖拽失稳。
+5. 错题及其 ±5 mm / ±3° 的 10 个邻居加入 APG 采样池（E1、E6 ×2）；仅 E2 可离线请老师补少量路径。
+6. 门禁（用门禁集，不用验收集）：到达率上升、A 类每轮降幅 ≤ 0.5 个百分点、上一轮修好的错题 95% 仍对；否则回滚。
+7. 停止：连续 2 轮提升 < 0.5 个百分点，或满 6 轮。
 
 ### 7.3 可选：拒绝采样自蒸馏
 
-对每个任务采样多条闭环轨迹（不同模式、不同温度），只保留验算通过且最短的一条做行为克隆标签——模型自己当老师。适合 APG 收敛后进一步缩短行程。
+每个任务采样多条闭环轨迹，在"验算通过且最小间隙 ≥ 阈值"的样本中取最短的一条做行为克隆标签。门禁：C 类间隙中位数不低于自蒸馏前的 80%，刹停率不升。
+
+### 7.4 可选：ReinFlow 微调
+
+奖励 = 到达 − 刹停次数 − 卡死 − 用时，按左/右绕行分组平衡奖励，防止模式分布被重塑。
 
 ---
 
-## 8. 第五步：无老师闭环部署
+## 8. 部署
 
-### 8.1 每个控制周期做什么（默认 50 Hz）
+### 8.1 执行循环
 
 ```
-每 60 ms 推理一次（v2.3，见 H4；执行仍是 50 Hz，每步 20 ms）:
-  1. 读当前 q（真机读编码器；查看器读当前插补位形）和最新目标（拖拽时每周期都在变）
-  2. 推理一次：一步头 8 条候选（WTA 基线为 4 条）16 步动作块   延迟须 M4 实测
-  3. 按"模式概率 − 切换代价"排序（§8.2）
-  4. 安全层依次检查候选的前 n=3 步（60 ms 的运动）+ 刹停段（§8.3）
-       第一个通过的 → 把这 3 步"提交"给插补器；记下 k_prev
-       （实际上 20 ms 后只走完第 1 步，第 2、3 步是已验证的"缓冲"：
-        下一周期的新结果会覆盖它们；若下一周期推理超时或全部不安全，就沿缓冲 + 刹停段安全停下）
-  5. 全部不通过 → 进入刹停：按已验证的刹停轨迹减速停下，保持；下一周期继续推理
-  6. 到达判据：TCP 误差 < 1 mm（pose 另需 < 0.5°）且速度≈0 → 结束；
-     接近目标（< 5 mm）时可选做 1–3 次局部牛顿精修（solveTo 单步，不是全量 IK）；精修段同样必须通过安全层认证（v2.3）
+执行：50 Hz，每步 20 ms，按已提交步走
+每 60 ms：
+  1. 读当前 q、当前速度、已提交未执行前缀、最新目标
+  2. 推理：一步头 8 条候选（WTA 为 4 条）16 步动作块
+  3. 每条候选做 1–2 步胶囊距离梯度投影（仅 d < 余量时）
+  4. 排序（§8.2）
+  5. 安全层依次认证候选前 3 步 + 刹停段（§8.3），第一个通过的提交给执行器
+  6. 全部不通过 → 沿上一次已认证的刹停段停下，下次继续推理
+  7. 到达：TCP 误差 < 1 mm（pose 另需 < 0.5°）且速度≈0；
+     接近目标（< 5 mm）时做 1–3 次局部牛顿精修（solveTo 单步），精修段同样过安全层认证
 ```
 
-v2.3：**删除插补器交叉淡入/时间集成**（见 H3）。执行的必须就是安全层认证过的那一块；块间连续性由前缀条件和一致性打分保证。"每 20 ms 重推理只执行 1 步"仅作 A/B 对照。
+执行的始终是安全层认证过的那一块，不做新旧块混合。执行时钟放在 Web Worker、按实际 dt 推进，避免 `requestAnimationFrame`（60 Hz）与 20 ms 不整除及后台节流造成的抖动。
 
-### 8.2 模式粘滞（防左右摇摆）
+### 8.2 候选排序（防左右摇摆）
 
-- WTA 基线：排序分数 = log p(k) − c·[k ≠ k_prev]，c 初值 2.0；k_prev 仅对 WTA 头作为输入。
-- 一步头：BID 式一致性打分（见 §6.1A），不使用 k_prev / log p(k)。
+- 一步头：分数 = −Σ w_k‖候选第 k 步 − 已提交块第 k 步‖²（重叠步加权）− λ·价值头剩余代价。
+- WTA 头：分数 = log p(k) − c·[k ≠ k_prev] − λ·价值头剩余代价，c 初值 2.0。
 
 ### 8.3 安全层（唯一的硬保证）
 
-- 检查内容（v2.3 修正，见 H1）：臂×立柱/台架用**距离下界认证**——段两端最小距离之和 > Σ_j r_j·|Δθ_j|（r_j 为每轴实测杠杆上界，J1 约 9.0 mm/°）即判整段安全，否则二分到通过或判不安全；自碰撞对复用 pair2d 杠杆界；外加关节限位。离散 1°+半格检查只作快速预筛，不再作为保证。现有代码口径实为 1.5°+半格，文档原写法有误。
-- **可刹停不变式**：执行前还要检查"从第 3 步末状态按最大减速度（v2.3 新增每轴加速度上限，待真机参数）停下"的刹停段也无干涉。于是任何时候系统都处在"有一条已验证的停车路线"的状态，下一周期就算模型完全失效，也只会停下、不会撞。
-- 耗时（v2.3 重估）：每步主导轴 4–13°，3 步 + 刹停段按离散采样需 13–39 个位形；8 候选最坏 8 × 39 × 1.25 ms ≈ 390 ms（不可接受）→ 实际做法：
-  - 距离认证：每段一次距离查询覆盖整段，不通过才二分，通常 2–6 次查询；
-  - 先用现有包围球预筛（大多数位形直接判安全，见 2026-10-15 记录 collideFree 2.9→1.8 ms）；
-  - 按排序**逐个**检查，第一个通过就停（多数周期只检查 1 条）；
-  - 目标：每周期安全检查 < 5 ms（需在 M6 实测；不达标则把检查放到 Web Worker 与推理流水线并行）。
-- 现有 `ik-glue.js` 的"每帧碰撞守卫"保留，作为第二道保险。
+- **距离下界认证**：对一段运动 q_a → q_b，若两端到障碍的最小距离之和 d(q_a) + d(q_b) > Σ_j r_j·|Δθ_j|（r_j 为每轴实测杠杆上界，J1 约 9.0 mm/°，六轴合计最大约 24.3 mm/°），则整段安全；否则二分，直到全部子段通过或判不安全。臂×立柱/台架用胶囊距离；自碰撞对复用 `pair2d` 杠杆界（J3 3.24、J4 2.54 mm/°）。外加关节限位。
+- 离散采样检查（现有 `pathFine`，1.5° + 半格）只作快速预筛，不作保证依据。
+- **可刹停不变式**：只有当"候选前 3 步 + 从第 3 步末按每轴 a_max 减速到停"整段都通过认证时才提交。任何时候系统都持有一条已认证的停车路线，下一次推理即使完全失效也只会停下。
+- 耗时：每段一次距离查询覆盖整段，不通过才二分（通常 2–6 次）；按排序逐个认证，第一个通过即停；包围球预筛先行。目标每次 < 5 ms，否则放 Web Worker 与推理流水线并行。
+- `ik-glue.js` 的每帧碰撞守卫保留为第二道保险。
 
-### 8.4 部署包里有什么、没有什么
+### 8.4 部署包
 
 | 有 | 没有 |
 |---|---|
-| `traj_v2.onnx`（fp16，约 8.3 MB：4.13M 参数 × 2 B）+ `norm.json` | PRM 路网（`collide.json.roadmap`）、IK 候选大表 |
-| 胶囊碰撞检查（现有 `collideFree`、包围球预筛、`pair2d` 表） | `solveDyn` / `routeRT` / RRT / A* |
-| 正运动学 `fk` / `orient`、局部牛顿精修 `solveTo` 单步 | 全量 IK 枚举 |
+| `traj_policy.onnx`（fp16，约 8.3 MB）+ `norm.json` | PRM 路网、IK 候选大表 |
+| 胶囊距离与认证（`collideFree`、包围球预筛、`pair2d`） | `solveDyn` / `routeRT` / RRT / A* |
+| `fk` / `orient`、局部牛顿精修 `solveTo` 单步 | 全量 IK 枚举 |
 
-`collide.json` 指纹写进模型；不一致时前端**拒绝运行并提示重训**（不再回落旧规划器）。
+`collide.json` 指纹写进模型；不一致时前端拒绝运行并提示重训。
 
-### 8.5 为什么会"超时"，以及无老师怎样做到 30/30
+### 8.5 near_column 30/30 的保障手段
 
-**超时不是算得慢。** 模型每周期只要几毫秒，比原规划器快得多；"超时"指的是**机械臂在规定时间内没走到目标**，是决策错了，不是计算慢了。无老师闭环下有三种典型情形：
+"超时"指机械臂在规定时间内没走到目标，是决策问题而非计算速度问题。典型失效：局部极小/活锁（每次都想直穿、每次被安全层挡住）、左右摇摆、绕远。对策（运行时均不需要老师）：
 
-| 失效形态 | 现象 | 为什么更快的推理救不了 |
-|---|---|---|
-| 局部极小 / 活锁 | 目标在立柱背后，策略每周期都想"直着过去"，安全层每周期都刹停，原地抖动 | 每周期都做同样的错误决定，算得再快也只是更快地重复 |
-| 模式摇摆 | 这一周期选左绕、下一周期选右绕，来回切换，进度为零 | 同上 |
-| 绕远 | 选了一条可行但很长的路，在时限内走不完 | 方向对了但路线差 |
+1. **子目标头**：给出 1–2 个关节途经点作为绕柱方向锚点，标签取老师路径拐点（离线）。
+2. **价值头**：预测剩余时间/代价，用于候选打分与进展判断；APG 中用 TD 自举监督。
+3. **短前瞻**：对每条候选再推一块，用胶囊认证 + 价值头给 32 步后终态打分。
+4. **卡死检测 + 强制换向**：0.3 s 内价值不降或连续 2 次刹停 → 切到另一绕行方向并锁定 1 s。
+5. **训练侧加强**：贴柱类占 APG 采样 40%；展开覆盖整段绕行；贴柱任务做拒绝采样自蒸馏。
 
-原规划器不会这样，是因为它做**全局搜索**（PRM + A*）。去掉老师后，全局"想清楚往哪绕"这件事必须由模型自己承担。v2.1 用五个手段（全部在运行时不需要老师）把 near_column 要求提到 **30/30**：
+### 8.6 控制周期
 
-1. **全局子目标头（分层）**：模型在冷启动（新目标到达的第一个周期）额外输出 1–2 个途经点（关节空间），作为"绕柱方向"的锚点；之后每周期的动作块以"当前子目标"为条件，到达子目标后切到下一个。训练标签直接取自老师路径的拐点（离线已有）。这相当于把老师的全局搜索结果蒸馏成一次前向。
-2. **价值头（剩余代价估计）**：模型额外预测"从这个状态到目标还要多少时间"。APG 展开时有真实值可监督，不需要老师。部署时用它给 K 个模式打分，并作为"有没有进展"的判据。
-3. **短前瞻选模式**：每次推理对候选（WTA 4 条 / 一步头 8 条）各自再往前推一块（共 2 次批量前向，延迟待实测），用 胶囊碰撞 + 价值头 给 32 步后的终态打分，选最好的。比只看第一块的概率更能避开"走两步就撞墙"的分支。
-4. **卡死检测 + 强制换向**：0.3 s 内价值头没有下降、或连续 2 个周期刹停 → 判定卡死，强制切到另一个绕行方向（另一个子目标/模式）并锁定 1 s（防止又切回来）。规则很简单、确定性、可测试。
-5. **训练侧针对性加强**：贴柱类任务在 APG 采样里占 40%；APG 展开长度覆盖整段绕行（约 3 s = 150 步 = 50 次推理，分段截断反传）；对贴柱任务做拒绝采样自蒸馏（§7.3），模型自己成功的路线成为新标签。
+伺服层（参考）：Franka FCI 1 ms；UR e-Series 2 ms、CB3 8 ms；ABB EGM 4 ms（滞后 10–20 ms）；KUKA RSI 4/12 ms；FANUC DPM 约 8 ms；MoveIt Servo 默认 10 ms；RC 舵机 20 ms。
 
-验收相应改为（§9.2）：near pos / near rt 都必须 **30/30**，且到达用时 ≤ 老师路径动画时长 × 1.3。
+策略层（参考）：MπNets 9 Hz；Diffusion Policy 10 Hz、预测 16 执行 8；ELMP 30 Hz；π0 50 Hz、约每 0.5 s 推理一次；DRP 300 Hz。业界均为"策略层 10–50 Hz + 伺服层 125 Hz–1 kHz"两层结构。
 
-### 8.6 控制周期：业界案例与评估
-
-**工业臂 / 研究臂的外部实时接口（伺服层）**
-
-| 产品 / 接口 | 周期 | 说明 |
-|---|---|---|
-| Franka FCI（libfranka） | **1 ms（1 kHz）** | 关节位置/速度/力矩、笛卡尔位姿；每周期往返 + 计算必须 < 1 ms |
-| Universal Robots e-Series RTDE | **2 ms（500 Hz）** | `servoj` 默认 t = 0.002 |
-| Universal Robots CB3 RTDE | **8 ms（125 Hz）** | `servoj` 默认 t = 0.008 |
-| ABB EGM | **4 ms（250 Hz）**，可设为 4 ms 的整数倍 | 控制滞后 10–20 ms（随机型） |
-| KUKA RSI | **4 ms**（Fast）或 **12 ms**（Normal） | |
-| FANUC DPM | 约 **8 ms** | R-30iB 无 1–2 ms 通道 |
-| MoveIt Servo（ROS 2） | 默认 **10 ms**（新版）；旧版示例 34 ms | 常设为 ros2_control 更新频率的倒数（如 50 Hz → 20 ms） |
-| 舵机（RC PWM） | **20 ms（50 Hz）** 帧周期 | 数字舵机可到更高帧率 |
-
-**学习型策略的推理周期（策略层）**
-
-| 方法 | 策略频率 | 动作块 | 执行方式 |
-|---|---|---|---|
-| MπNets | 9 Hz | 单步 | 线性插值，1 kHz PD 跟踪 |
-| Diffusion Policy | 10 Hz | 16 步 | 线性插值到 125 Hz 交给 UR5 |
-| ELMP | 30 Hz（真机） | 单步 Δq | 每步 3 个航点线性插值给 Franka 位置控制器 |
-| π0 | 50 Hz 动作，约每 0.5 s 推理一次 | 50 步（1 s） | 执行 25 步后重算 |
-| ACT | 50 Hz | 100 步 | 时间集成 |
-| DRP / IMPACT | 可跑 300 Hz（4090） | 10 步 | 闭环 |
-
-**结论：业界一律是"两层"结构**——策略层 10–50 Hz（少数到 300 Hz）给出关节目标，伺服/插补层 125 Hz–1 kHz 负责平滑跟踪。没有人让神经网络直接跑 1 kHz 伺服环。
-
-**对本方案的评估：**
-
-1. **策略层 50 Hz（20 ms）合适**：与 π0、ACT 同档，高于 ELMP 的 30 Hz 和 MπNets 的 9 Hz；我们模型小（3–4 M）、无点云，v2.3：推理每 60 ms 一次（执行仍 50 Hz），推理 + 安全 < 20 ms 为目标，须实测。浏览器 rAF 为 60 Hz、与 20 ms 不整除且后台标签页会节流，执行时钟放 Web Worker、按实际 dt 插值。
-2. **"提交 3 步（60 ms）"合适，且应按刹停距离定**：它的作用是给推理抖动和通信滞后留缓冲。ABB EGM 自身就有 10–20 ms 滞后；60 ms 足以覆盖一次推理超时 + 一次滞后。真机上应改成规则：提交步数 n ≥ ⌈(通信滞后 + 1 次推理最坏耗时) / 20 ms⌉ + 1，且刹停段另行验证。
-3. **伺服层不归本方案管，但要匹配**：策略输出 50 Hz 关节目标，由插补器升采样到电机控制器的频率（舵机 50 Hz 直接用；总线舵机/步进/FOC 驱动通常 ≥ 250 Hz–1 kHz，做三次样条插值）。
-4. **做成可配置**：`dt`（默认 20 ms）、提交步数 n（默认 3）、动作块长度 S（默认 16 = 320 ms）。训练数据按 dt = 20 ms 生成；若真机必须改到 10 ms（100 Hz），只需把动作块重采样，或用 dt = 10 ms 重造数据（约 5 小时）。
-5. 你的电机/驱动型号确定后，按第 2、3 条把 n 和插补频率定下来。
+本方案：执行 50 Hz、每 60 ms 推理一次、提交 3 步。真机上提交步数 n ≥ ⌈(通信滞后 + 一次推理最坏耗时) / 20 ms⌉ + 1，刹停段另行认证；策略输出 50 Hz 关节目标，由插补器升采样到电机控制器频率。`dt`、n、动作块长度均可配置。
 
 ---
 
-## 9. 第六步：评估与验收
+## 9. 评估与验收
 
 ### 9.1 测试集合
 
-| 集合 | 来源 |
-|---|---|
-| route_bench | `tests/route_bench.cjs`，60 例 |
-| near_column_bench | `tests/near_column_bench.cjs`，30 例（pos / pose / rt） |
-| rt_drag_bench | `tests/rt_drag_bench.cjs`，12 例（改为模型在环逐周期运行） |
-| held-out | §4.3 留出 2000 条 |
+| 集合 | 来源 | 用途 |
+|---|---|---|
+| route_bench | `tests/route_bench.cjs`（40 例）+ 60 例随机基准 | 验收 |
+| near_column_bench | `tests/near_column_bench.cjs`，30 例（pos / pose / rt） | 验收 |
+| near_column 扩展 | §4.3 新造 ≥1000 例 | 一次性验收 |
+| rt_drag_bench | `tests/rt_drag_bench.cjs`，12 例（模型在环） | 验收 |
+| held-out | §4.3 2000 条 | 一次性验收 |
+| 门禁集 | §4.3 2000 条 | 训练中门禁，不参与验收 |
 
-新增 `tests/policy_bench.cjs`：①现有规划器 ②策略（关安全层）③策略 + 安全层（部署形态），输出对比表。
+新增 `tests/policy_bench.cjs`：①现有规划器 ②策略（关安全层）③策略 + 安全层，输出对比表。
 
 ### 9.2 验收标准（部署形态 = 策略 + 安全层）
 
-| 指标 | 要求 | 现状参考 |
+| 指标 | 要求 | 现有规划器 |
 |---|---|---|
-| 实际执行的碰撞帧 | **= 0**（以距离认证或 0.01° 审计测量，不用离散 1° 检查） | rt_drag_bench 0 |
-| 到达率 | route **60/60**，near pos **30/30**，near rt **30/30**，**另造 ≥1000 例 near_column 一次性验收集 0 失败**；held-out（分母只算可达任务）≥ 98%，D 类另考停靠距离 ≤ 老师 + 5 mm | 60 例随机基准（沙箱 bench.cjs）有效 60/60；**仓库 `tests/route_bench.cjs`（40 例）在 `3c7c814` 上重跑：到达 40/40、细验有效 39/40**（1 例到达但路径细验不过，2026-10-17 21:28 实测）；near 30/30、30/30 |
-| 到达用时 | ≤ 老师同任务路径动画时长 × 1.3 | — |
-| 关节行程 | ≤ 现有规划器 × 1.10 | route 平均 467° |
-| 冷启动（新目标→第一个动作） | < 10 ms | 首次全量 IK 最差约 2 s |
-| 每次推理（每 60 ms）耗时（推理+安全层）P99 | < 20 ms | 拖拽重规划 P99 约 321 ms |
-| 刹停发生率 | < 2% 的周期 | — |
-| 模式摇摆（≥3 次切换）| < 1% 的任务 | — |
-| 策略单独（关安全层）碰撞率 | < 3%（参考：ELMP-APG 8.9%，DRP 10.16%） | — |
+| 实际执行的碰撞 | **= 0**（距离认证或 0.01° 审计测量） | rt_drag_bench 0 |
+| 到达率 | route 全部可达例到达；near pos **30/30**、near rt **30/30**；near_column 扩展集 **0 失败**；held-out 可达任务 ≥ 98%，D 类停靠距离 ≤ 老师 + 5 mm | `route_bench` 40 例：到达 40/40、细验有效 39/40；60 例随机基准有效 60/60；near 30/30、30/30 |
+| 到达用时 | ≤ 老师路径时长 × 1.3 | — |
+| 关节行程 | ≤ 现有规划器 × 1.10（按类别分别报告） | 60 例平均 467° |
+| 冷启动 | < 10 ms | 首次全量 IK 最差约 2 s |
+| 每次推理 + 安全认证 P99 | < 20 ms | 拖拽重规划 P99 约 321 ms |
+| 刹停发生率 | < 2% 的推理周期 | — |
+| 模式摇摆（≥3 次切换） | < 1% 的任务 | — |
+| 策略单独（关安全层）碰撞率 | < 3% | — |
 
-说明：v2 曾提议 near_column 允许 29/30，用户否决（2026-10-17）。为保证 30/30，部署侧加入子目标头、价值头、短前瞻和卡死换向（§8.5）。
+说明：30 例全对时，失败率的 95% 置信上界约 9.5%；扩展集 1000 例 0 失败时约 0.3%，因此以扩展集作为 30/30 的统计支撑。
 
