perf+exp(closed_loop): 解析雅可比 DLS（消除 float32 差分数值噪声）——commit3 到达 36.3→46.5%，commit2 49.2%（n=512），DLS n1 9.3→7.1ms

- Kin.jac 几何雅可比，与 autograd 逐项一致（FD 自身 rel 误差 3.58%）
- dls_steps(analytic=True) 默认；每步少 6 次批量 FK
- 新增 ml/eval/eval_cl.py（部署口径小规模评估）与 check_dls.py（对拍+延迟）
- 积分反馈 fb_ki 脚手架（默认 0，未启用）

docs/探索日志.md

@@ -419,6 +419,34 @@
 - **结论**：候选平均、冻结编码器、更稀疏规划**均未超过 36.3%**。**50 Hz 节奏下的最佳配置 = dag2 + commit=3 + consist + gain1.8 + safety_partial：到达 36.3% / 碰撞 1.6% / ratio2s 0.277**（相对非实时的 42.2% 差 5.9 pp）。
 - **下一步**：若要把实时准确率再拉高，需要把单次规划再压到 ~22 ms 以支持 commit=2（40 ms 周期，预计 ~39%）；或提升模型本身精度（训练侧）。
 
+## 轮次 26：解析雅可比 DLS——去掉差分噪声，准确率大幅提升（exp: `exp/dagger-deploy`，新历史最佳）
+
+- **背景**：DLS 目标反馈此前用 6 次批量有限差分（ε=1e-3°）求雅可比。float32 下旋转项信噪比只有 ~1%，位置项 ~3.6%（与 autograd 对拍，见下），相当于每次规划往反馈方向注入 2–4% 的随机扰动。
+- **假设**：改用几何雅可比（一次 FK）可同时去噪 + 提速；闭环准确率应不降、延迟应下降。
+- **判据**：① 雅可比与 autograd 一致（rel < 1e-4）；② n=256 commit=3 到达 ≥ 36.3%（轮次 25 基线，不劣化）；③ DLS 单次延迟下降。
+- **配方**：`Kin.jac` 几何雅可比（Jv_k = a_k×(p−o_k)，Jw_k = a_k，度单位）；`dls_steps(analytic=True)` 默认；其余同轮次 25（dag2、K=8、gain1.8、safety_partial、replan=empty）。
+- **数值对拍**（`ml/eval/check_dls.py`）：
+  - 位置项：解析 J 与 autograd 逐项一致（rel 0.00000）；有限差分 J 自身 rel 误差 **3.58%**。
+  - 姿态项：解析 J 与差分 DLS 输出 max 0.20°/rel 5%（差的部分是 rotvec 的二阶项 Jr(e)，非噪声）。
+  - DLS 输出：pos-only max 0.12°，pos+rot max 0.20°。
+- **延迟**（B=1，3090）：n=1 **9.3→7.1 ms**，n=3 **27.7→19.5 ms**（每次 DLS 少 6 次批量 FK）。
+- **闭环（replan=empty，analytic，n=256）**：
+
+| commit | 到达 | time_ok_1p3 | 碰撞 | ratio2s | 刹停/题 |
+|---|---|---|---|---|---|
+| 3（FD 对照，完全复现轮次 25） | 36.3% | 16.4% | 1.6% | 0.277 | 14.3 |
+| 3（解析 J） | 46.5% | 16.4% | 1.6% | 0.337 | 13.5 |
+| 2（解析 J） | **50.4%** | 27.0% | 2.0% | 0.287 | 22.1 |
+| 1（解析 J） | **57.4%** | **31.6%** | 3.1% | 0.251 | 39.1 |
+
+- **n=512 复核（commit=2，解析 J）**：到达 **49.2%** / time_ok **26.2%** / 碰撞 **2.3%** / ratio2s 0.351 / 刹停 21.0（n=256 的 50.4% 在噪声内）。
+- **结论**：
+  - 解析雅可比**既快又准**：commit=3 到达 36.3→46.5%（+10.2 pp），碰撞不变；commit=2 达 **49.2%**（历史最佳 42.2% 是 commit=1 + FD，现在 commit=2 就超过），碰撞 2.3%。
+  - 机理：DLS 差分雅可比在 float32 下的 2–4% 噪声被慢变误差闭环放大（轮次 4/闭环根因结论：σ>0.02×STEP 即崩）；解析 J 去掉噪声后失败题里"能到 50 mm 却到不了"的那批能收敛了（err_fail 中位数 51→217 mm：失败集两极分化，成功集变大）。
+  - ratio2s 在 commit=3 变差（0.277→0.337）但到达更多：慢收敛题现在"最终到得了"，不是"更快"。
+  - **新历史最佳（50 Hz 目标节奏，commit=2）= 49.2% / 碰撞 2.3% / ratio2s 0.351 / time_ok 26.2%**；非实时上限（commit=1）= 57.4%（n=256，待 n=512 复核）。
+- **下一步**：① n=512 复核 commit=1；② 积分反馈（fb_ki，针对慢变偏差）在 commit=2 上叠加；③ 浏览器 JS 端同步解析 J；④ commit=2 的 40 ms 周期实测规划 P99（Python/JS）。
+
 ## 分支清理（2026-10-20）
 
 - `feat/fb-mix`（8e5431c）：反馈混合方案的中间分支，**已验证是 `exp/dagger-deploy` 的祖先**（所有提交都在后者历史里），本地/远端分支删除，内容保留在 exp/dagger-deploy。

ml/common/kin_torch.py

@@ -110,6 +110,19 @@ class Kin:
         Rs, _ = xf if xf is not None else self.cum_xf(q)
         return Rs[:, 6]
 