 ---
 
-## 10. 风险与维护
+## 10. 当前存在的问题与风险
 
-1. **局部极小**：可微代价和闭环策略都可能卡在立柱前"想直穿过去又被安全层挡住"。对策：B/C 类数据加权、模式头学左右绕、E2 错题少量老师补数据（§7.2）。这是无老师方案最大的风险。
-2. **碰撞模型/立柱变动 = 重训**：指纹不一致即拒绝运行。重训流程：§4（约 5 h）→ §6（约 1.5–5.6 h，以 2000 步吞吐实测为准）→ §7（约 2–4 h）。
-3. **安全层耗时**：最坏周期可能超 5 ms，见 §8.3 的流水线方案。
-4. **老师缺陷**：`ci27` 姿态根枚举漏分支（姿态偏差约 97.5°）会进入预训练数据；APG 的姿态到达项可以部分纠正，必要时先修老师。
-5. **真机迁移**：浏览器的"执行"是理想插补；真机需加速度/力矩限制（TOPP 类时间参数化）和跟踪误差余量（把 margin 再加大）。
+### 10.1 只能靠实测消除的风险（按里程碑顺序）
+
+| # | 风险 | 门禁（不过不进下一步） | 回退 | 何时测 |
+|---|---|---|---|---|
+| R1 | 老师左右绕行不一致，标签自相矛盾 | 同任务 5 种子同伦类一致率 ≥ 90% | 固定"最短同伦类"偏好，或改用 PRM 路网 A* 作老师 | M1 |
+| R2 | 时间律仍有不可观测成分，闭环起不了步 | 近邻样本标签方差 < 10% 步长；起步失败率 = 0 | 进一步把剩余路程估计加入输入 | M1 / M5 |
+| R3 | 距离认证过于保守，贴柱处拒绝率高，影响 30/30 | near_column 上认证拒绝率统计；离线 10⁵ 段 0.01° 审计漏检 = 0 | 训练余量提高到 3–6 mm，接受行程变长；收紧杠杆界（按位形分区） | M2 / M7 |
+| R4 | 浏览器推理延迟：WebGPU 每次调度 33–67 μs，8 层 Transformer 约 150–300 次调度 | M4 后立即导出 ONNX，在目标浏览器测 batch=8（含前瞻 16）P99 | wasm-SIMD 多线程；去掉前瞻；减小模型 | **M4（最大不确定项）** |
+| R5 | 一步生成头在 6 轴、位姿目标下不如 WTA，或训练不稳 | M5 A/B：穿柱率、到达率、摇摆率 | 部署 WTA 头 | M5 |
+| R6 | 位姿目标的多 IK 分支带来额外多峰 | 不同肘/腕分支子集到达率 ≥ 主集 − 2 个百分点 | 加目标分支标志 | M5 |
+| R7 | APG 压缩多模态或拉长路径（ELMP 中路径 +23%） | 每轮左右比例与行程门禁 | 加大 BC 锚定权重；行程项 | M6 |
+| R8 | 卡死换向活锁 | 50 个"两侧都要绕远"对抗用例 3 s 内恢复 ≥ 95%，活锁 = 0 | 子目标改为离散绕行锚点分类 | M6 / M7 |
+| R9 | 安全层贴柱时耗时超标 | near_column 全程 P99 < 5 ms | Web Worker 流水线；提交步数降到 2 | M7 |
+| R10 | 训练耗时估计偏差 | 2000 步吞吐 ≥ 2 万样本/s | 降 epoch 或增大 batch | M5 |
+
+### 10.2 已知缺陷
+
+1. 现有规划器（老师）在 `tests/route_bench.cjs` 上有 1/40 例到达但路径细验不过；§4.4 的认证过滤会丢弃这类样本。
+2. `ci27` 姿态根枚举漏分支（姿态偏差约 97.5°）会影响 pose 数据；APG 姿态项可部分纠正，必要时先修老师。
+3. 胶囊模型或立柱变动即需重训：数据约 5 h + 预训练 1.5–5.6 h + 后训练 2–4 h。
+
+### 10.3 需要用户确认
+
+1. **真机电机/驱动型号与通信方式**：决定每轴加速度上限 a_max、插补频率与提交步数。
+2. **运行时多候选打分是否算"运行时老师"**：本方案的理解是不算（只对模型自己的候选做距离认证和打分，不做搜索）。
 
 ---
 
@@ -589,15 +475,16 @@ ml/
   gen/        gen_dataset.cjs  sampler.cjs  run_parallel.sh
   data/       （不入库）shard_*.jsonl  stats.json  *.parquet  norm.json
   prep/       build_dataset.py
-  model/      policy_transformer.py
-  sim/        closed_loop.py          # 闭环仿真（训练验证、挖错、APG 展开共用）
+  model/      policy_transformer.py   # 一步生成头 + WTA 头
+  sim/        closed_loop.py          # 闭环仿真（验证、挖错、APG 共用）
   eval/       collide_torch.py        # 可微胶囊距离，与 JS 对拍
   apg/        apg_finetune.py
   mining/     mine_round.py  gate.py  loop.sh
+  toy/        toy_bimodal.py          # 2D 双模态对照实验
   configs/    base.yaml  apg.yaml
   train.py  export_onnx.py  README.md
-webapp/js/ik-policy.js               # 闭环推理 + 模式粘滞 + 安全层 + 刹停
-webapp/models/traj_v2.onnx  traj_v2.norm.json
+webapp/js/ik-policy.js               # 闭环推理 + 排序 + 安全认证 + 刹停
+webapp/models/traj_policy.onnx  traj_policy.norm.json
 tests/policy_bench.cjs
 ```
 
@@ -605,29 +492,36 @@ tests/policy_bench.cjs
 
 | # | 内容 | 产出 | 在哪跑 |
 |---|---|---|---|
-| M1 | 数据生成器 + 时间参数化 + 1000 条试跑 | `ml/gen/*`、stats.json | 沙箱 |
-| M2 | 可微胶囊距离（PyTorch）与 JS 对拍 | `collide_torch.py`，10 万位形 0 误差 | 沙箱（CPU 即可） |
-| M3 | 5 万条老师数据 → 约 300 万闭环样本 | Parquet | 沙箱约 5 h 或用户机器 |
-| M4 | 模型 + 训练工程 + 闭环仿真；小数据过拟合测试 | `train.py`、`closed_loop.py` | 沙箱 CPU 验证可跑 |
-| M5 | 预训练（行为克隆） | checkpoint | **用户 GPU** |
-| M6 | APG 微调 + 挖错循环 3–6 轮 | 每轮 report.md | **用户 GPU** |
-| M6b | （可选）ReinFlow 强化学习微调：奖励 = 到达 − 刹停次数 − 卡死 − 用时 | 对比 M6 | **用户 GPU** |
-| M7 | 导出 ONNX + `ik-policy.js` 闭环部署 + 安全层实测 + `policy_bench` | 对比表 | 沙箱 + 浏览器 |
-| M8 | 移除查看器里对 `solveDyn`/`routeRT`/路网的运行时依赖（保留在 `ml/gen` 离线使用） | 部署包瘦身 | 沙箱 |
+| M1 | 数据生成器 + 时间律 + 1000 条试跑；老师一致性门禁 | `ml/gen/*`、stats.json | 沙箱 |
+| M2 | 可微胶囊距离（PyTorch）与 JS 对拍；距离认证实现与 10⁵ 段审计 | `collide_torch.py`、认证模块 | 沙箱 |
+| M3 | 5 万条老师数据 → 约 200 万样本 | Parquet | 沙箱约 5 h 或用户机器 |
+| M4 | 模型（两种头）+ 训练工程 + 闭环仿真；小数据过拟合；**导出 ONNX 测浏览器延迟** | `train.py`、`closed_loop.py`、延迟报告 | 沙箱 + 浏览器 |
+| M5 | 预训练；一步头 vs WTA A/B | checkpoint、A/B 报告 | 用户 GPU |
+| M6 | APG 微调 + 挖错循环 3–6 轮 | 每轮 report.md | 用户 GPU |
+| M6b | （可选）ReinFlow 微调 | 对比 M6 | 用户 GPU |
+| M7 | `ik-policy.js` 闭环部署 + 安全层实测 + `policy_bench` + 一次性验收 | 对比表 | 沙箱 + 浏览器 |
+| M8 | 移除查看器对 `solveDyn`/`routeRT`/路网的运行时依赖（保留在 `ml/gen` 离线使用） | 部署包瘦身 | 沙箱 |
 
 ## 13. 参考文献
 
-- Fishman et al., *Motion Policy Networks*, CoRL 2022. https://arxiv.org/abs/2210.12209 ；闭环细节见补充材料 https://proceedings.mlr.press/v205/fishman23a/fishman23a-supp.pdf
-- Dalal et al., *Neural MP: A Generalist Neural Motion Planner*, 2024 / IROS 2025. https://arxiv.org/abs/2409.05864
-- Yang, Liu et al., *Deep Reactive Policy: Learning Reactive Manipulator Motion Planning for Dynamic Environments*, CoRL 2025. https://arxiv.org/abs/2509.06953
-- Fishman et al., *Avoid Everything: Model-Free Collision Avoidance with Expert-Guided Fine-Tuning*, CoRL 2024 Workshop（DRP 文中引用为 MπFormer）
-- Li et al., *ELMP: Efficient Learning for Motion Planning via Analytical Policy Gradients*, arXiv 2607.00215, 2026. https://arxiv.org/abs/2607.00215
-- 控制周期：Franka FCI https://frankarobotics.github.io/docs/overview.html ；UR RTDE https://www.universal-robots.com/articles/ur/interface-communication/remote-control-via-tcpip ；ABB EGM 应用手册 3HAC073318；KUKA RSI https://docs.quanser.com/quarc/documentation/kuka_rsi_block.html ；MoveIt Servo servo_parameters.yaml；Diffusion Policy https://arxiv.org/abs/2303.04137 ；π0 https://arxiv.org/abs/2410.24164 ；实时动作块执行 https://arxiv.org/abs/2506.07339
-- 前沿生成式策略（v2.2）：π0 https://arxiv.org/abs/2410.24164 ；π0.5 https://arxiv.org/abs/2504.16054 ；知识隔离 https://arxiv.org/abs/2505.23705 ；FAST https://arxiv.org/abs/2501.09747 ；MP1 https://arxiv.org/abs/2507.10543 ；OFP https://arxiv.org/abs/2603.12480 ；条件 OT 流策略 https://proceedings.mlr.press/v305/sochopoulos25a.html ；Consistency Policy https://arxiv.org/abs/2405.07503 ；OneDP https://proceedings.mlr.press/v267/wang25ba.html ；MPD https://arxiv.org/abs/2308.01557 ；EDMP https://arxiv.org/abs/2309.11414 ；GPD https://arxiv.org/abs/2501.18229 ；DiffusionSeeder https://arxiv.org/abs/2410.16727 ；RTC https://arxiv.org/abs/2506.07339 ；DPPO https://arxiv.org/abs/2409.00588 ；ReinFlow https://arxiv.org/abs/2505.22094
-- Ross, Gordon, Bagnell, *A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning*（DAgger），AISTATS 2011
-
-## 14. 需要用户确认
-
-1. ~~训练机显卡~~：已定 RTX 3090 24 GB。
-2. ~~near_column 29/30~~：已否决，要求 30/30（§8.5）。
-3. 控制周期：按 §8.6 评估保持策略层 50 Hz、提交 3 步；**请告知真机电机/驱动类型与通信方式**，用于确定插补频率和提交步数。
+- MπNets：https://arxiv.org/abs/2210.12209
+- Neural MP：https://arxiv.org/abs/2409.05864
+- Deep Reactive Policy / IMPACT：https://arxiv.org/abs/2509.06953
+- ELMP：https://arxiv.org/abs/2607.00215
+- Diffusion Policy：https://arxiv.org/abs/2303.04137
+- π0：https://arxiv.org/abs/2410.24164 ；π0.5：https://arxiv.org/abs/2504.16054
+- FAST：https://arxiv.org/abs/2501.09747
+- MP1 / MeanFlow：https://arxiv.org/abs/2507.10543
+- One-Step Flow Policy：https://arxiv.org/abs/2603.12480
+- 条件 OT 流策略：https://proceedings.mlr.press/v305/sochopoulos25a.html
+- Kinematic MeanFlow：https://arxiv.org/abs/2610.00864
+- Consistency Policy：https://arxiv.org/abs/2405.07503 ；OneDP：https://arxiv.org/abs/2410.21257
+- MPD：https://arxiv.org/abs/2308.01557 ；EDMP：https://arxiv.org/abs/2309.11414 ；GPD：https://arxiv.org/abs/2501.18229 ；DiffusionSeeder：https://arxiv.org/abs/2410.16727
+- Real-Time Chunking：https://arxiv.org/abs/2506.07339 ；训练时动作条件化：https://arxiv.org/abs/2512.05964
+- Bidirectional Decoding（BID）：https://arxiv.org/abs/2408.17355
+- DPPO：https://arxiv.org/abs/2409.00588 ；ReinFlow：https://arxiv.org/abs/2505.22094
+- Schwarzer, Saha, Latombe, *Adaptive Dynamic Collision Checking for Single and Multiple Articulated Robots in Complex Environments*, IEEE T-RO 2005
+- Thumm & Althoff, *Provably Safe Deep Reinforcement Learning for Robotic Manipulation in Human Environments*, ICRA 2022
+- Zhou et al., *On the Continuity of Rotation Representations in Neural Networks*, CVPR 2019
+- AWE（航点提取）：https://arxiv.org/abs/2307.14326 ；SHAC：https://arxiv.org/abs/2204.07137
+- 控制周期：Franka FCI https://frankarobotics.github.io/docs/overview.html ；UR RTDE https://www.universal-robots.com/articles/ur/interface-communication/remote-control-via-tcpip ；ABB EGM 应用手册 3HAC073318；KUKA RSI https://docs.quanser.com/quarc/documentation/kuka_rsi_block.html

docs/方案逐项核查报告.md

@@ -1,953 +0,0 @@
-# 方案逐项核查报告（v2.3 证据附录）
-
-> 2026-10-17。**这是修复前的审查记录**（问题 + 证据 + 建议），不是修复结果。修复已落在《Transformer轨迹拟合训练方案》v2.3.1 正文，状态表见其 §0A.5。
-
-
----
-
-# 一、§4–§9 逐项核查与内部不一致
-
-## 《Transformer 避障运动策略：无老师闭环部署方案 v2.2》§4–§9 可行性逐项核验
-
-> 撰写：2026-10-17。审查对象：`/workspace/work/Robot_Arm/docs/Transformer轨迹拟合训练方案.md`（v2.2，基于 `main@3c7c814`）。
-> **范围**：§4–§9 中除"动作头选型（一步流/MeanFlow/WTA）、代价引导、RTC/前缀条件、APG/ReinFlow/DPPO 本身"之外的全部方案（那几项由其他报告负责：`guidance_rtc.md`、`finetune_alternatives.md`、`onestep.md`）。涉及它们的地方只核对**接口与数字是否自洽**。
-> **判定口径**：有充分证据 = 有论文/系统在相近设定下做过且给出数字；有部分证据 = 做过但设定差异大，或只证明了一部分；仅推断 = 无直接文献，靠推理；有反证 = 文献或本仓库数据直接与方案说法冲突。
-> **标注**：【原文】= 已抓取全文并定位章节/表号；【仓库】= 本仓库代码/文档/本次实测；【推断】= 我的推理；【未抓取】= 背景知识，未在本次全文中核实。
-> 全文与抽取文本存放：`/workspace/work/out/survey/src_v/`（本报告新抓取）与 `/workspace/work/out/survey/src/`（其他报告已抓取的 DRP/ELMP 等）。杠杆臂实测脚本：`/workspace/work/out/survey/src_v/lever.cjs`。
-
----
-
-### 0. 结论速览
-
-**整体判断**：§4–§9 的大框架（老师离线造数据 → 切成"状态→动作块"做行为克隆 → 无老师后训练 → 闭环滚动执行 + 安全层）有充分的同类先例（MπNets、DRP/IMPACT、ELMP）。但有 **4 个硬伤**必须在写代码前改掉，否则验收标准无法成立：
-
-1. **安全层的"保证"不成立（有反证）**：§8.3 用 1°（+半格）离散采样 + 0.3 mm 余量做检查。本次实测本机械臂各关节杠杆：TCP 每度最大位移 J1 9.0 mm、J2 6.9 mm、J3/J4 4.2 mm、J5 2.3 mm，六轴同时动 1°（L∞）时最多 24.3 mm。即便 0.5° 间距，两采样点之间某点可偏离最近采样位形约 6 mm，远大于 0.3 mm 余量。仓库自己的报告也记录了"贴立柱时薄薄一层干涉整个夹在采样点之间"以及 0.28 mm 的残余侵入。"碰撞帧 = 0"目前只是"在离散检查口径下 = 0"。
-2. **时间参数化会产生非马尔可夫标签（有反证）**：§4.5 沿用 `animTo`：整条折线一次全局 smoothstep，总时长按路径长度缩放，并夹在 [372 ms, 2170 ms]。于是同一 (q, 目标) 状态下，标签速度取决于"整条路径有多长、走到了第几成"，而这两样输入里都没有。起步段 Δq≈0，闭环每 20 ms 只执行第 1 步，可能**永远起不了步**。Diffusion Policy 报告过单步策略在"停顿动作"上过拟合、卡住的现象；MπNets 专门把老师路径重定时为匀速。
-3. **§8.1 的插补器交叉淡入/时间集成与安全层矛盾（有反证）**：实际执行的是两块的混合，不是安全层检查过的那 3 步。左绕块与右绕块平均后可能正好穿过立柱。BID 与 π0 都报告时间集成在多模态下会掉性能（π0 早期试过后放弃）。
-4. **训练/部署口径不一致**：APG 每次迭代执行 3 步（60 ms）再推理，部署是每 20 ms 推理、只走 1 步；"H=60 周期≈1.2 s"按 3 步/周期算其实是 3.6 s；§8.5 又写 150 周期≈3 s。此外，K=4（§5/§6.1/§8.1/§8.3/§8.5）与流匹配头的 K=8 候选（§6.1A）在多处混用。
-
-**30/30 的统计含义**：30 次全对，失败率 95% 单侧置信上界约 9.5%（实算 1−0.05^(1/30)=0.095）。而且这 30 例在 §7.2 每轮门禁里都被用来挑模型，存在选择偏差。30/30 不能证明"无老师也可靠"。
-
----
-
-### 1. 总表
-
-| # | § | 方案（一句话） | 最佳证据（详见 §2） | 判定 | 主要残余风险 | 门禁测试（本仓库） / 不过时的回退 |
-|---|---|---|---|---|---|---|
-| 1 | §4.1–4.3 | 用 `solveDyn` 离线造 5 万条任务（A45/B30/C15/D10，pos/pose 各半） | MπNets 3.27M 问题、DRP 10M 条、ELMP 60 万/1 万条【原文】；ELMP：1 万条+APG 胜 60 万条纯 BC | 有部分证据 | 老师是采样式（Lazy RRT-Connect+随机捷径），**一致性差**。MπNets 用全局规划器做老师时碰撞率 13.78%，换一致的混合老师降到 0.94% | 门禁：同一任务换 5 个种子跑老师，同类任务左右绕选择一致率 ≥ 90%、行程 CV < 10%。不过就改用确定性种子 + 固定绕行偏好（如"先选行程最短的同伦类"），或用 PRM 路网 A* 作老师（确定、最短） |
-| 2 | §4.3 D 类 | 目标不可达时，标签 = 停在离目标最近的安全位形（停靠） | DRP 加了"目标被挡→停在最近安全处"的数据（原文 §1 表述，具体数据量未核） | 有部分证据 | "最近安全位形"不唯一、不连续：目标移动 1 mm，停靠点可能跳到立柱另一侧 → 拖拽中抖动 | 门禁：rt_drag_bench 中目标扫过立柱时，停靠点 TCP 连续性（相邻 20 ms 跳变 < 5 mm）。不过就给停靠标签加连续性正则（选与上一停靠点最近的候选） |
-| 3 | §4.4 | 路径 1° 细验+半格复验过滤；行程>1.5×routeRT 先统计 | MπNets 拒收撞、超限、高 jerk、末端偏 >5 cm 的轨迹【原文 §4.2】 | 有部分证据 | 同一离散检查口径（见 #19）；过滤阈值未定 | 门禁：被丢弃率按类别统计（C 类丢弃率 > 20% 说明老师在贴柱场景不可靠）。回退：贴柱类改用 0.25° 细验 + 距离下界认证 |
-| 4 | §4.5 ① | 按 `animTo`（VREL 轴速比 + 全局 smoothstep + 总时长夹取）把路径时间参数化成 20 ms 步 | MπNets："fit a spline and retime it to have steady velocity"【原文 App/§4.2】；DP："单步策略容易过拟合停顿动作，BC-RNN、IBC 在真机上会卡住"【原文 §3】 | **有反证** | ① 标签速度取决于整条路径长度与进度，输入里看不到 → 非马尔可夫；② 起步/收尾 Δq≈0 → 闭环"起不了步"；③ 每步最多约 4.4°（J1）～13°（J6），远大于安全层预算假设 | 门禁：标签一致性测试——在 (q, 目标) 近邻（关节 <0.5°、目标 <2 mm）内比较 16 步标签的方差，要求 < 每轴步长的 10%。同时跑 1000 个 held-out 闭环，"10 个周期内 TCP 位移 < 1 mm"的起步失败率 = 0。不过就改为**局部可观测**的时间律：匀速巡航 + 只按"剩余路程"决定的梯形减速；或把当前速度 q_t−q_{t−1} 作为输入 |
-| 5 | §4.5 ② | 每 3 步取 1 个样本，标签 = 未来 16 步 Δq（相对 q_t，到终点补零） | DRP：10 步关节增量、MSE、转绝对目标【原文 §3.1】；DP：位置式动作块明显优于速度式【原文 §4.2】 | 有充分证据（表示本身） | 补零 = 大量"停住"标签，到达附近可能早停；样本数估计偏高（见不一致 I2） | 门禁：`stats.json` 统计每条路径的实际样本数，以及补零样本占比（> 30% 需降权） |
-| 6 | §4.5 ④ | "路径后缀天然覆盖从半路出发，等于免费的 DAgger 种子" | DAgger（Ross 2011）的核心正是：BC 只在老师状态上训练，误差随时域二次累积；必须在**学生自己访问的**状态上取标签【未抓取，背景】；MπNets："单步训练、递归推理，累积噪声等价协变量偏移"，用关节角高斯噪声增广【原文 §3.4】；DART：在老师演示中注噪，比 BC 平均提升 62%【原文摘要】 | **有反证**（说法错误） | 后缀仍是老师轨迹上的状态，不是偏离状态；不能替代 DAgger | 门禁：闭环 vs 开环误差对比——held-out 上"闭环到达率 − 单步回放准确率"的差距。回退/缓解：① 输入加关节噪声（σ≈0.5–1°）+ 由老师离线重标（允许，老师只在离线）；② 依赖 §7 的 APG/挖错补偏移 |
-| 7 | §5.1 | 关节 sin/cos(12) + 限位轴归一化(3) + TCP 位置与 6D 姿态 + 目标 + 差值 + 模式 + k_prev + 8 个胶囊距离 | 6D 旋转：连续表示，不连续表示的平均误差最高达 6–14 倍【原文 Zhou 2019 §1】；MπNets 关节归一化到 [−1,1]【原文 §3.1】；ELMP 目标 12 维（位置+展平旋转矩阵）【原文 §IV】 | 有部分证据 | ① k_prev one-hot 对流匹配头无意义；② 缺子目标、前缀、速度输入（见 I7）；③ 最小距离特征在对子切换处梯度不连续；④ 以位姿为目标时多 IK 分支带来**额外多峰**（不只左/右绕） | 门禁：消融——去掉胶囊距离特征，near_column 闭环到达率差异 ≥ 3 个百分点才保留。IK 多峰门禁：同一目标位姿下不同肘/腕分支的 held-out 子集到达率 ≥ 主集 −2 个百分点；不过就加"目标分支标志"或改为以老师终点关节角为条件（DRP 做法，需离线 IK） |
-| 8 | §5.2/5.3 | 输出 16×6 Δq（按每轴最大步长归一化）；连续轴 `unwrapTo` 统一 | DRP 同类表示【原文】；连续轴展开为本仓库已有实现 | 有充分证据 | 每轴最大步长取决于 #4 的时间律，时间律一改，归一化要跟着改 | 门禁：§6.4 对拍，预处理与部署 unwrap 结果逐位一致（10 万样本 0 差异） |
-| 9 | §6.1 | IMPACT 式编码器-解码器，去掉点云；d=192，4+4 层，约 3–4M 参数 | IMPACT：6+6 层、隐层 128、FFN 1024、8 头、10 个动作 token、4.67M 参数、300 Hz（4090）【原文 App G 表 7】 | 有充分证据（结构）/ 仅推断（去点云后够不够） | 实算参数 ≈ 4.13M（编码 1.77M + 解码 2.36M），略超"3–4M"；浏览器延迟未证（见 #24） | 门禁：M4 小数据过拟合（1000 样本训练损失 → 0）+ M5 后 held-out 闭环到达率 ≥ 95%（APG 前） |
-| 10 | §6.2 | WTA-L1 + CE + FK 胶囊端点损失(0.5) + 二阶平滑(0.05) + 剩余时间 L1(0.1) | ELMP 的 BC 损失 = 动作项 + λ_fk·Σ‖FK_i(q_pred)−FK_i(q_gt)‖（碰撞球中心）【原文 §III-B 式(2)】；DRP 用 MSE【原文】 | 有部分证据 | 只写了 WTA 头的损失；默认的流匹配头没有损失定义（FK 损失加在哪个输出上？），见 I8；权重未调 | 门禁：FK 损失消融，C 类闭环碰撞率（关安全层）下降 ≥ 20% 才保留 |
-| 11 | §6.3 | AdamW(0.9,0.95)、lr 1e-3、bs 1024、bf16、20 万步（"30 epoch"），3090 约 1.5–3 h | DRP：AdamW 同参、bs 512、100 万步、4090 上 3 天（含点云）【原文表 7】 | 仅推断（时间） | **20 万步×1024 = 2.05 亿样本次 ≈ 68 epoch，不是 30**（I1）；WTA 头每样本约 1.0 GFLOP（训练）→ 共 2.0e17 FLOP，3090 实际 10–35 TFLOPS 时需 1.6–5.6 h；流头约 0.5–1.8 h，但 MeanFlow/OFP 有额外前向/JVP 开销 | 门禁：先跑 2000 步测吞吐（样本/秒），据此重算；目标 ≥ 2 万样本/s。不过就降到 30 epoch（8.8 万步）或 bs 2048 |
-| 12 | §6.4 | 胶囊距离 PyTorch 可微版与 JS 对拍 10 万位形 0 误差；每 epoch 1000 任务闭环验证 | 仓库已有"4000/20000 位形与旧实现 0 差异"的对拍惯例【仓库】 | 有充分证据（工程可行） | "0 误差"对浮点距离不现实，应为布尔判定 0 差异 + 距离误差 < 1e-4 mm；对拍只证明一致，不证明连续安全 | 门禁即所述；附加：可微版梯度与有限差分相对误差 < 1e-3 |
-| 13 | §6.1/§8.5 | 子目标头：冷启动输出 1–2 个关节途经点，标签取老师路径拐点 | AWE：用动态规划在误差预算内选最少航点，把 DP/ACT 成功率最多提升 25%【原文 §1、§3】；SHAC/分层规划一类思路【推断】 | 有部分证据 | ① §5.1 输入没有子目标字段（I7）；② "冷启动"在拖拽中无定义（I22）；③ 单输出子目标头无法给出"另一侧"的备选（卡死换向需要它）；④ 捷径平滑后的拐点不稳定 | 门禁：子目标头 top-2 方向覆盖率（老师同伦类在前 2 个子目标中）≥ 98%（C 类）。回退：子目标改为 K 个离散"绕行锚点"分类（左/右/上），标签用 AWE 式 DP 提取 |
-| 14 | §6.1/§8.5 | 价值头：预测剩余时间/代价；APG 展开时"有真实值可监督" | SHAC：用学到的 critic 截断可微仿真的 BPTT 时域（h=32 对 H=1000），同时缓解局部极小与梯度爆炸【原文 §1、§4】 | 有部分证据 | 截断展开内多数任务到不了目标 → 没有"真实剩余时间"，必须用 TD 自举（SHAC 式），文中没写；价值头偏差会直接误导短前瞻与卡死检测 | 门禁：held-out 上价值头预测的剩余时间与实际闭环用时的 Spearman ≥ 0.8，C 类 ≥ 0.7。不过就让卡死检测只用几何进度（TCP 到目标距离、子目标距离） |
-| 15 | §8.5-3 | 短前瞻：对每个候选再推一块（32 步终态），用碰撞 + 价值打分 | Neural MP 测试时"采样多条选穿透最少"【原文，见 `finetune_alternatives.md`】；BID：每步采 N=16 个样本按前后一致性选择，相对提升 32%【原文 §5.2.1】 | 有部分证据 | 计算翻倍（见 I9 延迟预算）；第二块基于预测状态，误差叠加 | 门禁：A/B（有/无前瞻）在 near_column + C 类 held-out 上，前瞻必须把卡死率降低 ≥ 50%，且 P99 周期耗时仍 < 15 ms |
-| 16 | §7.2 | 挖错循环：出题→闭环作答（关安全层）→GPU 验算→E1–E6 分类→邻域加权进 APG 池；E2 才少量请老师；门禁回滚 | Avoid Everything/MπFormer 困难负样本挖掘；DRP 迭代师生微调 +45%（每 1 万步替换一次基模型，共 5 轮，10 h）【原文 §3.2、表 7】 | 有部分证据 | ① 门禁用的 held-out 2000 与 3 个基准同时是 §9 的验收集 → 选择偏差（I14）；② 挖错样本过采样 → 灾难性遗忘（门禁"95% 修好的仍对"只防一部分） | 门禁拆分：**新造**"门禁集"（2000）与"验收集"（2000 + 新造 near_column 扩展 1000 例），验收集只在最后用一次。遗忘门禁：A 类到达率每轮不降 > 0.5 个百分点 |
-| 17 | §7.3 | 拒绝采样自蒸馏：多样本闭环，只保留验算通过且最短的一条做 BC | ReST：Grow/Improve 循环，逐步提高过滤阈值【原文 §2】；RoboCat 式自我改进【未抓取】；ELMP 证据：加笛卡尔路径长度项后碰撞率由 8.9% 升到 10.9%【原文表 I】 | 有部分证据 | 选"最短" → 系统性贴着立柱走，余量变小 → 安全层刹停率上升；多样性塌缩（只剩一种绕法） | 门禁：自蒸馏后 C 类最小间隙中位数不得低于自蒸馏前的 80%；刹停率不升。选择准则改为"通过 + 间隙 ≥ 阈值的样本中最短" |
-| 18 | §8.2 | 模式粘滞：分数 = log p(k) − c·[k≠k_prev]；流头改为"噪声粘滞"（保留上周期噪声） | BID：Warmstart（沿用上一决策的噪声）"平均小幅提升，但 7 个任务里有 3 个变差"；BID 后向一致性准则（与上一块的加权 L2）+ N=16 采样，相对提升 32%【原文 §5.2.1、图 6】；DP：独立逐步采样会在两种模式间来回跳【原文 §3】 | 有部分证据（噪声粘滞**有反证**：BID 中不稳健） | 一步生成器下"同一噪声 → 同一模式"在状态变化后不保证成立；log p(k) 对流头无定义 | 门禁：E5（≥3 次切换）< 1% 任务，rt_drag_bench 摇摆计数。若噪声粘滞不过，改用 BID 式后向一致性打分（与上周期已提交块的重叠步加权 L2）作为排序项 |
-| 19 | §8.3 | 安全层：候选前 3 步按 1°+半格离散细验 + 可刹停不变式（第 3 步末按最大减速度刹停段也细验） | 不变式本身：Thumm & Althoff 的 failsafe 盾——每步只在"意图段安全且其末端存在已验证的刹停轨迹"时执行，否则执行**上一条已验证**刹停轨迹【原文 §III、图 3】，有充分证据；离散检查：Schwarzer 等证明离散分辨率检查会漏检，提出"两端距离之和 > 各点轨迹长度上界"的充分条件，"never fails"【原文式(1)】；LARC（胶囊+速度上界的连续认证）：MoveIt/FCL 抽样审计在 21 条直接插值轨迹中发现碰撞；139 条"抽样无碰撞"的轨迹里有 27 条无法认证【原文摘要】；ELMP 评测用离散检查时余量取 30 mm【原文 §IV-A】 | 不变式：有充分证据；**按现有离散实现"保证零碰撞"：有反证** | 杠杆实测：0.5° 间距下采样点间偏差上界 ≈ 24.3×0.25 ≈ 6 mm ≫ 0.3 mm；仓库报告 0.28/0.08 mm 残余侵入、"贴柱薄层整个夹在采样点间"；刹停段"最大减速度"未定义；§8.1 交叉淡入使执行轨迹 ≠ 检查轨迹 | 门禁：①离线审计：10^5 个随机提交段（3 步+刹停），用 0.01° 细采样（或 Schwarzer 式距离认证）复核，漏检 = 0；②在 near_column 上统计"认证拒绝率"（认证判不安全而离散判安全的比例）。修正：静态障碍对（臂×立柱/台架）改用**距离下界认证**：d(q_a)+d(q_b) > Σ_j r_j·|Δθ_j|，r_j 用实测杠杆上界，不满足就二分；自碰撞对复用 pair2d 杠杆界（J3 3.24、J4 2.54 mm/°）。不过（认证拒绝导致 30/30 失败）就把训练余量提高到 ≥ 采样偏差上界（如 3–6 mm），并接受行程变长 |
-| 20 | §8.3 耗时 | 预筛 + 逐个检查 + 首个通过即停，目标 < 5 ms；不达标放 Web Worker | 仓库：collideFree 2.9→1.8→1.25 ms/次（pair2d 后）；每帧守卫约 1.2 ms【仓库】 | 仅推断 | 贴柱时预筛基本失效（正是难例所在）；样本数被低估（每步 4–13°，3 步 13–39 个采样点 + 刹停段），见 I10 | 门禁：M7 在 near_column 30 例 × 全程逐周期计时，安全层 P99 < 5 ms；不过就做距离认证（一次距离查询覆盖整段，通常比 N 次布尔更省），或把提交步数降到 2 |
-| 21 | §8.5-4 | 卡死检测：0.3 s 价值不降或连续 2 周期刹停 → 强制换向并锁定 1 s | 势场法局部极小的经典逃逸（随机游走/换向，Barraquand & Latombe RPP）【未抓取】；MπNets 指出局部控制器（STORM、Geometric Fabrics）在复杂几何中会卡在局部极小【原文 §5.1】 | 仅推断 | ① 两个方向都被挡 → 1 s 锁定后来回切换（活锁）；② 流头没有离散"另一方向"，依赖子目标头备选（#13）；③ 1 s 锁定可能与目标拖拽冲突 | 门禁：构造"两侧都要绕很远"的 50 个对抗用例 + near_column，卡死后 3 s 内恢复进度的比例 ≥ 95%，活锁（换向 ≥ 3 次仍无进度）= 0。回退：卡死时允许跟随离线路网"锚点表"（**注意**：这等于部分老师，需用户同意） |
-| 22 | §8.6 | 策略层 50 Hz、提交 3 步、伺服层另行插补；浏览器 rAF 60 Hz 也能稳定跑 50 Hz | π0：50 Hz 机器人每 0.5 s 推理一次（执行 25/50 步），时间集成"hurt policy performance"故不用【原文 App D】；DP：10 Hz、预测 16 执行 8 最优，可承受 4 步延迟【原文 §5.3】；MπNets 9 Hz；ELMP 30 Hz【原文】 | 有部分证据 | ① **每 20 ms 重推理只执行 1 步 = 动作时域 1**，BID 证明这会破坏块内一致性、导致来回摆动【原文 §4.1】；② rAF 16.7 ms 帧与 20 ms 周期不整除 → 周期抖动（16.7/33.3 ms 交替），后台标签页定时器会被节流【推断】 | 门禁：A/B"每 1 步重推理"与"每 3 步重推理"（执行 3 步）在 E5 摇摆率、到达率、拖拽跟随误差上的对比。若后者不差，就默认每 3 步重推理（顺带把推理预算放宽到 60 ms）。周期抖动：用 Worker + 自有时钟按实际 dt 插值，测 P99 周期误差 < 2 ms |
-| 23 | §8.1-6 | 到达判据 TCP < 1 mm（pose < 0.5°），近目标做 1–3 次局部牛顿 | ELMP-APG 也只有 89.0% 在 1 cm 内、72.6% 在 5° 内【原文表 I】；MπNets 98.94% 在 1 cm 内【原文表 3】 | 有部分证据（必须依赖牛顿精修） | 精修段本身要过安全层（文中没写）；牛顿步可能跨分支 | 门禁：held-out 中精修前误差 < 5 mm 的比例 ≥ 99%；精修后 < 1 mm 的比例 ≥ 99.5%；精修段 100% 经过安全层 |
-| 24 | §0/§8.1/§9.2 | 每周期推理 2–5 ms、推理+安全 < 10 ms（P99 < 15 ms），浏览器 onnxruntime-web，WebGPU 优先 | WebGPU 每次 dispatch 的开销：Chrome 33–67 μs（连续）；带同步的单次操作 2–3 ms（Chrome）【原文 2604.02344 表 6】；社区多例小模型 WebGPU 比 wasm 慢【未抓取，检索摘要】 | 仅推断（且偏乐观） | 8 层 Transformer 约 150–300 次 dispatch → 仅调度开销就有 5–20 ms，外加每周期一次 GPU→CPU 回读；wasm 下 8 候选 × 前瞻 = 约 0.6–1.3 GFLOP/周期 | 门禁：M4 后**立即**导出 ONNX，在目标浏览器测 batch=8（含前瞻 batch=16）延迟 P99。若 > 5 ms，就用 wasm-SIMD 多线程或 fp32 小算子融合；仍不行就缩小解码 token（B 样条 6 个控制点而非 16 步）、去掉前瞻，或改为每 3 步推理一次 |
-| 25 | §9 | 验收：碰撞帧 0；route 60/60、near pos/rt 30/30、held-out ≥ 98%；用时 ≤ 老师×1.3；行程 ≤ 现有×1.10；刹停 < 2%；摇摆 < 1%；关安全层碰撞 < 3% | ELMP-APG 关安全层碰撞 8.9%、DRP 10.16%（环境不同）【原文】；ELMP：APG 使末端路径长度由 0.69 m 增至 0.85 m（+23%）【原文表 I】 | 有部分证据 / 部分指标**不可达** | ① held-out 含 10% 不可达（D 类），"到达 ≥ 98%"按定义不可能（I13）；② 30/30 统计力弱（上界 9.5%）；③ "碰撞帧 0"由离散检查测量，测不到采样点之间的穿模；④ APG 有拉长路径的先例，与 ≤1.10× 行程冲突 | 改：到达率分母只算可达任务，D 类单独考核"停靠距离 ≤ 老师 + 5 mm"；near_column 另造 ≥ 1000 例的验收扩展集（0 失败 ⇒ 失败率上界约 0.3%）；碰撞审计用 0.01° 或距离认证；行程门禁按类别分别报告 |
-
----
-
-### 2. 逐项详述
-
-#### 2.1 §4 老师离线造数据（#1–#3）
-
-**(a)** §4.1–4.4：`solveDyn`（松手口径）为 5 万条采样任务（A 均匀 45%/B 直线被挡 30%/C 贴柱 15%/D 不可达 10%）生成折线，细验过滤后入库。
-
-**(b) 证据**
-- MπNets【原文 https://arxiv.org/abs/2210.12209 §4、表 1、表 3、§5.2】：3.27M 问题 / 575k 环境。关键发现是**老师一致性**：用全局规划器（IK + AIT* + 样条平滑）当老师训出的 MπNets-G，在两种老师都能解的问题上环境碰撞率 **13.78%**；用一致性强的混合老师（Hybrid Expert）只有 **0.94%**（表 3）。作者明确把差异归因于"consistency of the expert"。
-- DRP【原文 https://arxiv.org/abs/2509.06953 §3.1】：cuRobo 生成 10M 条；预训练的 IMPACT "often incurs minor collisions"。
-- ELMP【原文 https://arxiv.org/abs/2607.00215 表 I、图 6】：1 万条老师 + APG 胜过 60 万条纯 BC；200k APG 问题采样 4.5 CPU 小时，同量老师轨迹 >1194 CPU 小时。
-- 本仓库【仓库 `docs/路径规划优化报告.md`】：`solveDyn` 的核心是 Lazy RRT-Connect + 50 次随机捷径 + 逐轴拉直，定种子 LCG，平均规划 662–837 ms。
-
-**(c) 判定**：有部分证据。数据量（5 万）在"固定环境 + 后续 APG"的前提下合理（ELMP 先例）；但老师属于"全局采样规划器"类型，正是 MπNets 中一致性差、导致策略碰撞多的那类。
-
-**(d) 残余风险**：同一类任务里老师有时左绕、有时右绕（随机捷径的结果），会给多峰头制造"人为多峰"，WTA/流头都会把容量浪费在拟合老师的随机性上。D 类"最近安全位形"在目标连续变化时不连续。§4.6 的 0.7 s/条对 C/D 类（难例、失败时搜到超时）偏乐观。
-
-**(e) 缓解与门禁**：老师一致性门禁（见总表 #1）。可选的更一致老师：离线 PRM 路网（15103 条边、单一连通分量）+ A* 最短路 + 确定性平滑。确定、可复现，且已在仓库里。按类别计时：先跑 1000 条（M1），C/D 类 P90 规划时间 > 3 s 时重估 §4.6。
-
-#### 2.2 §4.5 时间参数化与切片（#4–#6）——本节问题最大
-
-**(a)** 按 `animTo` 的 VREL 轴速比做时间参数化（dt=20 ms），每 3 步取一个"(q_t, 目标) → 未来 16 步 Δq"样本；声称后缀"等于免费的 DAgger 种子"。
-
-**(b) 证据**
-- 本仓库实现【仓库 `webapp/js/ik-glue.js` L376–L401】：各段时长 ∝ 该段"最慢轴所需时间"（`|Δq_j|/VREL_j` 的最大值）；**整条折线做一次全局 smoothstep**（`u*u*(3-2u)`）；总时长 = `ms·sum/150`，夹在 `[0.6ms, 3.5ms]`（ms=620 → 372–2170 ms）。按此推算主导轴的每步位移：平均 2.9°（J1/J2）～8.7°（J6），峰值（smoothstep 导数 1.5 倍）4.4°～13.1°/步；长路径被夹到 2170 ms 时还会更快。
-- MπNets【原文 §4.2 附近】："we fit a spline to the path and retime it to have steady velocity"，即特意匀速化。
-- Diffusion Policy【原文 https://arxiv.org/abs/2303.04137 §3 "Robustness to idle actions"】："single-step policies can easily overfit to this pausing behavior… BC-RNN and IBC often get stuck"。
-- MπNets【原文 §3.4】："trained for single-step prediction… compounded noise… equates covariate shift"，用关节角高斯噪声增广。
-- DART【原文 https://arxiv.org/abs/1703.09327 摘要】：向老师注噪造数据，平均比 BC 提升 62%。
-- DAgger（Ross, Gordon, Bagnell, AISTATS 2011）【未抓取，背景】：BC 误差随时域 O(εT²) 累积，需要在学生自己访问的状态分布上取标签。
-
-**(c) 判定**：切片做法本身有充分证据（DRP、DP 都这样做）；**沿用 `animTo` 的时间律有反证**；"免费 DAgger"的说法**有反证**（概念错误）。
-
-**(d) 残余风险**
-1. **非马尔可夫标签**：smoothstep 是对整条路径的进度 u 做的，同一 (q, 目标) 在短路径与长路径里的标签速度不同，在路径前段与后段也不同，而输入里没有速度、进度或路径长度。模型只能学到条件平均。
-2. **起步停滞**：u≈0 时 Δq_{t+1}≈0。闭环每 20 ms 只执行第 1 步，下一周期状态几乎不变，标签又是"几乎不动"，可能形成不动点。
-3. 每步位移远大于安全层预算假设（I10）。
-4. 后缀样本仍是老师分布，对偏离状态没有监督；§7 的 APG/挖错能补一部分，但 APG 要从预训练模型出发，预训练崩了（如起步停滞）会拖累后训练。
-
-**(e) 缓解与门禁**
-- 时间律改为局部可观测的：匀速（按 VREL 归一化的恒定巡航速度）+ 只在终点前按剩余路程梯形减速、起点按已行路程加速；或把 q_t−q_{t−1}（以及前缀块，若用 RTC）加入输入。
-- 噪声增广：输入关节加 σ=0.5–1° 噪声，由老师离线从扰动状态重规划一段作为标签（DART 式；老师只在离线，符合约束）。
-- 门禁：标签一致性测试 + 起步失败率 = 0（总表 #4）；闭环/开环差距（#6）。
-
-#### 2.3 §5 输入/输出表示（#7–#8）
-
-**(a)** 输入：关节 sin/cos + 限位轴归一化、TCP 位置与 6D 姿态、目标位置/6D 姿态/差值、模式 one-hot、k_prev、8 个胶囊对最小距离；输出 16×6 Δq，按每轴最大步长归一化，连续轴 unwrap。
-
-**(b) 证据**
-- Zhou 等《On the Continuity of Rotation Representations》【原文 https://arxiv.org/abs/1812.07035 §1】：3D 旋转在 ≤4 维下都不连续；不连续表示的平均误差最高达连续 6D 表示的 6–14 倍。
-- MπNets【原文 §3.1】：关节归一化到 [−1,1]，输出归一化空间里的位移并 clamp。
-- ELMP【原文 §IV "Architecture"】：目标 12 维 = 位置 + 展平旋转矩阵；关节 7 维直接进 MLP。
-- DRP【原文 §3.1】：以**目标关节角**为条件，避开 IK 多解。
-- 胶囊距离作输入：无直接先例。C-space 距离场（CDF）作特征的讨论见 `finetune_alternatives.md`【其他报告】。
-
-**(c) 判定**：6D、sin/cos、Δq 块均有充分证据；胶囊距离特征仅推断；"以位姿为目标让模型连 IK 一起学"有部分证据（ELMP 这样做，但 ELMP 的 1 cm 内到达率只有 89%）。
-
-**(d) 残余风险**：位姿目标 → 多个 IK 分支（肘上/肘下、腕翻转）带来比"左/右绕"更多的模式，K=4 的 WTA 可能不够；k_prev 对流头无意义；缺子目标/前缀/速度输入；min 距离特征在最近对子切换处不可导。
-
-**(e) 门禁**：见总表 #7、#8。
-
-#### 2.4 §6.1 结构（#9）
-
-**(a)** 条件 MLP → 8 个条件 token（d=192）→ 4 层编码器；K×16 个可学习动作 token → 4 层非自回归解码器；另有动作、模式、价值、子目标四个头。
-
-**(b) 证据**：IMPACT【原文 DRP App G 表 7】：编码 6 层/解码 6 层、隐层 128、FFN 1024、8 头、sin-cos 位置编码、动作块 10；场景点云 128 token + 机器人点云 16 token；4.67M 参数（含 PointNet++ SA）；300 Hz@4090、冷启动 3.48 ms。
-
-**(c) 判定**：结构有充分证据；去掉点云后条件只剩约 60 维，用 8 个 token 表示属于设计选择（仅推断），属低风险。
-
-**(d) 残余风险**：参数实算 ≈ 4.13M（`4·(4d²+2·d·FFN)` + `4·(8d²+2·d·FFN)`），fp16 约 8.3 MB（文中写约 7 MB），影响不大；浏览器推理延迟是真风险（#24）。
-
-**(e) 门禁**：总表 #9、#24。
-
-#### 2.5 §6.2 损失（#10）
-
-**(b)** ELMP【原文 §III-B】：L_BC = λ_action·‖Δq_pred−Δq_gt‖ + λ_fk·Σ_i‖FK_i(q_pred)−FK_i(q_gt)‖（i 为碰撞球中心），与我们的"胶囊端点 FK 损失"同构；ELMP 未单独报告 FK 项的消融数字。MπNets【原文 §3.3】也用任务空间几何损失。
-
-**(c)** 有部分证据。
-
-**(d)** 损失只对 WTA 头写明；默认的流匹配头需要另定（例如在一步生成的 x̂ 上加 FK 项，见 `onestep.md`），否则 §6.2 对默认配置无效（I8）。剩余时间 L1 与价值头重复定义。
-
-#### 2.6 §6.3 训练配置与耗时（#11）
-
-**(a)** bs 1024、20 万步、bf16，3090 约 1.5–3 h。
-
-**(b)** DRP【原文表 7】：bs 512 × 100 万步 = 5.12 亿样本次，4090 上 3 天 ≈ 1975 样本/s（瓶颈主要是点云）。本方案：20 万 × 1024 = **2.05 亿样本次（DRP 的 40%，不是 1/5）**。FLOP 估算【推断，见 `lever.cjs` 同目录脚本的计算】：WTA 头（64 个解码 token）训练约 0.99 GFLOP/样本 → 合计 2.0e17 FLOP；3090 bf16 稠密峰值约 71 TFLOPS，小模型实际 10–35 TFLOPS → **1.6–5.6 h**。流头（16 个 token）约 0.31 GFLOP/样本 → 0.5–1.8 h，但 MeanFlow 的 JVP、OFP 的自蒸馏额外前向会乘 1.5–3 倍。
-
-**(c)** 仅推断：1.5–3 h 落在估算区间的乐观一侧。
-
-**(d)** epoch 数自相矛盾（I1）；每 epoch 1000 任务闭环验证也要计入。APG 显存【推断】：每个展开周期每样本激活约 4 MB，H=60 时约 0.27 GB/样本，150 周期时约 0.66 GB/样本 → 24 GB 卡 batch 只有约 30–80，需要激活检查点。ELMP 在 6×3090 上 APG 的 batch 只有 48，H=69【原文 §IV-A】。
-
-**(e)** 门禁：吞吐实测后重算（总表 #11）；APG 先跑 H=60、bs 32 的显存测试。
-
-#### 2.7 §6.1/§8.5 子目标头、价值头、短前瞻（#13–#15）
-
-- 子目标头：AWE【原文 https://arxiv.org/abs/2307.14326 §1/§3】把"预测下一动作"变为"预测下一航点"，用 DP 在误差预算内选最少航点，最多 +25% 成功率。直接支持"以途经点为锚"，而且给出了比"老师拐点"更稳定的标签提取方法。
-- 价值头：SHAC【原文 https://arxiv.org/abs/2204.07137 §1、§4】用学到的 critic 截断可微仿真展开（h=32 对 H=1000），兼治局部极小与梯度爆炸。本方案的"APG 展开时有真实值"只在展开内到达时成立，其余必须 TD 自举，文中缺失。
-- 短前瞻：BID【原文 https://arxiv.org/abs/2408.17355 §4、表 2】：每步采 16 个样本按后向一致性 + 前向对比选择，推理时间 13.2 ms → 25.9 ms（A5000），相对提升 32%。说明"多采样 + 打分"有效，但代价约 2 倍。
-
-判定：子目标头、价值头有部分证据；短前瞻有部分证据。风险与门禁见总表 #13–#15。
-
-#### 2.8 §7.2 挖错循环与门禁（#16）
-
-**(b)** DRP 迭代师生微调【原文 §3.2】：每 1 万梯度步后学生替换基模型，共 5 轮，4090 上 10 h，成功率比预训练 **+45%**（表 6）。Avoid Everything/MπFormer 的困难负样本挖掘（DRP 文中引述）。
-
-**(c)** 有部分证据：DRP 的循环用局部控制器（Geometric Fabrics）当"老师"，本方案改用 APG 代价，这一替换由 ELMP 支持；"错题邻域加权进 APG 池"本身无直接先例（仅推断）。
-
-**(d)** 门禁集与验收集重叠（I14）；E2 的老师补数据把"无老师"变成"少量离线老师"（文中已说明，合规）。
-
-#### 2.9 §7.3 拒绝采样自蒸馏（#17）
-
-**(b)** ReST【原文 https://arxiv.org/abs/2308.08998 §2】：Grow（策略生成多样本）/ Improve（按分数过滤后微调，阈值逐步提高）；作者也提到基于奖励的方法有 reward hacking 风险。ELMP【原文表 I】：加入笛卡尔路径长度惩罚后，碰撞率从 8.9% 升到 10.9%。这是"偏好短路径 → 更贴障碍"的直接证据。
-
-**(c)** 有部分证据。门禁见总表 #17。
-
-#### 2.10 §8.2 模式粘滞（#18）
-
-**(b)** DP【原文 §3】：逐步独立采样会在左右两种策略间来回跳。BID【原文 §5.2.1】：Warmstart（从上一决策热启动噪声，即本方案的"噪声粘滞"）"mild gains on average, but degrades performance on 3 out of 7 tasks"；EMA/时间集成在 2 个任务上变差，原因是相邻块属于不同潜在策略，平均后"may not yield a plausible strategy"；BID 后向一致性 + 前向对比在全部任务上提升，相对 +32%。
-
-**(c)** 切换代价/一致性选择有部分证据；**单靠噪声粘滞有反证**（BID 中不稳健）。
-
-**(e)** 改为 BID 式后向一致性打分（与上周期已提交块重叠步的加权 L2）+ 安全层，门禁见总表 #18。
-
-#### 2.11 §8.3 安全层与可刹停不变式（#19–#20）——重点核查"是否真的保证不撞"
-
-**(a)** 候选前 3 步 1° 细验 + 半格复验 + 关节限位；从第 3 步末按"最大减速度"停下的刹停段也要细验；全部不过就沿已验证刹停轨迹停下。
-
-**(b) 证据**
-- **不变式**：Thumm & Althoff, ICRA 2022【原文 https://arxiv.org/abs/2205.06311 §III、图 3】："During the execution of a trajectory between t_k and t_{k+1}, we calculate a failsafe trajectory starting from t_{k+2}. If this failsafe trajectory cannot be verified as safe, we execute the previously verified failsafe trajectory starting from t_{k+1}." 与本方案同构。但他们的验证用的是**连续时间可达集过近似**（胶囊包络），不是离散采样。
-- **离散检查会漏**：Schwarzer, Saha, Latombe, IEEE T-RO 2005【原文 http://ai.stanford.edu/~mitul/papers/SSLtro05.pdf 式(1)】：若两端位形下的距离之和 d(q_a)+d(q_b) 大于各点所走曲线长度的上界（≤ Σ_j r_j|Δθ_j|），整段无碰撞；固定分辨率法会漏检，自适应法 "never fails to detect collision"。
-- LARC 2026【原文 https://arxiv.org/abs/2608.29767 摘要】：胶囊 + 分量速度上界做连续认证，160 条 PIPER 轨迹上与固定细分辨率决策一致，工作量仅 24.8%；但 139 条"抽样无碰撞"的轨迹中 27 条无法认证。认证天然保守，会拒掉一些贴边路径。
-- ELMP 评测【原文 §IV-A】：离散检查（插值 3 倍，约 150 个位形）时安全余量取 **30 mm**。
-- 本仓库【仓库】：`collide.json` 的 `margin_mm = 0.3`；`ik-solver.js` L2777 注释原话："贴立柱时薄薄一层干涉能整个夹在两个采样点之间（贴立柱测试 ci0：119.5° 的长边在 0.76 处 1° 复验撞）"；`路径规划优化报告.md`：1° 细验后仍有 2 条路径最大侵入 0.28/0.08 mm。
-- **本次实测杠杆**【仓库，`src_v/lever.cjs`，19219 个无干涉随机位形】：TCP 每度最大位移 J1 9.02 / J2 6.93 / J3 4.17 / J4 4.17 / J5 2.25 / J6 ≈0 mm；六轴同时 1°（L∞）的上界最大 24.3 mm，中位 19.4 mm。工具法兰胶囊可能比 TCP 更远，上界只会更大。
-
-**(c) 判定**：不变式的逻辑结构有充分证据；"按现有离散实现保证零碰撞"**有反证**。
-
-**(d) 残余风险（逐条）**
-1. 采样间隙：采样间距 δ（L∞）时，两采样之间任意点距最近采样位形的位移 ≤ L·δ/2。δ=0.5°（1°+半格）时约 6 mm，δ=0.75°（现有 pathFine 等效）时约 9 mm，δ=1° 时约 12 mm，都 ≫ 0.3 mm。立柱是实心大体，漏检的是"擦边几毫米"而不是"整个穿过"，但"碰撞帧 = 0"的承诺不成立。
-2. "最大减速度"在全文没有数值（§0 说插补器负责，`animTo` 只有 smoothstep，没有加速度上限），刹停段长度无从计算（I12）。
-3. §8.1 的交叉淡入：执行轨迹是新旧两块的混合，不等于任一被检查过的块（I4）。
-4. 局部牛顿精修段（§8.1-6）没写要过安全层。
-5. 验收里的"碰撞帧"本身也用离散口径测，测不到问题。
-
-**(e) 修正与门禁**
-- 静态障碍对（臂×立柱、臂×台架）改用 Schwarzer/LARC 式距离下界认证：每段先算两端胶囊距离，满足 d_a + d_b > Σ_j r_j|Δθ_j|（r_j 取各连杆到各关节轴的最大距离，可离线算好）即放行，否则二分。自碰撞对复用已有 pair2d 杠杆界。
-- 删掉插补层交叉淡入（或让安全层检查淡入后的实际轨迹）。
-- 定义刹停：按每轴加速度上限 a_max 做梯形减速，写进配置并在训练数据时间律中使用同一 a_max。
-- 门禁：10^5 个随机"3 步 + 刹停"段做 0.01° 超细采样审计，漏检 = 0；near_column 上"认证拒绝率"< 5%，否则把训练余量（§7.1 的 margin+5 mm）提高到 ≥ 采样偏差上界，让策略本身留出足够间隙。
-
-#### 2.12 §8.5 卡死检测与强制换向（#21）
-
-**(b)** MπNets【原文 §5.1】：STORM 与 Geometric Fabrics 等局部方法在复杂几何中会卡在局部极小，"struggle to retract from a drawer and then reach into another drawer… without intermediate waypoints"。经典逃逸方法（随机游走/换向）【未抓取】。没有找到"神经闭环策略 + 规则换向"的直接先例。
-
-**(c)** 仅推断。风险与门禁见总表 #21。
-
-#### 2.13 §8.6 控制周期（#22）
-
-**(b)** π0【原文 https://arxiv.org/abs/2410.24164 App D】："We tried temporal ensembling early on and found that it hurt policy performance… 50Hz… inference every 0.5 seconds (after executing 25 actions)"。DP【原文 §5.3】：预测 16 步、执行 8 步最优，可承受 4 步延迟。BID【原文 §4.1】：每步重采样、只执行第 1 个动作 "destroys the consistency preserved within each chunk, potentially leading to oscillations"。
-
-**(c)** 50 Hz 策略层有部分证据；"每 20 ms 重推理、只走 1 步"与主流（π0 执行 25/50、DP 执行 8/16）相反，属于动作时域 h=1 的极端，有反证风险。§8.6 表中工业接口周期（Franka 1 kHz、UR e 系列 500 Hz 等）属常识，本次未逐一抓取原始手册（【未抓取】）。
-
-**(e)** 门禁见总表 #22。
-
-#### 2.14 §9 验收指标（#25）
-
-- held-out 含 D 类 10% 不可达任务 → "到达 ≥ 98%"按定义不可达（I13）。
-- 30/30 的 95% 单侧失败率上界 ≈ 9.5%；要把上界压到 1%，需要约 300 例 0 失败；压到 0.3% 需要约 1000 例。
-- ELMP 表 I：APG 后末端路径长度 0.69 → 0.85 m（+23%），关节路径 4.09 → 3.90 rad（−5%）。关节行程门禁（≤1.10×）在关节空间可能过得了，但需按类别报告。
-- 关安全层碰撞 < 3%：ELMP/DRP 的 8.9%/10.2% 是在未知、多变环境；固定环境下更低是合理推断，但没有直接证据。
-
----
-
-### 3. 文档内部不一致清单
-
-| 编号 | 位置 | 不一致 | 建议 |
-|---|---|---|---|
-| I1 | §6.3 | 20 万步 × bs 1024 = 2.05 亿样本次 = 300 万样本的约 **68 epoch**，不是 30；30 epoch 只需约 8.8 万步 | 二选一并重算耗时 |
-| I2 | §4.5-3 / §4.6 | "每条路径 50–150 个样本"：route_bench 平均执行 2.46–2.60 s ≈ 130 步，每 3 步取 1 个 ≈ 43 个；A 类更短 → 总样本更可能约 200 万而非 300 万 | 以 M1 的 stats.json 为准 |
-| I3 | §7.1 vs §8.1 vs §8.5 | APG 每次迭代执行 3 步（60 ms），"H=60 个周期≈1.2 s"实为 3.6 s；部署每 20 ms 推理、只走 1 步，APG "与部署一致"不成立；§8.5 又写"150 个周期≈3 s"（按 20 ms/周期） | 统一"周期"定义；APG 展开节奏与部署一致（或部署改为每 3 步推理） |
-| I4 | §8.1 末段 vs §6.1A | §8.1 插补器"时间集成/交叉淡入"，§6.1A 说 RTC 前缀"替代时间集成"；而且淡入后的轨迹没被安全层检查过 | 删除淡入，或安全层检查实际执行轨迹 |
-| I5 | §5.2/§6.1/§8.1/§8.3/§8.5 vs §6.1A | 前者按 K=4 个模式写（含安全层耗时与前瞻计算），默认流头是 K=8 个候选 | 全文统一，安全层最坏情况按 8 个算 |
-| I6 | §5.1/§8.2 vs §6.1A | k_prev one-hot 与 log p(k) 对流头无定义；"噪声粘滞"不需要该输入 | 按头类型分开写 |
-| I7 | §5.1 vs §8.5/§6.1A | 输入表里没有子目标、已提交前缀（RTC）、当前速度，但后文都要以它们为条件 | 补入输入表并给维度 |
-| I8 | §6.2 vs §6.1A | 损失只针对 WTA；默认流头无损失定义；剩余时间 L1 与价值头重复 | 补流头损失 |
-| I9 | §0 / §8.1 / §8.5 / §8.6 / §9.2 | 预算"推理+安全 < 10 ms（留一倍余量）"、P99 < 15 ms；组成：生成 2–5 ms + 前瞻 2×(2–5) ms + JS 梯度引导 + 安全检查（目标 < 5 ms，§8.3 自认最坏约 70 ms）→ 合计 9–25 ms 以上 | 重做预算表；WebGPU 调度开销另计（#24） |
-| I10 | §8.3 | "4 候选 × 10 个采样位形"假设 3 步内 ≤ 约 3.3°；按 §4.5 时间律主导轴每步 4.4°～13°，3 步需 13–39 个采样 + 刹停段；单次 1.8 ms 是旧数据（pair2d 后为 1.25 ms） | 重估 |
-| I11 | §2.3/§8.3 vs 代码 | 文档写"1° 细验 + 半格复验"（等效 0.5°），现有 `pathFine` 为 EDGE_RES=1.5° + 半格（等效 0.75°） | 明确口径 |
-| I12 | §8.3 vs §0 | 刹停段"按最大减速度"，但全文和 `animTo` 都没有加速度上限 | 定义 a_max |
-| I13 | §9.2 vs §4.3 | held-out 有 10% 不可达（D 类）却要求到达 ≥ 98% | 分母只算可达任务，D 类单独考核 |
-| I14 | §7.2-6 vs §9.1 | 留出 2000 + 三个基准每轮用于门禁/回滚，又作最终验收 → 选择偏差 | 拆出独立验收集，只用一次 |
-| I15 | §6.4 vs §9.2 | 验证超时 = 老师时长 ×2（最少 3 s），验收要求 ≤ ×1.3 | 验证同时报告 ×1.3 达标率 |
-| I16 | §0/§2.3/§8.3 vs 仓库 | "安全层保证碰撞帧 = 0"与离散检查 + 0.3 mm 余量矛盾（实测采样间偏差可达约 6 mm；仓库记录过 0.28 mm 残余侵入与夹缝漏检） | 改为距离认证，或如实降级表述 |
-| I17 | §10 vs §6.3 | 重训流程写"§6 约 4 h"，§6.3 写 1.5–3 h | 统一 |
-| I18 | §6.3 | "预热 1000 步（同 DRP 量级）"：DRP 为 100 步；"步数约其 1/5"，但处理的样本数是 DRP 的 40% | 改表述 |
-| I19 | §2.2#1 vs §8.1 | "只执行前 2–4 步"与"提交 3 步、实际每周期只走 1 步"不同 | 统一 |
-| I20 | §9.2 现状列 vs `路径规划优化报告.md` | 文档写 route 现状 60/60 到达；报告第三轮写"有效路径 60/60，到达 58"（2 例目标超出可达区） | 在 `3c7c814` 上重跑核对 |
-| I21 | §4.5 vs §5.1 | 标签由全局 smoothstep 决定，但输入里没有速度/进度 → 非马尔可夫（见 #4） | 改时间律或加输入 |
-| I22 | §6.1 vs §8.5 | 子目标头"仅冷启动用"，§8.5 又说"到达子目标后切到下一个"；拖拽时目标每周期都在变，"冷启动"无定义 | 定义触发条件（如目标跳变 > X mm） |
-| I23 | §8.1-6 | 局部牛顿精修段没写要过安全层 | 补上 |
-| I24 | §8.4 | fp16 约 7 MB；实算 4.13M 参数 × 2 B ≈ 8.3 MB | 小问题 |
-
----
-
-### 4. 未能核实 / 声明
-
-- §8.6 工业接口周期表（Franka、UR、ABB EGM、KUKA RSI、FANUC DPM、MoveIt Servo）本次未逐一抓取原始手册，沿用文档原值（【未抓取】）。
-- DAgger 原文、Barraquand & Latombe RPP、RoboCat 未抓取，只作背景引用。
-- DRP 中"目标被挡→停在最近安全处"的数据量与效果，本次未定位到具体表格。
-- 浏览器端实际推理延迟没有任何本项目实测；WebGPU 结论来自 LLM 场景的调度开销测量（2604.02344），迁移到 4M 参数模型属推断。
-- 杠杆实测用 TCP 代替全部胶囊端点，工具法兰胶囊可能更远，上界只会更大；同时假设关节空间线性插值，与 §4.5 时间参数化后的 20 ms 步相符。
-- 训练耗时 FLOP 估算假设 3090 实际 10–35 TFLOPS，未实测。
-
-### 5. 来源
-
-- MπNets https://arxiv.org/abs/2210.12209（§3.4、§4.2、表 1、表 3、§5.1–5.2）
-- DRP/IMPACT https://arxiv.org/abs/2509.06953（§3.1、§3.2、表 6、App G 表 7）
-- ELMP https://arxiv.org/abs/2607.00215（§III-B、表 I、§IV-A 实现细节、图 6）
-- Diffusion Policy https://arxiv.org/abs/2303.04137（§3 时间一致性/停顿动作、§4.2 位置控制、§5.3 动作时域与延迟）
-- BID https://arxiv.org/abs/2408.17355（§4.1–4.2、§5.2.1、表 1–2）
-- π0 https://arxiv.org/abs/2410.24164（App D 推理与执行）
-- Zhou et al. 旋转表示 https://arxiv.org/abs/1812.07035（§1）
-- SHAC https://arxiv.org/abs/2204.07137（§1、§4）
-- AWE https://arxiv.org/abs/2307.14326（§1、§3）
-- DART https://arxiv.org/abs/1703.09327（摘要、§1）
-- ReST https://arxiv.org/abs/2308.08998（§2）
-- Schwarzer, Saha, Latombe, T-RO 2005 http://ai.stanford.edu/~mitul/papers/SSLtro05.pdf（式(1)）
-- Thumm & Althoff, ICRA 2022 https://arxiv.org/abs/2205.06311（§III、图 3）
-- LARC https://arxiv.org/abs/2608.29767（摘要）
-- WebGPU 调度开销 https://arxiv.org/abs/2604.02344（表 6、§4.4）
-- 本仓库：`docs/路径规划优化报告.md`；`webapp/js/ik-solver.js`（L2376 EDGE_RES、L2777–2810 pathFine）；`webapp/js/ik-glue.js`（L376–401 animTo）；`docs/collide.json`（margin_mm=0.3）；`docs/travel.json`；杠杆实测脚本 `/workspace/work/out/survey/src_v/lever.cjs`
-
-
----
-
-# 二、一步/少步生成式动作头
-
-## 一步 / 少步生成式机器人策略：全文精读与针对本项目的评估
-
-> 编写日期：2026-10-17。所有数字均摘自 arXiv HTML 全文（或 PMLR PDF），并标注所在章节/表格。**【未核实】** = 全文中没找到，或只能从图里定性读出。**【推断】** = 我自己的分析，原文没有这么说。
-
-### 0. 本项目设定（评估基准）
-
-- 6-DOF 机械臂。环境固定且完全已知：一根立柱障碍，碰撞模型为胶囊体。
-- 输入为低维状态，约 60 维：q、TCP、目标位置/rot6d、胶囊距离。闭环 50 Hz，action chunk = 16 步。
-- 模型 3–5M 参数，浏览器内 ONNX 推理，运行时没有 teacher，在 RTX 3090 上训练。
-- 后训练：通过可微胶囊距离做解析策略梯度（APG）。
-- **核心风险**：必须保住多模态（从立柱左侧绕还是右侧绕）。一旦把两个模态平均掉，轨迹就会直接穿过立柱。
-
----
-
-### 1. 贯穿所有论文的三个关键事实（先读）
-
-1. **普通 Flow Matching 做 1 步 Euler，输出的正好是条件均值。** COT 论文附录 D.1 原话："CFM evaluated with a 1-step euler solver approximately generates the conditional mean of the two conditional distributions"。Shortcut 论文 §2 也写道："at t=0 … the predicted velocity at t=0 points towards the dataset mean"。在我们的设定里，这就等于"从立柱中间穿过去"。所以不能直接拿 FM 做 NFE=1。
-2. **主流基准几乎测不出多模态问题。** FreqPolicy Table 4：*vanilla* FM 做 NFE=1，在 Robomimic Can/Square/Transport/ToolHang 上就有 0.94/0.90/0.84/0.76。FreqPolicy Table 3：OpenVLA+FM 做 NFE=1，在 LIBERO 上平均 93.5%，NFE=10 是 93.7%。普通 FM 一步就能拿高分，说明这些任务在单个观测下近似单峰。**结论：各论文的成功率表对"左右绕柱"这类风险几乎没有证据力。** 真正有针对性的证据只有 COT（two-moons、fork、Maze 多路径、真机 Push-T 顺/逆时针）、CP（Push-T 模态丢失）和 Shortcut（Push-T/Transport 轨迹图，定性）。
-3. **【推断】任何连续的一步映射 G(z|o) 都会把少量质量落在两个模态之间。** z 服从高斯分布，支撑集是连通的；连续映射的像也必然连通，所以总会有一部分噪声被送进"缝隙"，也就是穿柱区域。方法之间的差别只在于这部分质量有多小、边界有多陡。因此无论选哪种方法，**运行时都应该批量采 K 个噪声，用解析胶囊距离筛掉碰撞样本**，后训练也应该专门把边界样本推离立柱。
-
----
-
-### 2. 逐篇精读
-
-#### 2.1 MP1 — MeanFlow Policy（arXiv 2507.10543，v5，AAAI'26）
-URL：https://arxiv.org/html/2507.10543
-- **方法**：用 MeanFlow 学习区间平均速度 u(z,r,t)，通过 MeanFlow Identity 构造带 stop-grad 的回归目标（需要 JVP），推理时 A0 = A1 − u(A1,0,1)。同时加 CFG（ω 混合有/无条件速度），并在 U-Net 下采样块上加 Dispersive Loss（λ=0.5，τ=1）（§Method，式 1–8）。
-- **teacher**：不需要，从头训练。
-- **NFE**：1。
-- **延迟/硬件**：平均 6.8 ms，RTX 4090，其中 Adroit Hammer 7.1±0.2 ms；FlowPolicy 12.6 ms，DP3 132.2 ms（Table 2）。注意这是含点云编码器的延迟。
-- **多模态证据**：**没有**任何双峰测试，也没讨论模态平均。Dispersive Loss 针对的是"表征塌缩"（不同状态映射到相近特征），不是动作模态塌缩。【推断】CFG（ω>1）本身有锐化、削减多样性的倾向。
-- **低维状态结果**：没有。输入为点云 + 状态，Adroit/Meta-World 共 37 任务，平均 78.9%（Table 1）。
-- **训练成本/稳定性**：需要 JVP。flow ratio=1.0（全部 r≠t）时平均成功率塌到 2.4%；ratio=0（退化为 FM）为 72.6%，0.5 最好，为 82.4%（Table 4）。第三方报告：OFP §4.2 称 MP1 训练"high variance and frequent loss spikes"，OFP Fig.4 显示 MP1 在 150 条示教时性能下降。
-- **代码**：https://github.com/LogSSim/MP1 （已确认仓库存在，含代码目录）。
-
-#### 2.2 OFP — One-Step Flow Policy（arXiv 2603.12480v1，2026-03）
-URL：https://arxiv.org/html/2603.12480
-- **方法**：不用外部 teacher，用 EMA 自蒸馏学习区间平均速度。目标为 û=(ẑ_r − z_t)/(r−t)，只用前向、不需要 JVP，并配合"时间收缩"课程（§3.1，式 4–6）。另加 FM 边界锚定损失（式 7），以及基于 CFG 的 self-guidance（只用 CA 项，§3.2，式 12–13）。推理时用上一个 chunk 未执行的后缀做 warm-start，t_w=0.15（§3.3）。
-- **teacher**：不需要，用的是 EMA 自身。
-- **NFE**：1，也支持 4 等多步（Table 3）。
-- **延迟**：每个 chunk 17.58 ms；DP3（100 步）3225.67 ms，FM（100 步）1865.72 ms（§4.2）。**推理硬件【未核实】**，全文只写了训练用单卡 A100（App. B.3）。warm-start 使它略慢于 OneDP/MP1。
-- **多模态证据**：**没有**双峰测试。只有论述："CP 的轨迹匹配目标偏 mode-covering，会平均多模态；OneDP 的 score distillation 偏 mode-seeking，会降低多样性"（§1、App. E.2）。消融里只用 SCT 时 NFE=1 为 68.7%，作者解释为"one-step predictions often average over multiple valid modes"（App. D.1，Table 6），加 SGR 后升到 71.4%。**风险信号**：λ_sg=0.5 时 "forcing the model into mode collapse"，SR 降到 68.7%，最优是 0.05（Table 7c）。warm-start 的 t_w 过大（0.75）会"heavily suppress necessary generative randomness"（Table 7d）。
-- **低维状态结果**：没有。输入为 2D 图像 + 24/32 维本体状态，或点云（App. B.1）。56 任务 3D 平均 71.6%，DP3（100 步）为 66.4%（Table 2）。2D 7 任务为 68.3%（Table 1）。
-- **训练成本/稳定性**：用子批策略，p_sc=0.2、p_sg=0.1（Table 7a）。A100 上 3000 epoch，batch 64，主干 DiT 12 层/768 维（App. B.2–B.3）。作者声称比 MeanFlow 稳定，但**没有**给出内存/时长数字。只有仿真，没有真机（§6 Limitation）。
-- **代码**：全文**没有**找到代码链接，GitHub 搜索也无结果。
-
-#### 2.3 OMP — One-step MeanFlow Policy with Directional Alignment（arXiv 2512.19347v3）
-URL：https://arxiv.org/html/2512.19347
-- **方法**：在 MP1 的基础上加方向对齐损失 L_DA = −log((cos α+1)/2)，α 是预测平均速度与 v0=z_T−z_0 的夹角（§4.3.1，式 12）。另提供 DDE：用中心差分近似 du/dt，替代 JVP（式 14）。总损失 = MSE + λ_Disp·L_Disp + λ_DA·L_DA（式 13）。
-- **teacher**：不需要。
-- **NFE**：1。
-- **延迟**：只有 Fig.1 的 FPS 散点图，**没有具体 ms 数字【未核实】**。训练/测试在 RTX 4090（§5.1）。
-- **多模态证据**：**没有**。理论部分讨论的是"频谱偏置"和"低速区梯度饥饿"，不是模态问题。**【推断】隐患**：L_DA 是对逐样本条件目标做余弦对齐。在双峰条件下，不同样本的目标方向相反，余弦损失的总体最优解并不等于边缘速度场（与 MSE 不同，余弦损失不满足"条件期望即最优"的性质），可能引入偏置。论文没有分析这一点。
-- **低维状态结果**：没有。输入为点云，平均 82.3%（JVP）/ 80.8%（DDE），MP1 为 78.9%（Table 1）。**数据可疑点**：Table 1 中 "OMP-JVP −L_DA" 一行与 MP1 一行逐项完全相同。
-- **训练成本**：JVP 与 DDE 的显存对比（Table 3）：Adroit Hammer（H=4）6.60 vs 5.35 GB；Place Bottle（H=16）26.71 vs 19.19 GB。DDE 平均成功率掉 1.5 个点，Very Hard 任务上 77.8%→70.6%。作者证明 JVP 训练会使每层激活显存翻倍（App. B.3）。H=16 时 JVP 为 76.6%，DDE 为 78.2%（App. E.1，Table 5）。
-- **代码**："Codes are included in our supplementary material"（App. D）。公开仓库**【未核实】**。
-
-#### 2.4 K-MF — Kinematic MeanFlow（arXiv 2610.00864v1，2026-10-01，投稿 ICLR 2027）
-URL：https://arxiv.org/html/2610.00864
-- **方法**：利用运动学恒等式 u_{t,r}=(1−λ)u_{t,c}+λu_{c,r}，把 MeanFlow 的时间导数项拆成两个子区间项（式 5–7）。c 的取法有三种：随机、固定中点、或由一个 3 层 MLP 学出 λ=G_φ(t,r)（式 8）。仍用 JVP，两个子区间在 batch 维拼接后一次算完（§3.2 Implementation）。
-- **teacher**：不需要，支持从头训练，也支持微调 FM 预训练的 RFM。
-- **NFE**：1。
-- **延迟（GR00T-N1.6，3B）**：action head 在 L40 上 eager 28.0 ms（FM 为 109.3），compiled 6.2 ms（FM 19.1）；在 Jetson Orin 上 eager 63.6 ms、compiled 23.3 ms（Table 5a）。
-- **多模态证据**：**没有**双峰测试。它关注的是 VLA 速度场后期"局部加速度"激增（t=1 处达初值 76 倍）以及跨样本发散（§1），属于训练稳定性问题。
-- **低维状态结果**：没有。GR00T/SimVLA 输入为图像 + 语言 + 本体状态。PointNav（COMPASS，Unitree G1）的输入模态**【未核实】**，FM 73.8% vs K-MF 74.0%（Table 3）。
-- **训练成本/稳定性（重要）**：原生 MeanFlow 在 GR00T 上不加梯度裁剪就 Fail；加裁剪后 6.5%；再加渐进时间采样和 60K 步才到 87.0%（NFE=2）；**NFE=1 时 Fail**。MVP 在 NFE=1 时也 Fail；α-Flow NFE=1 为 84.5%（Table 1）。K-MF 训练时长比 FM 多 33%（GR00T）/27%（SimVLA），GR00T 峰值显存 53.7 GB（FM 35.6，MF 52.4）（Table 5b）。LIBERO 平均：GR00T 微调 97.9%（FM 4 步 97.3%）；SimVLA 从头训练 95.1%（FM 10 步 94.2%）（Table 2）。
-- **代码**：https://github.com/IntelChina-AI/K-MF 。2026-10-17 检查时仓库只有 README 和 imgs，**代码尚未发布**。
-
-#### 2.5 DM1 — MeanFlow + Dispersive Regularization（arXiv 2510.07865v1，AAMAS 2026）
-URL：https://arxiv.org/html/2510.07865
-- **方法**：MeanFlow（JVP），把 4 种 dispersive 正则（InfoNCE-L2/Cos、Hinge、Covariance）加在多个中间嵌入层上（§3.3–3.4）。训练中 ρ=0.5 的样本强制 r=t（App. B.2）。
-- **teacher**：不需要。
-- **NFE**：1 或 5。
-- **延迟**：Franka 真机，RTX 2080 上网络推理 MF(1)=2.4 ms，MF(5)=10.5–13.8 ms，ShortCut(32) 约 77 ms，ReFlow(128) 约 306–313 ms（Table 3）。仿真里"0.07 s vs 2–3.5 s"是 50 个并行环境的总时间（§4.2.2）。
-- **多模态证据**：**没有**双峰测试。摘要和引言声称 dispersive 能"捕获多样多模态行为"，但实验只有成功率和奖励。
-- **低维状态结果**：没有。输入为 ViT 图像 + 9 维本体状态（§4.3）。Robomimic 1 步（α_disp=0.1）：Lift 0.975、Can 0.740、Square 0.350、Transport 0.280（App. D.0.1）。数据集为 DPPO 版的低质量数据，绝对值不能和 CP/OneDP 直接比较。**数据可疑点**：App. D 的文字有自相矛盾之处，例如 "decline from 0.700 at two steps to 0.775 at five steps"。
-- **训练成本**：只有复杂度论述（App. B.4），**没有**实测内存/时长。
-- **代码**：项目页 https://guowei-zou.github.io/dm1/ ，仓库 https://github.com/guowei-zou/dm1-release （已确认含代码目录）。
-
-#### 2.6 Consistency Policy（arXiv 2405.07503，RSS 2024）
-URL：https://arxiv.org/html/2405.07503
-- **方法**：先训练 EDM teacher，再用 CTM-local 目标（相邻 t,u，任意 s）加 DSM 损失蒸馏出学生（§III-B）。支持 1 步，或在 {t_{2N/3}, t_{N/3}} 处做 3 步 chaining（§III-C）。初始噪声用低方差 N(0,1/T²)。
-- **teacher**：**需要**预训练 EDM teacher（仅训练期需要，运行时不需要）。
-- **NFE**：1 或 3。
-- **延迟**：仿真在 P5000 上 1 步 1 ms、3 步 2 ms，DDPM 110 ms（Table III）。真机在 3070 Ti 笔记本 GPU 上总计 21 ms，其中网络 13.5 ms（Table IV、XI）。
-- **多模态证据（直接负面证据）**：§V Limitations 写道："both the teacher EDM policy and Consistency Policy lose some of Diffusion Policy's multimodality, e.g., by favoring one side of the Push-T task over the other"，原因归于 ODE 蒸馏是确定性的。Table VI：低方差初始噪声在 1 步时 0.92 vs 0.90；作者自己也承认高方差的好处是"expressivity and multimodality"。
-- **低维状态结果（有）**：Push-T（state）1 步 0.82、3 步 0.84，DDPM 为 0.87（Table I）；Franka Kitchen（state）1 步 p4=0.93，DDPM 为 0.98（Table II）。
-- **训练成本/稳定性**："slightly less stable during training than Diffusion Policy"，需要更长训练，每步还要跑 teacher（§V）。CTM 比 CTM-local 慢 40% 以上（A5000）（§IV-D）。dropout 0.2 很关键，去掉 s→0 段的 dropout 后从 0.92 降到 0.86（Table IX）。不用 teacher 的 CT 版本在 Square 上只有 0.55（Table X）。
-- **代码**：https://github.com/Aaditya-Prasad/consistency-policy （已确认存在）。
-
-#### 2.7 OneDP — One-Step Diffusion Policy（arXiv 2410.21257）
-URL：https://arxiv.org/html/2410.21257
-- **方法**：在整条扩散链上最小化生成器分布与预训练 DP 分布的反向 KL（类似 SDS/VSD），配一个辅助生成器 score 网络（式 4–6）。OneDP-S 带噪声输入（随机策略）；OneDP-D 不带噪声（确定性，等价于 Dirac 分布）。
-- **teacher**：**需要**预训练 DP，以及一个额外的 score 网络；三者都从 DP 权重初始化。
-- **NFE**：1。
-- **延迟**：真机在 V100 上动作生成 7 ms + 观测编码 9 ms；DDIM-10 为 66 ms，DDPM-100 为 660 ms（Table 5）。
-- **多模态证据**：**没有**双峰测试。作者主动选择了 mode-seeking："reverse KL divergence typically induces mode-seeking behavior"（§2 Distillation Discussion）。【推断】OneDP-D 是确定性映射，按定义就没有多模态。OneDP-S 理论上可以保留，但反向 KL 天然倾向丢模态，OFP §1 也这么评价。
-- **低维状态结果**：没有。全部为视觉输入：Robomimic + PushT（图像）。DDPM 设定下 OneDP-S 平均 0.843，DP 为 0.829（Table 1）；EDM 设定下 OneDP-S 为 0.830，CP 1 步（450 ep）为 0.672（Table 2）。
-- **训练成本**：只需在 DP 预训练的基础上额外花 2%–10%（20 epoch，CP 为 450 epoch）（§1、§3.1）。网络规模：仿真 DDPM 256M、EDM 67M（App.）。
-- **代码**：全文**没有**找到链接，GitHub 搜索无果**【未核实】**。
-
-#### 2.8 COT Policy — Conditional OT Couplings（CoRL 2025，PMLR v305 sochopoulos25a；arXiv 2505.01179）
-URL：https://raw.githubusercontent.com/mlresearch/v305/main/assets/sochopoulos25a/sochopoulos25a.pdf 、https://arxiv.org/html/2505.01179v1
-- **方法**：对每个 minibatch 计算 OT 配对，代价为 ‖x0−x1‖² + ‖γ(c0−c1)‖²（式 4），其中噪声侧的条件 c0 是 c1 的随机置换。连续观测先 PCA 降维，再用 K-means 离散化（K≈batch size，默认 64）。之后做普通 CFM 训练（Alg. 1），推理用 midpoint 2 步或 Euler 1 步。
-- **teacher**：不需要，单阶段训练。
-- **NFE**：1–2。主表用 midpoint，NFE=2。
-- **延迟**：摘要称"10× speed-up compared to Diffusion Policy"。全文**没有给出 ms 数字【未核实】**。真机推理用 RTX 2080（App. C.4）。
-- **多模态证据（最强、最相关）**：
-  - two-moons/fork（y=U{x,−x}）低维任务：COT-CFM 在 NFE=1 时 W2²=0.345，CFM 1.490，OT-CFM 0.777（Euler）；且只有 COT 在 NFE=1 时能还原出两个月牙。**CFM 1 步 ≈ 条件均值**（App. D.1，Table 5，Fig. 1/8）。
-  - Maze2D：起点和终点都固定，q 值加噪声后得到多条路径。这和"左右绕柱"同构。Fig. 3 显示 COT 在 NFE=1/2 下都能覆盖多条路径，Trajectory Variance 高于 CFM（§3.2）。**只有图，没有表格数值【定量部分未核实】**。
-  - 真机 Push-T：NFE=1 Euler 能同时复现顺时针和逆时针两种推法（App. C.3，Fig. 7）。
-  - 反例：朴素 OT-CFM（不考虑条件）会得到有偏样本（Fig. 1）。K 太小时退化成 OT-CFM（Fig. 4）。
-- **低维状态结果**：two-moons/fork 是纯低维（4×64 SELU MLP，App. B.1）。Maze2D 的输入模态**【未核实】**。MimicGen/push-t 用图像。6 任务平均：COT（NFE=2）0.818 vs DP DDIM（NFE=20）0.781，CFM（NFE=2）0.790（Table 1）。
-- **训练成本**：与 CFM/DP 相同，收敛速度也相近（Fig. 5）。OT 用 EMD。PCA 特征向量矩阵会占显存（App. B.2）。作者承认的局限：K 需要调；高维时低 NFE 与高 NFE 仍有差距（§5）。
-- **代码**：https://github.com/ansocho/cot_policy （已确认存在）。
-
-#### 2.9 Shortcut Models（Frans et al., arXiv 2410.12557, ICLR 2025）及其在 ReinFlow（arXiv 2505.22094）中的用法
-URL：https://arxiv.org/html/2410.12557 、https://arxiv.org/html/2505.22094
-- **方法**：网络同时以步长 d 为条件。d=0 时就是 FM 损失；d>0 时用自洽目标 s(x_t,t,2d)=½s(x_t,t,d)+½s(x'_{t+d},t+d,d) 做 bootstrap（Shortcut §3，式 4–5）。batch 中 k=1/4 的样本做自洽，其余做 FM。ReinFlow 在流轨迹中注入可学习噪声，把它变成离散时间马尔可夫过程，得到精确似然，再用 PPO 微调；微调后丢掉噪声网络（ReinFlow §4.1–4.3）。
-- **teacher**：不需要，单网络、单阶段。不需要 JVP，自洽目标只需额外两次前向。
-- **NFE**：任意，1/2/4 均可。ReinFlow 在 Can/Square 上用 1 步，在 Transport 上用 4 步（ReinFlow §5.2）。
-- **延迟**：两篇论文都**没有给出 ms**。ReinFlow 只给出每次迭代的 wall-time，在 RTX 3090 上测（ReinFlow App. D，Table 3）。
-- **多模态证据**：Shortcut Fig. 7 的说明称"Shortcut models can represent multimodal policies in a similar manner as diffusion policies"。1 步结果：Push-T 0.87、Transport 0.80；DP 1 步为 0.12/0.00（§5.5）。**只有定性轨迹图，没有双峰统计**。作者自承局限："the mapping between noise and data is entirely dependent on an expectation over the dataset"，且 1 步与多步之间仍有差距（§6）。
-- **低维状态结果**：ReinFlow 中 Franka Kitchen（state 输入）用 Shortcut 策略，参数仅 0.16M actor；同时测了 K=1/2/4 的 RL 微调（App. Table 2、Fig. 13，**只有曲线【数值未核实】**）。Gym 运动控制任务（state）用的是 1-ReFlow 策略，0.55–0.80M 参数。
-- **训练成本**：约比扩散模型多 16% 计算（Shortcut §3 脚注）。若自洽损失不稳定，可降低其占比；推荐使用非零 weight decay（§6 Best practices）。ReinFlow 的稳定性技巧：裁剪 log-ratio（state 任务 ε=0.01）、裁剪去噪动作、critic warm-up（ReinFlow App. D.2）。
-- **代码**：https://github.com/kvfrans/shortcut-models 、https://github.com/ReinFlow/ReinFlow （均已确认存在）。
-
-#### 2.10 FreqPolicy（NeurIPS 2025，arXiv 2506.08822v2）
-URL：https://arxiv.org/html/2506.08822v2
-- **重名提醒**：NeurIPS 2025 有两篇 FreqPolicy。另一篇是 arXiv 2506.01583 "Frequency Autoregressive Visuomotor Policy"（4DVLab），属于自回归方法，不是一步生成器。本文按"一步/少步"的范围评估 2506.08822。
-- **方法**：FM 损失之外，加一项频域一致性损失：在两个任意时刻 s,r 的速度上做 type-II DCT 后对齐（§3.3，式 9–14），并按频段方差自适应加权。
-- **teacher**：不需要。
-- **NFE**：1。
-- **延迟**：真机在 RTX 4090 上 93.5 Hz（约 10.7 ms），DP 19.8 Hz，FM 20.2 Hz（§4.2）。OpenVLA 头为 6.05 Hz（Table 3）。
-- **多模态证据**：**没有**双峰测试。
-- **低维状态结果**：没有。输入为图像、点云或 VLA。Robomimic（图像）1 步：Can 0.98、Square 0.92、Transport 0.90、ToolHang 0.85（Table 1）。3D 53 任务平均 78.5%（Table 2）。消融里 vanilla FM 1 步为 0.94/0.90/0.84/0.76（Table 4），见 §1 第 2 点。
-- **训练成本**：每个样本需要两次前向，"demands more computational resources"（§5 Limitation）。在单卡 A100 上训练（App. A.3）。
-- **代码**：全文**没有**找到官方链接，GitHub 搜索只命中重名的另一篇**【未核实】**。
-
----
-
-### 3. 汇总对比表（原文数据）
-
-| 方法 | 需要 teacher | NFE | 延迟（硬件，出处） | 多模态证据 | 低维状态实验 | 训练风险 | 代码 |
-|---|---|---|---|---|---|---|---|
-| MP1 | 否 | 1 | 6.8 ms，4090，含点云编码（T2） | 无 | 无 | JVP；他人报告 loss 尖峰 | 有 |
-| OFP | 否（EMA） | 1/多 | 17.58 ms，硬件未说明（§4.2） | 无；SGR 过强会塌缩（T7c） | 无 | 无 JVP；超参多 | 未找到 |
-| OMP | 否 | 1 | 无 ms（Fig.1） | 无；余弦损失存疑【推断】 | 无 | JVP 显存表（T3）；DDE −1.5pt | 附录补充材料 |
-| K-MF | 否 | 1 | AH 6.2–63.6 ms，L40/Orin，3B（T5a） | 无 | 无（PointNav 模态未核实） | MF 1 步 Fail（T1）；+27–33% 时长 | 仅 README |
-| DM1 | 否 | 1/5 | 2.4 ms，2080（T3） | 无（仅声称） | 无（9 维本体 + 图像） | JVP；文中数字自相矛盾 | 有 |
-| CP | **是** | 1/3 | 1 ms，P5000；21 ms，3070Ti（T3/T11） | **负面**：Push-T 偏向一侧（§V） | **有**：Push-T 0.82，Kitchen p4 0.93 | 比 DP 不稳；训练更久 | 有 |
-| OneDP | **是**（+score 网络） | 1 | 7 ms，V100（T5） | mode-seeking（自述）；D 版确定性 | 无 | +2–10% 预训练成本 | 未找到 |
-| COT | 否 | 1–2 | 无 ms；"10×" | **最强**：two-moons/fork/Maze/真机 Push-T | 合成低维有；Maze 模态未核实 | 同 CFM；K 需调 | 有 |
-| Shortcut(+ReinFlow) | 否 | 1/2/4 | 无 ms | 定性（Fig.7） | **有**：Kitchen state 0.16M（仅曲线） | +16%；可 RL 微调 | 有 |
-| FreqPolicy | 否 | 1 | ~10.7 ms，4090（§4.2） | 无 | 无 | 2× 前向 | 未找到 |
-
----
-
-### 4. 针对本项目的裁决表
-
-评分：✅ 合适 / ⚠️ 有条件 / ❌ 不合适。所有评价都对照 §0 的设定。
-
-| 方法 | 无 teacher 运行 | 训练可行性（3090，5M） | 浏览器 ONNX（1 网络，单/少次前向） | 多模态保真（左右绕柱） | 与 APG 后训练的契合 | 总评 |
-|---|---|---|---|---|---|---|
-| **Shortcut** | ✅ | ✅ 无 JVP，+16% | ✅ 需额外输入 d | ⚠️ 只有定性证据；1 步与多步有差距 | ✅ 1 步时梯度直通；ReinFlow 证明可 RL 微调 | **首选骨架** |
-| **COT 耦合** | ✅ | ✅ 低维条件可直接 K-means，不需要 PCA【推断】 | ✅ 与普通 FM 结构相同 | ✅ 唯一有直接双峰证据 | ✅ 与骨架正交 | **首选插件**（训练时加在 Shortcut/MF 上）【推断：两者组合在原文中没有实验，只在 COT §5 中作为未来方向提到】 |
-| OFP | ✅ | ✅ 无 JVP，但超参多 | ✅；warm-start 需维护状态 | ⚠️ 无测试；SGR 有塌缩风险 | ✅ | 次选。只借鉴 warm-start 和 FM 锚定，SGR 关闭或 λ≤0.05 |
-| MeanFlow（MP1/DM1） | ✅ | ✅ 在 5M MLP 上 JVP 显存不是问题【推断】，但有稳定性报告（OFP §4.2、K-MF T1） | ✅ | ⚠️ 无测试；CFG 可能锐化掉一个模态【推断】 | ✅ | 备选 |
-| OMP | ✅ | ✅ | ✅ | ⚠️ 余弦对齐在双峰下可能有偏【推断】 | ✅ | 不建议直接采用 L_DA |
-| K-MF | ✅ | ⚠️ 为 3B VLA 设计，代码未发布 | ✅ | ⚠️ 无测试 | ✅ | 只在 MeanFlow 训练不稳时借鉴中点分解 |
-| FreqPolicy | ✅ | ✅（2× 前向） | ✅ | ⚠️ 无测试 | ✅ | 可作为平滑正则的辅助项（16 步 chunk 的 DCT） |
-| CP | ✅（训练需 teacher） | ⚠️ 两阶段，较不稳定 | ✅ | ❌ 原文自述丢模态 | ⚠️ | 不推荐 |
-| OneDP | ✅（训练需 teacher + score 网络） | ⚠️ 两阶段 | ✅ | ❌ mode-seeking / 确定性版本 | ⚠️ | 不推荐。【推断】若只关心"不平均"，mode-seeking 反而不会穿柱，但会失去左右选择能力，且闭环中可能左右跳变 |
-
----
-
-### 5. 排名推荐
-
-1. **Shortcut Model 骨架 + COT 条件耦合 + FM 锚定（d=0），NFE=1，必要时用 2 步。**
-   - 理由：不需要 teacher，不需要 JVP，单阶段训练，开销约 16%。同一个网络支持 1/2/4 步，可以按浏览器实测延迟取舍。ReinFlow 已在低维 state 任务（Kitchen，0.16M）上用它做过 RL 微调。COT 是唯一用双峰任务（fork、two-moons、Maze 多路径）证明"1 步不取均值"的方法，而且训练成本与 CFM 相同。
-   - 低维 60 维状态可直接做 K-means（K≈batch），γ 按 COT App. E.1 选。【推断】最好把"同一状态下的左右样本"放进同一簇，这样 OT 才能把噪声空间按模态切开。
-2. **OFP 式自蒸馏（前向一致性 + FM 锚定 + warm-start）**，作为 1 的替代或补充。
-   - 【推断】warm-start（上一 chunk 后缀加噪，t_w≈0.15）对 50 Hz 闭环特别有价值：它让相邻决策沿用同一模态，抑制左右跳变。但这只是推断，论文没有测模态一致性。
-   - SGR 建议关闭，或 λ≤0.05，因为原文 λ=0.5 时出现模态塌缩。
-3. **MeanFlow（MP1 配方，不加 CFG，或 ω=1）**。在 5M 规模上 JVP 成本可接受。若出现 loss 尖峰，可以借鉴 K-MF 的中点分解，或 OMP 的 DDE。
-4. **FreqPolicy 的 DCT 一致性**：只作为辅助正则（降低 chunk 抖动），不单独作为主方法。
-5. **不推荐：CP、OneDP**。都依赖 teacher 训练，且分别有模态丢失（CP 原文自述）和 mode-seeking（OneDP 自述）。
-
-**无论选哪种方法都应加上的工程措施【推断，均未在上述论文中验证】：**
-- **运行时多样本 + 解析碰撞筛选**：把 K 个噪声（如 8–32）打成一个 batch 做一次前向，用可微胶囊距离挑出无碰撞且代价最小的样本。这直接针对 §1 第 3 点（连续映射必然有样本落入缝隙）。
-- **模态一致性**：在一次绕柱过程中锁定噪声，或使用 warm-start，避免每 20 ms 重采样时左右翻转。
-- **APG 后训练时保住双模态**：只对 reward 求梯度会把整个分布推向单一模态。必须保留 FM/BC 锚定损失（类似 OFP 式 7、ReinFlow 的 W2/熵正则），并分别监控左/右样本比例。理想情况下，APG 应只把"缝隙样本"推离立柱（锐化分界），而不是改变左右比例。
-- **专门的多模态评估**：成功率不够（见 §1 第 2 点）。应在同一状态下采 N 个样本，统计左/右/穿柱三类比例，以及立柱附近状态的最小胶囊距离分布。
-
----
-
-### 6. 明确的不确定项
-
-1. 没有任何一篇论文在**低维状态 + 已知几何障碍 + 双峰绕行**的设定下给出定量的"穿越率/模态比例"。COT 的 Maze 证据最接近，但只有图，输入模态也未核实。
-2. 所有论文的模型规模都远大于 3–5M（OFP DiT 768×12；CP/OneDP 67–256M；COT 约 240M U-Net）。只有 ReinFlow 的 state 任务（0.16–0.8M）接近我们的规模。小模型能否学出陡峭的模态边界**未知**。
-3. 浏览器 ONNX 延迟：所有数字都来自 GPU，**没有** WASM/WebGPU 数据。5M 参数单次前向在浏览器里大约需要几毫秒【粗略推断】，必须实测。
-4. OFP 的推理硬件、OMP 和 COT 的 ms 延迟、OneDP/OFP/FreqPolicy 的代码、K-MF 的代码（尚未发布）均**未核实或不可得**。
-5. Shortcut 与 COT 组合、warm-start 抑制模态跳变、APG 下的模态保持，都是**推断**，没有文献实验。
-6. 数据质量疑点：OMP Table 1 有一行与 MP1 完全相同；DM1 附录文字自相矛盾；OFP 只有仿真结果。
-7. 各论文基准不同（Robomimic 的 ph/mh 数据、DPPO 低质量数据、点云 vs 图像），跨论文的成功率数字**不可直接比较**。
-
----
-
-### 7. 实际抓取的来源 URL
-
-- https://arxiv.org/html/2507.10543 （MP1）
-- https://arxiv.org/html/2603.12480 （OFP）
-- https://arxiv.org/html/2512.19347 （OMP）
-- https://arxiv.org/html/2610.00864 （K-MF）
-- https://arxiv.org/html/2510.07865 （DM1）
-- https://arxiv.org/html/2405.07503 （Consistency Policy）
-- https://arxiv.org/html/2410.21257 （OneDP）
-- https://raw.githubusercontent.com/mlresearch/v305/main/assets/sochopoulos25a/sochopoulos25a.pdf （COT，PMLR 版全文）
-- https://arxiv.org/html/2505.01179v1 （COT，arXiv 版）
-- https://arxiv.org/html/2410.12557 （Shortcut Models）
-- https://arxiv.org/html/2505.22094 （ReinFlow）
-- https://arxiv.org/html/2506.08822v2 （FreqPolicy）
-- GitHub 存在性检查：LogSSim/MP1、guowei-zou/dm1-release、Aaditya-Prasad/consistency-policy、ansocho/cot_policy、kvfrans/shortcut-models、ReinFlow/ReinFlow、IntelChina-AI/K-MF（仅 README）
-- proceedings.mlr.press/v305/sochopoulos25a 摘要页通过搜索结果确认；全文使用上面的 PMLR PDF。
-
-本地提取的全文文本：/workspace/work/out/survey/src/*.txt（同目录下另有其他任务的文件，与本报告无关）。
-
-
----
-
-# 三、代价引导与实时动作块（RTC）
-
-## 代价引导扩散运动规划 + 实时分块（RTC）文献精读与对我方设定的评估
-
-> 撰写：2026-10-17。全部结论来自下列已抓取的全文（HTML/PDF），引用均标注论文章节/表号。
-> 标记约定：**[原文]** = 论文直接给出的数字/陈述；**[推断]** = 我基于原文对我方设定做的推理，论文未直接验证；**[未验证]** = 未抓取全文或论文中仅有图、无可读数值。
-
-### 0. 我方设定（评估基准）
-6-DOF 机械臂；固定且精确已知的环境（一根立柱，胶囊体碰撞模型，解析距离）；低维状态；闭环 50 Hz；动作块 H=16 步（320 ms）；每周期提交 s=3 步（60 ms 重规划一次）；浏览器端推理；生成器计划 1 步或少步；运行时无教师/规划器；精确安全层校验已提交步。
-
-### 1. 已抓取的来源
-| 论文 | URL |
-|---|---|
-| MPD (IROS'23) 2308.01557 | https://arxiv.org/pdf/2308.01557 |
-| MPD 期刊版 2412.19948 (v3) | https://arxiv.org/html/2412.19948 |
-| EDMP 2309.11414 | https://arxiv.org/html/2309.11414 |
-| GPD 2501.18229 | https://arxiv.org/html/2501.18229 |
-| CAMPD 2510.14615 (v2) | https://arxiv.org/html/2510.14615 |
-| DiffusionSeeder 2410.16727 | https://arxiv.org/html/2410.16727 |
-| RTC 2506.07339 (v2) | https://arxiv.org/html/2506.07339 |
-| Training-time RTC 2512.05964 (v2) | https://arxiv.org/html/2512.05964v2 |
-| BID 2408.17355 (v4) | https://arxiv.org/html/2408.17355 |
-| ACT 2304.13705 | https://arxiv.org/pdf/2304.13705 |
-
-未抓取、仅在检索结果中出现（**[未验证]**）：Soft RTC / "Action-Prior Denoising for Smooth Real-Time Chunking"（alphaxiv 2605.25537，据摘要把训练时 RTC 的二值前缀推广为连续权重窗口）；FutureRTC（2607.24008）；VLASH（2512.01031）、A2C2（2509.23224，训练时 RTC 论文 §II 提及：分别用"单个未来动作条件"和"轻量校正头"解决块间不连续）。
-
----
-
-### 2. 代价引导扩散运动规划
-
-#### 2.1 各方法要点与关键数字
-
-**MPD（IROS'23，2308.01557）**
-- 算法（§III-D, Alg.1）：每个去噪步先算先验均值 μ_t，再在 μ_t 处加代价梯度 g=−Σλ_i∇c_i，**丢弃协方差 Σ_t 缩放**（否则 t→0 时引导消失）。训练/推理 **25 个扩散步**（§IV-A "trained for 25 diffusion steps"）。
-- 结果（Table I，100 个上下文×每上下文 100 条轨迹，RTX 3090；S = 批内至少一条无碰撞）：
-  - Panda Spheres（训练环境）：DPrior 0.3 s / S 88% / 碰撞航点比 I 11.5% → MPD 1.1 s / S 100% / I 1.2%。
-  - Panda Spheres-Extra Obstacles（新障碍）：DPrior 0.3 s / 78% / I 23.9% → MPD 1.1 s / 93% / I 12.5%；CVAE-Posterior（先采样后优化）0.8 s / 45%。
-  - Panda Shelf（训练环境）：DPrior 100%/I 3.6% → MPD 100%/I 0.6%。
-  - PointMass3D Maze-Extra：DPrior 51% → MPD 82%（I 14.8%→3.1%）。
-  - 代价：引导使时间约 0.3 s → 1.0–1.1 s（≈3.5×），作者称主要开销在代价梯度而非网络（§IV-B）。
-- 真机（§IV-C）：25 条无碰撞规划执行后 19/25 无碰撞，归因于球体碰撞近似误差。
-
-**MPD 期刊版（2412.19948）**
-- B 样条控制点空间扩散；**DDIM 15 步 + 二次时间表**；**只在最后 i_cost=3 步施加代价梯度，每步 M=4 次内梯度步，共 12 次代价梯度步**；用信赖域 δ=0.15 约束偏离先验均值（式 15），λ_prior∈[0.25,0.5]（附录 B）。作者原话：高噪声水平下"this gradient produces little effect"，所以只在末段引导（§III-F）。
-- 延迟（§IV-D, Fig.7）：EnvSpheres3D-Panda，100 条轨迹总计 ≈0.56 s，其中扩散采样仅 0.057 s（≈3.8 ms/次网络前向），**其余几乎全是代价梯度**。
-- 新障碍下有效轨迹占比（§IV-D）：EnvWarehouse-Panda，Dprior 18.4% → MPD 73.5%；vs 无信息 GP 先验+代价（≈CHOMP）成功率 67.8% → 96.0%。
-- **"先采样再优化"对照（与我们的"事后梯度投影"最接近）**：基线 Dprior+Cost 使用**相同数量**的代价优化步（§IV-B）。真机 Table I：Dprior 成功 0%；Dprior+Cost 成功 100%、有效占比 37.0%、多样性 27.95；MPD 成功 100%、有效占比 78.0%、多样性 59.50。§IV-E/Fig.11 解释：轨迹大段已在障碍内时，事后梯度"更难把它移出碰撞"。
-- 局限（§V）：提到可用"每步投影到安全流形"替代分类器式引导，但"projection can be computationally expensive"——未实验。
-
-**EDMP（2309.11414）**
-- 在 MPD 基础上用 **12 个代价函数集成**（5 个相交体积 + 7 个扫掠体积），并行跑多条引导扩散，取最小碰撞代价（§III, Alg.1）。GPD 论文指出 EDMP 使用 T=256 去噪步（GPD §IV）。
-- 结果（Table I/II，MπNets 测试集，成功率%）：EDMP Global/Hybrid/Both = 75.93/86.13/85.06；对比 MπNets(Hybrid 训练) 75.78/95.33/95.06。Table III：单引导平均 79.25% vs 集成 89.30%。
-- 失效模式（§III）：SDF 型碰撞代价"在起终点之间有窄架子时挣扎"；需"障碍膨胀"技巧才能诱出回撤行为（Fig.3）——即**局部极小值、需手工调代价**。
-
-**GPD（2501.18229）**
-- 在 Bernstein 系数（8 个控制点）空间扩散，梯度经 Bᵀ 预条件（式 5）使整条轨迹"像拉绳子一样"整体移动；T=64（EDMP 为 256）。
-- Table I（单代价引导，成功率% Global/Hybrid/Both，时间）：PD（无引导多项式先验）32.11/40.38/41.54，0.22 s；MPD 51.33/62.27/67.12，7.32 s；EDMP-1G 53.11/66.50/68.88，7.95 s；**GPD-1G 65.50/72.89/73.00，0.8 s**。→ 在同一参数化下，引导比无引导 +33 个百分点（Global），延迟 ×3.6。
-- Table II：GPD-7G 81.94/90.88/90.24（0.85 s）；GPDS（单引导+RRT-Connect 拼接）87/92.83/92.61（1.9 s）；单独 RRT-Connect 83.33/90.83/90.60（7.14 s）。
-- 失效模式（§III-B, Fig.3）：航点空间引导只把个别航点推出碰撞，整条轨迹仍不可行；高噪声步的引导被去噪"拉回先验"所压倒。
-
-**CAMPD（2510.14615）——反例：不用代价引导**
-- 无分类器引导（CFG），以障碍参数（球/长方体的位置尺寸）通过注意力条件化，无代价梯度（§III）。附录：T_train=25；DPM-Solver++ 推理仅 **T_inf=3 步**；输出加高斯滤波。
-- Table I（随机球环境，100 条/批）：0.066 s / 批，S 97.5%（w=1），可行轨迹率 FTR 79.4–82.8%；对比 MPD 3.165 s、S 80.7%、FTR 59.6%（部分随机球）。CFG 强度 w=5 时 FTR 降到 67.9%、平滑性变差（**过强引导→离流形**）。
-- Table II（MπNet 测试集，N_batch=12）：DDPM 25 步 成功 90.7%（7+20 ms，IK+规划）；**DPM-Solver++ 3 步 w=1/2/5：86.9%/87.6%/78.9%（8+5 ms）**；N_batch=64：DDPM 98.3%，3 步 96.2%/97.2%/93.3%（8+7 ms）；cuRobo 92.0%（N=12, 26 ms）/93.8%（N=64, 111 ms）。→ **少步（3 步）条件化生成器比 25 步只掉 ~1–4 个百分点**。
-
-**DiffusionSeeder（2410.16727）——扩散出种子 + 事后优化**
-- 深度图条件 DDPM，**DDIM 5 步**、12 条种子，6 ms（RTX 4090，含 ViT）；然后 cuRobo 优化 N_iters 次（§4.3, §5）。
-- Table 1（部分观测）：25 次迭代 85.1% / 15 ms 规划；50 次 85.8%；475 次 86.2%；cuRobo-100 77.9% / 207 ms。
-- **附录 7.8.3：在环代价引导（k=60, n=20 步/时刻，扫参最优）只把成功率从 80.6% 提到 81.1%**；作者解释：条件化模型已输出低代价区域的种子。
-- **附录 7.8.9（无优化器）**：纯扩散输出无碰撞率仅 ≈38%，最大 jerk ≈270 rad/s³，经 cuRobo 优化降到 ≈106。→ 事后优化是主要"纠错"手段。
-- 分布外（附录 7.8.1，窄通道）：DiffusionSeeder 与 cuRobo 同为 52.4%。
-
-#### 2.2 问题逐条回答
-
-**Q1：1–2 步去噪时代价引导还有效吗？**
-- **[原文] 没有任何一篇在 1–2 步下测试过代价引导。** 最少的是：MPD 期刊版 15 步 DDIM 且只在最后 3 步引导（每步 4 次内梯度），DiffusionSeeder 5 步（引导仅 +0.5 pt），CAMPD 3 步但用的是 CFG 不是代价梯度，RTC 用 5 步（是前缀修复引导，不是碰撞代价）。
-- **[原文] 少步会让梯度引导变得不稳定**：RTC 附录 A.2——n=5 时引导权重 β 过大导致动作块发散、最大加速度上升（Fig.7），β 需夹到 5；作者明说图像修复常用 n=100，控制里 n=5 才需要夹紧。GPD/MPD 都说高噪声阶段的梯度基本无效。
-- **[推断]** 在 1 步生成器上，"引导"在数学上退化为：一次网络前向 + 在输出（或其 x̂₁ 估计）上做若干梯度步——等价于事后梯度投影；在 2 步时，只有第二步之前一次机会，与 MPD"仅末段 3 步引导、每步多次内迭代"的有效方案在结构上相同，即本质上也是"先验输出 + 局部优化"。所以对我们而言，"1–2 步 + 引导"与"1 步 + 事后投影"区别很小，选后者更简单。
-
-**Q2：相对无引导提升多少，代价多少延迟？**
-| 来源 | 无引导 | 有引导 | 延迟 |
-|---|---|---|---|
-| MPD-IROS Panda Spheres（训练环境） | S 88%, I 11.5% | S 100%, I 1.2% | 0.3→1.1 s / 100 条 |
-| MPD-IROS Panda Spheres + 新障碍 | 78%, I 23.9% | 93%, I 12.5% | 同上 |
-| MPD-期刊 Warehouse + 新障碍 | 有效 18.4% | 73.5% | 0.56 s，其中网络 0.057 s |
-| GPD（MπNets Global） | PD 32.11% | GPD-1G 65.50% | 0.22→0.8 s |
-| EDMP 集成 vs 单引导 | 79.25%（单） | 89.30%（12 个） | EDMP 8.22 s（GPD Table II） |
-| DiffusionSeeder（条件化模型） | 80.6% | 81.1% | 在环引导 n=20/步，额外开销未报 |
-| CAMPD（无代价引导） | — | 3 步 86.9–87.6% vs MPD 慢 ~48× | 66 ms vs 3.165 s / 100 条 |
-**规律 [原文+推断]**：引导的增益在"先验不知道障碍"（新障碍、分布外）时大（+15~+55 pt），在"先验已被环境条件化/训练环境已覆盖"时小（DiffusionSeeder +0.5 pt；MPD 训练环境主要是把碰撞航点比从 11.5% 压到 1.2%）。我们的环境是固定的、训练数据可完全覆盖 → 属于后一类。
-
-**Q3：失效模式**
-- 局部极小：EDMP §III（SDF 代价在窄架子间失败，需障碍膨胀、多代价集成）；MPD-期刊 §I（优化方法依赖初始化）；GPD Fig.3（逐航点推不出整段碰撞）。
-- 离流形 / 分布偏移：MPD-期刊式 15 用 δ 信赖域"防止偏离先验太远导致分布偏移"；RTC A.2：β 过大 → 发散、jerk ↑；CAMPD：CFG w=5 → FTR 82.8%→67.9%、平滑性变差。
-- 高噪声阶段引导无效、被先验压倒（MPD-期刊 §III-F；GPD §III-B）。
-- 未经优化的扩散输出动力学质量差：DiffusionSeeder 纯输出 jerk ≈270 rad/s³、无碰撞率 ≈38%（附录 7.8.9）。
-- 分布外场景无优势：DiffusionSeeder 窄通道 52.4% = cuRobo。
-
-**Q4：能否用"对输出块的事后梯度投影"替代引导？**
-- **[原文] 反对证据**：MPD-期刊 Dprior+Cost（同等梯度步数）真机有效占比 37% vs MPD 78%，多样性 27.95 vs 59.50；CVAE-Posterior（先采样后优化）在 Panda+新障碍仅 45% vs MPD 93%。原因：先验样本大段穿过**训练时不存在**的障碍时，事后梯度难以把它推出来。
-- **[原文] 支持证据**：DiffusionSeeder（环境条件化先验 + 事后优化 25–50 次）85–86%，在环引导几乎无增益；CAMPD 条件化 3 步无引导即达 87–97%。
-- **[推断] 对我方的结论：可以替代，而且更合适。** 反对证据的前提是"推理时出现了先验没见过的障碍"；我们的立柱是固定且已知的，先验在训练中就学会了绕柱的两种模式，事后投影只需修补小幅穿透/余量不足——正是事后局部优化擅长的。并且我们有解析胶囊距离，16×6=96 维块上做几次投影梯度步在 JS 中是亚毫秒级（未测）。唯一要防的是"整块已在柱子错误一侧"这类模式错误——投影修不了，应交给生成器多样本+安全层拒绝/回退。
-
----
-
-### 3. 实时分块 RTC 与训练时前缀条件化
-
-#### 3.1 RTC 算法（2506.07339, §3, Alg.1）
-- 异步：执行当前块的同时生成下一块；推理延迟 d=⌊δ/Δt⌋ 内必然执行的前 d 个动作被"冻结"，其余"修复"（inpainting）。约束 d ≤ s ≤ H−d（Fig.3）。
-- 修复方法：基于 ΠGDM 的伪逆引导（式 2–4）：v ← v + min(β, (1−τ)/(τ·r_τ²))·(Y−¹)ᵀ diag(W) ∂¹/∂A^τ，**每个去噪步需一次向量-雅可比积（反向传播）**。β 为作者新增的权重夹紧，β=5。
-- 软掩码（§3.2，式 5）：前 d 步权重 1，之后到 H−s 指数衰减，最后 s 步为 0；作者称在 d 小时"critical"。A.4：指数衰减最好，线性几乎一样；Diffuser 式"硬覆盖"修复更便宜、"仍有一些收益"但不如引导式。
-- 延迟估计：取最近 b=10 次延迟的最大值；s=max(d, s_min)。
-
-#### 3.2 所需推理步数与延迟
-- **[原文]** 仿真与真机都用 n=5（Table 4）。π0.5 上：每次去噪 14 ms→35 ms（2.5×），模型总延迟 76 ms→97 ms（Table 3）；BID N=16 为 115–223 ms（Table 1）。
-
-#### 3.3 是否适用于 1 步生成器
-- **[原文]** 作者：仅适用于扩散/流策略（§6）；未测 n=1。A.2：τ=0 时权重无穷大必须夹紧；n=5、β≥4.25 时夹紧只决定第一步权重。
-- **[推断]** n=1 时整个输出就由"τ=0 处夹紧的一步 + 一次 VJP"决定，引导强度完全由 β 人工设定，属于无依据的外推；Pokle 等从 τ>0 起步的变体作者未尝试。而且浏览器端推理（ONNX Runtime Web 等）做反向传播不方便。→ 对我们 **不推荐推理时 RTC**。
-
-#### 3.4 实测收益 vs 时间集成 / 朴素分块
-- **Kinetix 仿真（§4.1, Fig.5，H=8，2048 次/点）[原文定性，具体数值仅在图中，未读出]**：TE "across the board" 表现差，**即使 d=0**（多模态下有效动作的平均不一定有效）；RTC 对延迟最鲁棒，领先 BID 且差距随 d 增大；硬掩码弱于软掩码（d 小时更明显）；RTC 执行步长越短越好。
-- **真机（§4.2, Fig.6，π0.5，6 任务，480 回合）**：吞吐量在所有延迟下最佳，+100/+200 ms 时显著；RTC 对注入延迟"完全鲁棒"，同步推理线性退化；**两种 TE 在 +100/+200 ms 下振荡到触发保护停机**；Fig.1：同样动作比同步快 20%，比 TE 更平滑；点蜡烛任务最终得分优势大。
-- **BID（2408.17355）**：N=16, K=3；相对 vanilla 闭环 +32%，与 EMA(=TE) 组合 +46%（§5.2, Fig.7）；EMA 在 7 任务中 2 个下降，且最优衰减率因任务而异（附录 A.4）；VQ-BeT 上 1→16 样本成功 49.1%→54.2%，时间 13.2→25.9 ms（Table 2）。RTC 论文称 BID 在仿真不如 RTC 且算力高很多。
-- **ACT 原文（2304.13705, §VI-A, Fig.8b）**：TE 对 ACT +3.3%，对 BC-ConvMLP +4%，对 VINN 下降；注意 ACT 测试时把 CVAE 的 z 设为 0（确定性解码，§IV），即 **TE 在"单峰确定性"预测上才有效**——这正是它在多模态扩散/流策略上失效的原因。
-
-#### 3.5 更简单的训练时前缀条件化是否有效（2512.05964）
-- 方法（§IV）：训练时随机采样延迟 d，前缀用真值非噪声动作并把其流匹配时间设为 1，只对后缀算损失；需允许逐 token 不同时间步（adaLN 的 scale/shift/gate 逐 token）；推理零额外开销（Alg.1 代码几行）。
-- 结果 **[原文]**：仿真中 d≥2 时优于推理时 RTC，差距随 d 增大而扩大；**d=0、1 时"very marginally worse"**（Fig.3，数值仅在图中）。真机 π0.6（盒子组装、意式咖啡）：成功率与时长与推理时 RTC 持平，端到端延迟 108 ms（d≈5）vs 135 ms（d≈7）。
-- 局限 **[原文]**：只支持"硬"前缀（d 个动作），不能像软掩码那样软利用剩余重叠；需按预期延迟选训练延迟分布（仿真用 {0..4} 指数递减权重，真机 U[0,10]）。
-- **[推断]** 对 1 步生成器天然适用：它只是"条件输入"，与积分步数无关。
-
-#### 3.6 对我方设定的特殊考量 **[推断]**
-- 我们 H=16、s=3；若浏览器单次推理 <20 ms，则 d=0–1，硬前缀只有 0–1 个动作——恰好是训练时 RTC 相对最弱、软掩码最有价值的区间。建议：把上一块的**全部剩余重叠**（16−3=13 步）作为条件输入，并按 RTC 式 5 的衰减思路在训练中随机截断/加噪（"软前缀"），或参考 Soft RTC（**[未验证]**）。这是对两篇论文的组合外推，需自己做消融。
-- **时间集成在我们场景有硬伤**：立柱左右绕行是典型双模态；两条各自无碰撞的块取平均可能正好穿柱（RTC Fig.2 正是此例）。安全层会拒掉，但会造成频繁回退/停顿。不建议用 TE。
-- 安全层与 RTC 互补：前缀条件化保证块间连续性（减少安全层因加速度跳变而拒绝），安全层保证已提交 3 步的硬安全。
-
----
-
-### 4. 对我方设定的结论表
-
-| 问题 | 结论 | 证据强度 | 不确定性 |
-|---|---|---|---|
-| 1–2 步下用代价引导 | **不采用**；改为"生成器输出 + 事后解析梯度投影" | 无论文测过 1–2 步引导 **[推断]**；少步引导不稳定 [原文 RTC A.2] | 1 步下引导 vs 投影的差异未经实验 |
-| 引导的预期增益 | 固定已知环境下小（先验已学会绕柱）；主要收益是降低穿透/余量不足比例 | DiffusionSeeder +0.5 pt；MPD 训练环境 I 11.5%→1.2% [原文] | 我方先验的碰撞率需实测 |
-| 引导延迟代价 | 论文中 3.5–50× 开销，几乎全在代价梯度 | MPD/GPD/CAMPD [原文] | 我方解析胶囊距离很便宜，开销会小得多 **[推断，未测]** |
-| 事后投影替代引导 | **可以**，前提是障碍在训练分布内 | 支持：DiffusionSeeder、CAMPD；反对：MPD Dprior+Cost 37% vs 78%（仅在新障碍下）[原文] | 投影修不了"走错侧"的模式错误，需多样本或安全层回退 |
-| 失效模式 | 局部极小、离流形/jerk、模式错误 | EDMP/GPD/RTC A.2/CAMPD/DiffusionSeeder [原文] | — |
-| 推理时 RTC（ΠGDM 修复） | **不推荐**：需 VJP（浏览器难）、仅在 n=5 验证、n=1 无依据 | [原文] + **[推断]** | 若改用少步（≥3–5）可重新评估 |
-| 训练时前缀条件化 | **推荐**，对 1 步生成器天然适用、零推理开销 | 2512.05964 [原文]（d≥2 优于 RTC，d≤1 略逊） | 我方 d≈0–1，硬前缀很短；需加"软/全重叠"条件化并做消融 **[推断]** |
-| 时间集成 | **不推荐** | RTC 仿真 TE 全面差、真机触发保护停机；BID 中 EMA 不稳；ACT 仅在确定性单峰下 +3.3% [原文] | 若生成器近似确定性单峰，TE 危害会小 |
-| BID | 可作为对照/上限，但需 N≈16 批采样 + 弱模型 | +32%（+46% 配 EMA），时间约 ×2 [原文] | 浏览器批量推理的实际延迟未知 |
-
-### 5. 局限
-- 多篇关键数值只在图中（RTC Fig.5/6、训练时 RTC Fig.3/5、MPD-期刊 Fig.6、BID Fig.6/7），文本未给具体数字，本文只引用了定性结论。
-- 所有运动规划论文都是 7-DOF Panda、离线规划整条轨迹（H=32–64），而非 16 步闭环滚动块；成功率口径多为"批内至少一条成功"，与我们单样本闭环不同。
-- 没有任何来源测试浏览器推理、1 步生成器 + 代价引导、或 50 Hz 下 d≈0–1 的 RTC。
-
-
----
-
-# 四、后训练（APG/RL）与遗漏范式
-
-## 后训练（fine-tune）方案与遗漏范式评估
-
-> 范围：(A) 后训练方法（ELMP-APG、DPPO、ReinFlow、DRP/IMPACT、Neural MP TTO），以及 APG 与 RL 的对比；(B) 可能遗漏的范式（C-space 距离场、TD-MPC2、Diffusion Forcing、(VQ-)BeT、IBC、Mamba、Geometric Fabrics/RMPflow、cuRobo 式 GPU 轨迹优化做自监督精修）。
-> 我们的设定：6-DOF 机械臂；环境固定且完全已知（一根立柱，胶囊体碰撞，有解析距离）；低维状态；50 Hz 闭环；16 步 action chunk；3–5M 参数；浏览器推理；**运行时不允许 teacher/planner**（teacher 只能离线用于预训练数据）；单张 RTX 3090 训练；近立柱困难用例必须 30/30；必须保留左/右绕行的多模态。
-> 标注约定：**[原文]** = 已抓取全文并定位到章节；**[摘要]** = 只核对了摘要/检索摘录；**[未验证]** = 我的推断或背景知识，未在本次抓取的原文里核实。
-> 原文全文（HTML 及抽取的 txt）存放在 `/workspace/work/out/survey/src/<arxiv_id>.{html,txt}`。
-
----
-
-### 0. 结论速览
-
-| 方法 | 结论 | 一句话理由 |
-|---|---|---|
-| ELMP 解析策略梯度（APG） | **采用（作为主后训练阶段）** | 我们的环境固定、距离解析可得、运动学 rollout 天然可微，正是 APG 的理想条件；不需要新增专家数据 |
-| DPPO | **借鉴思路**（若主干是扩散模型，用于"补最后几例"） | 能直接优化稀疏的 0/1 成功率，探索沿数据流形进行；但样本效率低，而且奖励不对称时会塌缩到单一模式 |
-| ReinFlow | **借鉴/备选**（主干若为 flow/shortcut，优先于 DPPO） | 1–4 步去噪即可做 RL；墙钟时间比 DPPO 少 62.82%；推理仍是确定性的 flow，适合浏览器 |
-| DRP / IMPACT 迭代师生微调 | **采用其思路**（离线 teacher 重标注 = 离线 DAgger） | teacher 只在离线用，符合规则；论文里成功率 +45%；对"近立柱擦碰"这种失败最有效 |
-| Neural MP 测试时优化（TTO） | **视规则而定：借鉴**（运行时多采样 + 解析距离挑选） | 用 K 个 chunk 采样再用胶囊距离打分很便宜，还能保住多模态；但它算不算"运行时 planner"需要你们拍板 |
-| CDF（C-space 距离场） | **借鉴**（作为 APG 损失或策略输入特征） | 关节空间梯度是单位范数，比"任务空间 SDF×雅可比"条件更好；立柱固定，可以离线预计算 |
-| RDF / Neural-JSDF | **否决**（作为替代）；Neural-JSDF 可作特征参考 | 我们已有精确的解析胶囊距离，学出来的距离只会更不准 |
-| TD-MPC2 | **否决**（可借鉴"学习的价值函数"来截断 BPTT） | 动力学已知，没必要学世界模型；运行时 MPPI（512 样本×6 次迭代）本质上是 planner |
-| Diffusion Forcing | **否决**（可借鉴"带代价的引导采样"） | 优势在长序列和记忆，我们 16 步 chunk、低维、无部分可观测，用不上 |
-| VQ-BeT / BeT | **借鉴**（显式离散"左/右模式 token"＋连续残差） | 显式离散化模式，最直接地保证左右多模态；单次前向推理 |
-| IBC（能量模型/隐式 BC） | **否决** | 无导数优化（DFO）推理只适合 ≤5 维，我们的 chunk 是 16×6=96 维 |
-| Mamba / SSM 策略 | **否决** | 优势在长历史和视觉/3D 主干；我们是低维、短历史；浏览器端选择性扫描算子支持[未验证] |
-| Geometric Fabrics / RMPflow（+学习组件） | **借鉴为离线 teacher / 安全层参考** | 单独用会陷入局部极小；DRP 证明"策略+fabric"作离线 teacher 很有效 |
-| cuRobo 式 GPU 轨迹优化做自监督精修 | **采用**（离线：以策略 rollout 为初值做 L-BFGS 精修再蒸馏） | 从策略样本出发精修，会留在同一同伦类（左/右），既保住多模态又补精度；离线使用符合规则 |
-
----
-
-### (A) 后训练方法
-
-#### A1. ELMP — Efficient Learning for Motion Planning via Analytical Policy Gradients（arXiv 2607.00215，ETH RSL，2026-06-30）
-来源：https://arxiv.org/abs/2607.00215 ，全文 https://arxiv.org/html/2607.00215v1 **[原文]**
-
-**是什么**：两阶段训练。阶段 1 用约 60 万条 AIT* 专家轨迹做 BC（损失 = 动作 L2 + 碰撞球心 FK 点匹配，Eq.1）。阶段 2 用 APG 微调：把策略在可微运动学层里自回归展开 H 步，`q_{t+1}=clamp(q_t+Δq_t)`，然后对目标、碰撞、平滑三项损失做 BPTT（Alg.1，§III-C）。
-- 目标项：位置平方误差 + λ_rot·‖R_pred−R_tgt‖_F²（弦距离，避免四元数损失的梯度消失），**只作用在终端 q_H**（Alg.1 第 15–16 行）。
-- 碰撞项：`Σ_t Σ_k ReLU(ε_margin − Φ_env(x_k(q_t)))`，用机器人球体近似和解析的原语 SDF（盒子、圆柱），并对非相邻连杆加自碰撞铰链损失（Eq.4，§III-D）。
-- 平滑项：速度和加速度的二次惩罚（Eq.5）。
-
-**关键数字**：
-- 训练稳定性的处理（§IV-B）：明确承认"长时域 BPTT 容易梯度消失或爆炸"，对策只有 ① 用 BC 初始化作为稳定起点，② 梯度范数裁剪 ≤1.0。此外用 Adam，lr 1e-4 加指数衰减，16 位混合精度。**展开长度 H=69**，APG 训练 50 个 epoch（batch 48，DDP），BC 训练 500 个 epoch；硬件 6×RTX 3090；ε_margin=0.03 m。**没有截断 BPTT、没有学习的 critic、没有课程**；SHAC 只在结论里列为面向接触丰富系统的未来工作（§V）。
-- Tab.I（1800 道留出题）：ELMP-BC → ELMP-APG，环境碰撞率 31.3% → 8.9%；平滑轨迹 92.6% → 99.1%；1 cm 内位置精度 70.4% → 89.0%；15° 内姿态精度 76.7% → 93.5%。同一套 APG 套到 MπNets 上，碰撞率也从 16.3% 降到 10.8%。
-- 数据效率（§IV-C，Fig.4）：只用 1 万条专家轨迹预训练再做 APG，得到 72.0% 成功率、19.4% 碰撞率，**已经超过用满 60 万条的纯 BC**（57.9%、31.9%），相当于专家数据少 60 倍。APG 的增益在低数据区最大。
-- Tab.II：平均成功率 84.8%（cuRobo 86.1%，AIT* 76.7%，MπNets 50.1%，CuRobo-MPC 16.1%）；冷启动 7.8 ms。在 Cubby（窄空间）上只有 72.7%，低于 cuRobo 的 88.0%：**在高度受限的几何里仍不如优化器**。
-- 新环境迁移（§IV-F）：零样本 57.3% → APG 89.8%，在同一批题上高于 BC+专家数据的 85.0%。采样一道题 82 ms，AIT* 求一条专家轨迹 21.5 s；20 万道题采样需 4.5 CPU 小时，同规模专家数据需 1194 CPU 小时以上。
-- 加一项笛卡尔路径长度惩罚（ELMP-APG-Cartesian）后，末端路径从 0.85 m 缩到 0.63 m，碰撞率略升到 10.9%。说明换目标不需要新示范。
-- 真机（§IV-G）：30 Hz MPC 式闭环，成功率 72.2%，碰撞率 25%（仿真是 8.9%）。差距归因于深度相机噪声，与我们无关，因为我们的环境完全已知。
-
-**对我们的适配：采用（作为主后训练阶段）**
-- 适配度极高。我们的胶囊体解析距离就是 ELMP 的 Φ_env（甚至更好：胶囊–胶囊距离精确、处处次可微）。环境只有一根立柱，不需要 PointNet，展开计算极轻。3–5M 参数的低维网络，在 1 张 3090 上跑 batch 数千条并行 BPTT 应该可行（ELMP 用 6 卡是因为 PointNet++ 处理 6272 点）。**单卡可行性是推断 [未验证]**。
-- 我们需要的改动：
-  1. **展开单位是 chunk**：50 Hz、16 步 chunk。如果每 8 步重规划一次、一个回合 3–6 s，就是约 150–300 个控制步、20–40 次策略调用。BPTT 深度按策略调用次数算，比 ELMP 的 69 次调用更深或相当（ELMP 每步都调用策略）。**这些回合长度是我的假设，请按实际 episode 长度核对。**
-  2. **梯度爆炸对策（ELMP 之外的补充，[未验证] 为背景知识）**：
-     - 截断 BPTT：每 k 次策略调用 detach 一次 q。
-     - 对 q_t 的梯度做逐步裁剪或衰减（γ-discount backprop）。
-     - 短窗口 + 终端价值（SHAC 式，ELMP §V 提到 SHAC）。
-     - 保留 BC 损失作为锚点（ELMP 原文没写联合 BC 损失，属于我的建议）。
-     - 积分步本身是 `q+Δq`，雅可比为 I + ∂π/∂q。只要策略对 q 的 Lipschitz 常数不大，爆炸风险主要来自网络而非动力学；可用谱归一化或 LayerNorm 控制。
-  3. **铰链损失的盲区**：ReLU(ε−d) 在 d>ε 时梯度为 0。当 BC 策略的轨迹"冲着柱子中心"时，SDF 梯度只能侧推，**无法跨同伦类**（不会从"撞上"直接变成"绕左/绕右"），而且对称位置的梯度可能相互抵消。近立柱困难用例可能卡在局部极小，因此单靠 APG 不一定能到 30/30（推断）。
-  4. **多模态风险**：若主干是扩散或 flow，APG 需要对采样链做重参数化反传（flow 用 1–4 步最可行）。梯度会把每个样本在它自己的模式内往外推，大体能保住左/右；但会压缩方差，让输出趋向确定性。如果立柱一侧代价更低，也会改变左右比例。需要监控左/右比例，并加 BC 或 KL 锚定（推断）。
-  5. 我们的成功判据（30/30）是二值的，APG 优化的是稠密代理损失。代理与判据之间要对齐：ε_margin 设成略大于验收裕度，并对困难用例采样加权。
-
-#### A2. DPPO — Diffusion Policy Policy Optimization（arXiv 2409.00588）
-来源：https://arxiv.org/html/2409.00588 **[原文]**
-
-**是什么**：把去噪过程视为一个 MDP，嵌进环境 MDP，组成双层的 "Diffusion Policy MDP"。每个去噪步都是高斯似然，因此可以直接用 PPO（§4，Fig.3）。
-
-**关键数字和技巧**：
-- 只微调最后 K′ 个去噪步，或者改用 DDIM 微调（训练时 η=1，评估时 η=0，最少可到 5 步）（§4.3）。state 输入时预训练 20 步、微调最后 10 步（§5.3）。K′ 太小（如 3）会降低渐近性能（App C.2）。
-- 探索噪声：σ_k 下限 σ_min^exp 取 0.01–0.1，似然评估时 σ_min^prob=0.1（§4.3）。PPO 的 clip 比例按"被裁剪样本占 10–20%"来调，早期去噪步的 ε 用 0.1×（App）。
-- MLP 头比 UNet 更容易稳定微调；MLP 下 T_a<T_p 会不稳定（§4.3 脚注）。**T_a=16 时 DPPO 仍能稳定提升，Gaussian/GMM 则可能完全学不动（§6，Fig.11 右）**。这一点和我们的 16 步 chunk 直接相关。
-- Robomimic（state 输入）：Lift/Can 收敛到约 100%，Transport 超过 90%（§5.3）。Furniture-Bench 真机零样本 80%（16/20），Gaussian 策略仿真 88%、真机 0%（§5.4）。
-- 墙钟时间：DPPO-MLP 比 Gaussian 慢 21–24%（App D）；从零训练约是 Gaussian 的 6 倍（App C.3）。**样本效率低于 off-policy 方法**，是作者承认的主要局限（§7）。
-- **多模态相关**：在 D3IL Avoid 实验（§6，Fig.10）里，作者**特意只奖励"最上方模式"**，DPPO 就会收敛到这个模式。也就是说，RL 会按奖励重塑模式分布。另外 App（Kitchen）指出：预训练没学到的模式，DPPO 也补不回来。
-- 结构化、在流形上的探索：去噪的多轮噪声让探索留在专家数据流形附近，适合"预训练已覆盖成功模式"的情形（§6 Benefit 1）。
-
-**对我们的适配：借鉴思路**
-- 优点：直接优化 0/1 成功（例如"30/30、零碰撞"这种不可微判据）；对长 chunk 稳定。我们的仿真只是运动学积分加解析距离，在 3090 上并行几千到几万个环境的成本极低，因此 RL 的"样本贵"在我们这里大幅缓解（推断）。
-- 缺点：
-  - 如果左/右奖励不完全对称，或某侧略易成功，PPO 会把概率质量移到一侧，**违背"保留左右多模态"**。需要按模式平衡奖励或采样（例如按初始 BC 样本的绕行侧分组计算优势），或者显式加模式条件（见 B6）。
-  - 需要扩散主干，浏览器推理要跑 K 步去噪；部署时可以用 DDIM 少步。
-- 建议定位：APG 之后若仍剩少量困难失败，用 DPPO/ReinFlow 以稀疏成功奖励"补尾巴"，并加模式平衡。
-
-#### A3. ReinFlow — Fine-tuning Flow Matching Policy with Online RL（arXiv 2505.22094）
-来源：https://arxiv.org/html/2505.22094 **[原文]**
-
-**是什么**：在 flow 的确定性路径上加一个可学习的噪声网络（noise injection net），把 flow 变成离散时间马尔可夫过程，得到精确、闭式的高斯似然，然后用 PPO 式裁剪目标联合训练速度网络和噪声网络（§4.1–4.3，Alg.1）。**微调后丢掉噪声网络，部署的仍是确定性 flow**（§4.3）。
-
-**关键数字**：
-- 摘要和 §1：Rectified Flow 在运动任务上回报平均净增 135.36%，墙钟时间比 DPPO 省 82.63%。Shortcut 模型在操作任务上成功率平均净增 40.34%，**可以只用 4 步甚至 1 步去噪**；总体墙钟时间比 DPPO 少 62.82%。
-- Robomimic 视觉任务成功率平均提升 45.77%，Can/Square 只用 1 步，Transport 用 4 步（§5.2）。
-- 去噪步数从 DPPO 的 10 步降到 4 步（App B）。成功率收敛到 100% 时，噪声水平会自然衰减（§4.3）。
-- 正则（§4.4，§6）：默认在 state 任务上用熵正则；W2 正则约束会限制提升。噪声幅度是最关键的超参：过小探索不足，适中时回报可达 3 倍。
-- 局限（§7）：on-policy，样本效率不高；对噪声幅度敏感。
-
-**对我们的适配：借鉴/备选（若走 RL 路线，优先于 DPPO）**
-- 与浏览器部署最兼容：1–4 步 flow，推理成本约等于 1–4 次 MLP 前向。
-- 同样有 RL 的模式塌缩风险（见 A2），需要模式平衡。熵正则对保持左右两支可能有帮助，但论文**没有**测多模态保持 [未验证]。
-- 主干若是 flow/shortcut，也可以先 APG（通过 1–4 步 flow 反传）再 ReinFlow。二者共用同一个网络。
-
-#### A4. Deep Reactive Policy（DRP）/ IMPACT（arXiv 2509.06953；作业说是 CoRL 2025，arXiv 页面只写了网站链接，**会议归属未验证**）
-来源：https://arxiv.org/html/2509.06953 **[原文]**
-
-**是什么**：IMPACT 是一个以点云为条件、带 action chunk 的 Transformer 策略，预训练数据是 cuRobo 生成的 1000 万条轨迹（§3.1）。随后做**迭代师生微调**（§3.2）：teacher = 冻结的 IMPACT 输出 chunk 的第一个动作作为中间目标，交给 Geometric Fabrics（用特权 SDF 的局部避障控制器）精修，得到 q_e，再用 q_e 监督 student。在 IsaacGym 里并行，每 1 万个梯度步用 student 替换 teacher 里的 base，循环往复。作者特意**不用 cuRobo 当微调 teacher**，因为每个仿真步、每个并行环境都调用规划器代价太高（§3.2）。运行时还叠加 DCP-RMP，处理动态障碍（§3.3）。
-
-**关键数字**：
-- 迭代师生微调让成功率比预训练提升 45%（§3.2，Tab.6）。Tab.1：Static Environment 上 IMPACT 无微调 58.25 → 微调后 84.60；cuRobo（有特权信息）82.97。
-- 网络：4.67M 参数，冷启动 3.48 ms，300 Hz（RTX 4090）。NeuralMP 加 TTO 是 20M 参数、2970 ms（App E，Tab.5）。
-- 架构：6 层解码器、8 头、隐藏维 128、FF 1024，**action chunk 10**（Tab.7）。
-- 消融：同数据同微调下，IMPACT 比 NeuralMP 的 LSTM-GMM 再高 9%（App D，Tab.4）。
-
-**对我们的适配：采用其思路（离线 teacher 重标注 = 离线 DAgger）**
-- 规模几乎一模一样：4.67M 参数，与我们的 3–5M 吻合；chunk 10 与我们的 16 接近。
-- "teacher 只在离线用"完全符合我们的规则：在 policy 自己访问到的状态上（特别是近立柱、即将擦碰的状态），离线调用 teacher（我们现有的 planner，或 fabric/局部优化器）重标注，再蒸馏。这正面解决 BC 的协变量偏移。DRP 的失败分析也是"预训练策略经常小擦碰"（§3.2），和我们近立柱用例的症状一致。
-- 多模态：如果 teacher 只做局部精修（fabric 或局部优化），就会保持 student 当前所在的绕行侧。**不要用全局规划器重新规划去当标签**：全局规划器可能把左侧状态标成右侧路线，破坏模式一致性（推断）。
-
-#### A5. Neural MP 测试时优化（arXiv 2409.05864）
-来源：https://arxiv.org/html/2409.05864 **[原文]**
-
-**是什么**：PointNet++ 加 LSTM 加 GMM 输出头，用 100 万到 300 万条 AIT*（经样条平滑）轨迹蒸馏。测试时假设障碍静止、控制器能精确跟踪，用线性前向模型从策略**采样 N 条完整轨迹**，用机器人 SDF 统计与场景点云的穿透，选穿透最少的那条执行（§III-C，Eq.，"selecting the path with minimal objective value across 100 trajectories"）。
-
-**关键数字**：
-- 真机无物体任务（Tab.I，§V）：基础策略 66.67%（AIT*-80s 是 72.92%），加 TTO 达到 95.83%；规划时间从 1 s 增到 3 s。
-- 手持物体：完整方法 81%，去掉 TTO 31%，去掉 Objaverse 数据 44%（§V）。
-- App VIII-C：Bins 场景的 100 条采样轨迹里有 25% 完全无碰撞，TTO 从中挑选；基础策略的失败多是"回归不精导致的轻微擦碰"。
-- 数据缩放：1K 条 15%，10K 条 50%，100K 条 65%，1M 条 80%（§V 仿真）。
-- 编码器大小 4M/8M/16M 参数对应 94%/93%/92%，最小的反而最好（App IX）。GMM 比 L2/L1/PointMatch 分别高 7%/12%/24%。
-- DRP 的 Tab.5 给出 NeuralMP 加 TTO 的冷启动为 2970 ms。
-
-**对我们的适配：借鉴（视规则而定）**
-- 我们可以做轻量版：每次重规划时从生成式策略采样 K（例如 8–32）个 16 步 chunk，用**解析胶囊距离**打分（最小间隙、终端误差），选最优。浏览器端代价约为 K 次前向加 K×16×(连杆胶囊数) 次距离计算，50 Hz 下可承受（推断）。
-- 这样还能**保住多模态**：采样覆盖左右两支，打分只剔除碰撞样本。
-- **需要你们判断**：用解析距离做运行时评分是否算"运行时 planner"。它不调用 teacher，只是碰撞检查加 argmin；比 Neural MP 的整轨迹 TTO 轻得多。若规则不允许，就只在训练评估时使用，或者用它来生成 APG/RL 的困难用例。
-- 局限：选择只发生在已采样的集合内。若 K 个样本全部撞柱，TTO 救不了；它是补丁而不是根治。
-
-#### A6. APG 与 RL 在我们设定下的对比
-
-| 维度 | APG（ELMP 式） | RL（DPPO / ReinFlow） |
-|---|---|---|
-| 样本效率 | 很高：每条 rollout 都给出全参数的精确梯度。ELMP 用 1 万条示范加 APG 就超过 60 万条纯 BC（§IV-C）**[原文]** | 低：on-policy PPO，DPPO §7 自认低于 off-policy；ReinFlow §7 同样自认 **[原文]** |
-| 墙钟时间（单张 3090，我们的运动学仿真） | 每步计算是"前向+反传 BPTT"，显存随 H×batch 线性增长；预计数小时级 **[未验证估计]** | 仿真极便宜，可大规模并行；ReinFlow 比 DPPO 省 62.82% 墙钟时间 **[原文]**；整体预计与 APG 同量级或更慢 **[未验证估计]** |
-| 稳定性 | 依赖 BC 初始化和梯度裁剪（ELMP §IV-B）；长展开有爆炸/消失和混沌损失面的风险（ELMP 引用 Metz 2021） | DPPO 和 ReinFlow 都报告微调稳定；对 clip 比例、噪声下限、噪声幅度敏感 **[原文]** |
-| 能处理的目标 | 只能处理**可微**的稠密代价：间隙铰链、终端位姿、平滑、路径长度 | 任意奖励，包括**稀疏 0/1 成功**和"零碰撞"这类不可微判据 |
-| 跨同伦类 | 不能（局部梯度只侧推）**[推断]** | 可以，但前提是探索覆盖到另一模式（DPPO 的探索停在数据流形附近）**[原文 §6]** |
-| 多模态保持 | 每个样本在自己的模式内被推；风险是方差压缩、比例漂移 **[推断]** | 风险较大：会按奖励重塑模式（D3IL 实验）**[原文]**；需要模式平衡 |
-| 主干要求 | 确定性策略最简单；扩散/flow 需对采样链做重参数化反传 | 需要随机策略：扩散用 DPPO，flow 用 ReinFlow |
-
-**BPTT 时域问题小结**：ELMP 只用了"BC 初始化 + 梯度范数裁剪 ≤1 + 混合精度 + lr 1e-4 指数衰减"，展开 H=69 步就稳定了（§IV-B）**[原文]**。我们若按 chunk 展开、总控制步 150–300，可以加这些手段 **[未验证，建议]**：
-- 截断 BPTT（例如每 2–4 个 chunk detach 一次）；
-- 碰撞项按时间步加权，困难区间权重更高；
-- SHAC 式短窗口加学习的终端价值（ELMP §V 提及）；
-- 联合保留 BC 损失（权重逐步退火）；
-- 先短后长的课程（展开长度逐步增加）。
-
-**推荐流水线（推断）**：BC 预训练（含左右两模式）→ 离线 teacher 重标注 / DAgger（A4）以及 cuRobo 式离线精修蒸馏（B10）→ APG 微调稠密代价（A1）→ 若困难用例仍未到 30/30，用 ReinFlow/DPPO 加模式平衡的稀疏成功奖励补尾巴（A2/A3）→（规则允许时）运行时 K 采样加解析距离挑选（A5）作为最后的安全网。
-
----
-
-### (B) 可能遗漏的范式
-
-#### B1. CDF — Configuration Space Distance Fields for Manipulation Planning（RSS 2024，arXiv 2406.01137）
-来源：https://arxiv.org/html/2406.01137v1 **[原文]**
-
-**是什么**：在关节空间定义距离场 f_c(p,q) = 从 q 到"使机器人表面接触点 p 的关节构型集合"的最小弧度距离。它满足关节空间的 eikonal 方程 ‖∇_q f_c‖=1（§III），因此一步梯度投影就能求出全身 IK。神经 CDF 用 MLP 拟合，损失 = 距离 + 梯度余弦 + eikonal + tension（§IV）。
-
-**关键数字**：
-- Tab.I（Franka，RTX 3090）：投影迭代 1/2 次时，MAE 4.99/1.64 cm，成功率 60.3%/87.8%；推理 0.49 ms，投影 0.71 ms 级。
-- Tab.II：CDF 在 10.6 ms 内得到 8773 个全身 IK 解；SDF 方法 971 ms 只有 3652 个；吞吐超过 70 万解/秒，快约 180 倍（§V）。
-- Tab.IV（7D 运动规划）：QP-IPOPT 成功率 CDF 93% vs SDF 51%；Geometric Fabrics 88% vs 74%；QP 控制器能跑 200 Hz 以上（§VI）。
-- 局限（§VII）：无符号；零水平集样本有限时近处不准。
-
-**对我们的适配：借鉴**
-- 立柱固定，可以**离线**为这根柱子求出 6-DOF CDF（或训练一个小 MLP），用作：
-  ① APG 的碰撞损失。关节空间梯度单位范数、方向一致，比"任务空间距离 × FK 雅可比"条件更好，可能缓解铰链损失的梯度消失和对称抵消（推断）。
-  ② 策略的额外输入特征（f_c 和 ∇_q f_c，共 7 维），直接告诉网络"往哪个关节方向离柱子最近"。
-- 我们的解析胶囊距离已经精确，所以 CDF 用作**辅助**，不用作替代。
-
-#### B2. RDF — Representing Robot Geometry as Distance Fields（ICRA 2024，arXiv 2307.00533）**[摘要]**
-来源：https://export.arxiv.org/api/query?id_list=2307.00533
-用 Bernstein 多项式编码每个连杆的 SDF，再经运动学链组合成关节空间可查询的机器人 SDF，任务空间和关节空间都光滑可微。
-**否决**：我们是胶囊几何加解析距离，已精确、可微，RDF 只是更精细的机器人网格表示，不带来新能力。
-
-#### B3. Neural-JSDF（Koptev, Figueroa, Billard，RA-L 2023，DOI 10.1109/LRA.2022.3227860）**[摘要/检索摘录]**
-来源：https://doi.org/10.1109/lra.2022.3227860 ，代码 https://github.com/epfl-lasa/Neural-JSDF
-用神经网络学习关节空间隐式 SDF（机器人到点的距离），梯度给出关节空间排斥场。用于 QP-IK 时平均 250 Hz，用于采样式 MPC 时 92 Hz；分别比基线距离计算快 15% 和 40%（摘要）。
-**否决**（作为替代）：同上，我们有解析距离；而且它依赖运行时 QP/MPC 控制器。
-
-#### B4. TD-MPC2（ICLR 2024，arXiv 2310.16828）
-来源：https://arxiv.org/html/2310.16828 **[原文]**
-**是什么**：在隐式（无解码器）世界模型的潜空间里，用 MPPI 做局部轨迹优化，配 TD 学习的 Q 值和最大熵策略先验。
-**关键数字**：
-- 104 个任务、单一超参（§1）；多任务模型 1M–317M 参数，在单张 3090 上以 GPU·天计（Tab.1）。
-- 基础 5M 模型中，Q 网络约 3.16M 参数（App）。
-- 规划超参：H=3，6 次迭代，种群 512，策略先验样本 24，精英 64（App 超参表）。
-**否决**：
-- 我们的动力学（运动学积分）完全已知，学世界模型是多余的。
-- 运行时 MPPI（512×6×H）在浏览器里跑 50 Hz 很重，而且本质上就是运行时 planner，违反规则。
-- **可借鉴的一点**：学一个 V(q, goal) 作为 APG 截断 BPTT 的终端价值（SHAC 式）[未验证]。
-
-#### B5. Diffusion Forcing（arXiv 2407.01392）
-来源：https://arxiv.org/html/2407.01392 **[原文]**
-**是什么**：对每个 token 使用独立的噪声水平做扩散训练，用因果模型实现"next-token + 全序列扩散"的混合。支持变长 rollout、长时域引导，以及 Monte Carlo Guidance（MCG，对多条未来样本平均引导梯度）（§3）。
-**证据**：D4RL 2D 迷宫的 6 个环境全部超过 Diffuser（§4.2，Tab.1）；真机实验是需要记忆的水果换位任务（§4.4）。
-**否决**：它的长处（长序列稳定、记忆、部分可观测）我们用不上：16 步 chunk、低维、完全可观测。引导采样需要运行时代价梯度，性质上接近 A5 的运行时评分，规则同样存疑。
-
-#### B6. BeT / VQ-BeT（arXiv 2206.11251 / 2403.03181）
-来源：https://export.arxiv.org/api/query?id_list=2206.11251 **[摘要]** ；https://arxiv.org/html/2403.03181 **[原文]**
-**是什么**：BeT 用 k-means 把动作离散化，Transformer 预测类别加连续偏移。VQ-BeT 用残差 VQ-VAE 对**动作 chunk** 分层离散化，主码做粗聚类、次码做细节（§3.2，N_q=2 已足够），再用 GPT 式模型预测码和偏移。
-**证据**：无条件生成任务中 5/7 个环境超过 BC、BeT 和 Diffusion Policy（§1）；条件任务中除 BlockPush 外全部最优（§4）；用熵指标衡量模式覆盖（§4）。
-**借鉴**：左/右绕行就是一个天然的二值模式。可以设计**显式离散模式 token**（左/右，或 VQ 主码）加连续残差头。好处有三：
-- 多模态由结构保证，而不是靠采样运气；
-- RL 微调时可以在模式条件下分别优化，避免塌缩；
-- APG 可以只穿过连续残差头反传（VQ 码不可微，需要 straight-through，[未验证]）。
-推理是单次前向，适合浏览器。
-
-#### B7. IBC — Implicit Behavioral Cloning（arXiv 2109.00137）
-来源：https://arxiv.org/html/2109.00137 **[原文]**
-用 InfoNCE 训练能量模型，推理时用无导数优化、Langevin 或自回归方法求 argmin 动作。能表示不连续、多值的函数（§2–3）。
-**否决**：原文 App B.1 写明 DFO 推理"适合 y 不超过 5 维"，高维需要自回归或梯度法。我们的 chunk 是 16×6=96 维，推理需要迭代优化，浏览器 50 Hz 不现实；训练需要大量负样本（批 512、每个 256 个反例），也不稳定。
-
-#### B8. Mamba / SSM 策略（MaIL arXiv 2406.08234；Mamba Policy arXiv 2409.07163，IROS 2025）
-来源：https://arxiv.org/html/2409.07163 **[原文]**，https://export.arxiv.org/api/query?id_list=2406.08234 **[摘要]**
-- Mamba Policy：在 DP3 的 3D 扩散策略里替换 UNet 主干，参数量减少 80% 以上，FLOPs 最多省 90%，成功率最多高 5%（§1，Fig.1）。
-- MaIL：在 LIBERO 小数据设置下优于 Transformer（摘要）。
-**否决**：收益来自"压缩大视觉/3D 主干"和"长历史建模"，我们的低维、短历史设定里 MLP/小 Transformer 已足够。浏览器端（ONNX/WebGPU）对选择性扫描算子的支持**未验证**，存在部署风险。
-
-#### B9. Geometric Fabrics / RMPflow + 学习组件
-来源：RMPflow https://export.arxiv.org/api/query?id_list=1811.07049 **[摘要]**；Geometric Fabrics https://export.arxiv.org/api/query?id_list=2109.10443 **[摘要]**；Fabric-Guided Policy https://arxiv.org/html/2405.02250v1 **[原文，部分]**；Neural Geometric Fabrics https://proceedings.mlr.press/v205/xie23a.html **[摘要]**；DRP（A4）**[原文]**
-- Geometric Fabrics 是可证明稳定的二阶"行为动力学"，由多个几何项（避障、关节限位等）组合而成。
-- NGF（CoRL 2022）从示范中学习 fabric 的项，在 23-DoF 手臂系统上超过 RMP 和前馈/循环网络 40–100%。
-- 2405.02250 让 RL 策略输出到 fabric 层，说明 fabric 能保证平滑和安全，并"移除动作和速度惩罚"，从而简化奖励（§V）。
-- 单独用局部反应式方法会陷入局部极小：DRP §1 和 ELMP §I 都这样指出；CDF Tab.IV 中 fabric 在 7D 上为 88%/74%。DRP 把"策略+fabric"作为**离线 teacher**，带来 +45%（A4）。
-
-**借鉴**：
-- 首选：作为 A4 的离线局部 teacher（输入策略的中间目标，fabric 用解析胶囊距离精修，再蒸馏）。
-- 若规则允许"反应式安全层"（它不是 planner，只是控制律），可以在运行时加一个极薄的 fabric/RMP 避障项作安全网。是否允许由你们决定。
-
-#### B10. cuRobo 式 GPU 轨迹优化作为**自监督精修器**（arXiv 2310.17274）
-来源：https://arxiv.org/html/2310.17274 **[原文]**
-**是什么**：GPU 批量 L-BFGS 加近似并行线搜索，再加粒子优化初始化（§4），配合几何规划器做种子。
-**关键数字**：
-- 全局运动生成平均 50 ms 内完成，比 Tesseract 快 60 倍（§1）；几何规划器 20 ms（RTX 4090 + Ryzen 9 7950X）。
-- 在 2600 道 MotionBenchMaker/MπNets 题上成功率 99.8%，只失败 5 道（§7，Fig.6）。
-
-**采用（离线）**：把策略自己的 rollout（覆盖左右两支）作为初值，用批量 L-BFGS 在解析胶囊代价（间隙铰链、终端、平滑/最小 jerk）上做局部精修，得到同一同伦类内无碰撞、更平滑的轨迹，再回灌做 BC/蒸馏（"self-improvement"）。好处：
-- 不需要全局规划器，离线使用符合规则；
-- 初值来自策略，**保持绕行侧**，天然保住左右多模态（推断）；
-- 和 APG 互补：APG 是"在参数空间做梯度"，精修是"在轨迹空间做梯度再蒸馏"。后者每条轨迹可以迭代很多步而没有 BPTT 爆炸问题，对近立柱困难用例更稳（推断）。
-
-我们的问题只有 6 维、一根柱子，不需要 cuRobo 本体，用 PyTorch 自己写一个批量 L-BFGS 或 Adam 轨迹优化即可 [未验证工作量估计]。
-
----
-
-### 未能确认 / 需注意
-- DRP 的会议归属（CoRL 2025）未在 arXiv 元数据里确认。
-- ELMP 是否在 APG 阶段联合保留 BC 损失：原文 Alg.1 没有，所以"保留 BC 锚点"属于我们的建议。
-- 所有"单卡 3090 可行""墙钟数小时""浏览器 K 采样可承受"都是基于模型规模的推断，没有实测。
-- Neural-JSDF 只核对了摘要；RDF、BeT、RMPflow、Geometric Fabrics、NGF、MaIL 只核对了摘要。
-- "运行时用解析距离做采样评分或反应式安全层"是否违反"运行时不得有 teacher/planner"，需要项目方裁定。A5、B5、B9 的结论都依赖这个裁定。