+    def jac(self, q, xf=None):
+        """几何雅可比（对度）：返回 (Jv [B,3,6] mm/deg, Jw [B,3,6] 单位轴/deg)"""
+        Rs, Ts = xf if xf is not None else self.cum_xf(q)
+        p = self.fk(q, (Rs, Ts))
+        Jv, Jw = [], []
+        for k in range(6):
+            d = torch.tensor(self.D[k], dtype=q.dtype, device=q.device)
+            a = Rs[:, k] @ d
+            o = torch.einsum('bij,j->bi', Rs[:, k], self.P[k].to(q.dtype)) + Ts[:, k]
+            Jv.append(torch.linalg.cross(a, p - o, dim=-1) * D2R)
+            Jw.append(a * D2R)
+        return torch.stack(Jv, -1), torch.stack(Jw, -1)
+
     def caps_world(self, q, xf=None):
         Rs, Ts = xf if xf is not None else self.cum_xf(q)
         Rg, Tg = Rs[:, self.cap_g], Ts[:, self.cap_g]               # [B,C,3,3], [B,C,3]

ml/eval/check_dls.py

@@ -0,0 +1,54 @@
+"""DLS 解析雅可比对拍 + 延迟（python -m ml.eval.check_dls）"""
+import time
+import torch
+
+from ml.common.kin_torch import Kin
+from ml.sim.closed_loop import dls_steps
+
+
+def main():
+    dev = 'cuda' if torch.cuda.is_available() else 'cpu'
+    kin = Kin(device=dev)
+    g = torch.Generator(device=dev); g.manual_seed(0)
+    B = 64
+    lo, hi = kin.lo + 20, kin.hi - 20
+    q = lo + (hi - lo) * torch.rand(B, 6, device=dev, generator=g)
+    xf = kin.cum_xf(q)
+    p = kin.fk(q, xf)
+    T = p + 6 * torch.randn(B, 3, device=dev, generator=g)
+    R = torch.zeros(B, 9, device=dev)
+    a = dls_steps(kin, q, T, R, n=3, analytic=True)
+    b = dls_steps(kin, q, T, R, n=3, analytic=False)
+    d = (a - b).abs()
+    print('pos-only  max|Δdq| %.6f°  mean %.6f°  rel %.4f' % (d.max().item(), d.mean().item(), (d.norm() / b.norm()).item()))
+    # 带姿态目标：绕随机轴 ±8°
+    axis = torch.randn(B, 3, device=dev, generator=g); axis = axis / axis.norm(dim=-1, keepdim=True)
+    ang = (torch.rand(B, 1, device=dev, generator=g) * 16 - 8) * torch.pi / 180
+    Kx = torch.zeros(B, 3, 3, device=dev)
+    Kx[:, 0, 1] = -axis[:, 2]; Kx[:, 0, 2] = axis[:, 1]; Kx[:, 1, 0] = axis[:, 2]
+    Kx[:, 1, 2] = -axis[:, 0]; Kx[:, 2, 0] = -axis[:, 1]; Kx[:, 2, 1] = axis[:, 0]
+    I = torch.eye(3, device=dev)
+    Rd = I + torch.sin(ang)[..., None] * Kx + (1 - torch.cos(ang))[..., None] * (Kx @ Kx)
+    Rt = kin.orient(q, xf) @ Rd
+    R9 = Rt.reshape(B, 9)
+    a = dls_steps(kin, q, T, R9, n=3, analytic=True)
+    b = dls_steps(kin, q, T, R9, n=3, analytic=False)
+    d = (a - b).abs()
+    print('pos+rot   max|Δdq| %.6f°  mean %.6f°  rel %.4f' % (d.max().item(), d.mean().item(), (d.norm() / b.norm()).item()))
+
+    for n_ in (1, 3):
+        for Bn in (1, 256):
+            qq = q[:Bn]; TT = T[:Bn]; RR = R9[:Bn]
+            for an in (False, True):
+                for _ in range(3):
+                    dls_steps(kin, qq, TT, RR, n=n_, analytic=an)
+                torch.cuda.synchronize() if dev == 'cuda' else None
+                t0 = time.perf_counter()
+                for _ in range(20):
+                    dls_steps(kin, qq, TT, RR, n=n_, analytic=an)
+                torch.cuda.synchronize() if dev == 'cuda' else None
+                print('n=%d B=%3d analytic=%d  %.2f ms' % (n_, Bn, an, (time.perf_counter() - t0) / 20 * 1e3))
+
+
+if __name__ == '__main__':
+    main()

ml/eval/eval_cl.py

@@ -0,0 +1,75 @@
+"""小规模闭环评估（部署口径）：
+  python -m ml.eval.eval_cl --n 256 --commit 3 --fb 1.8 --partial [--ki 0.1 --select consist]
+输出：到达 / 碰撞 / ratio2s / 刹停 / 精修接管 / 墙钟。直接调 rollout，参数与部署一致。"""
+import argparse, functools, json, time
+import torch
+
+from ml.common.ckpt import load_policy
+from ml.common.kin_torch import Kin
+from ml.data import load_tasks
+from ml.sim.closed_loop import rollout
+import ml.sim.closed_loop as clmod
+
+
+def run(model, kin, tasks, device, bs=256, **kw):
+    agg, per = {}, []
+    for i in range(0, len(tasks), bs):
+        r, p = rollout(model, kin, tasks[i:i + bs], device, **kw)
+        per.append((r, p, len(tasks[i:i + bs])))
+    n = sum(w for _, _, w in per)
+    for r, _, w in per:
+        for k, v in r.items():
+            if k in ('n', 'time_budget') or v is None: continue
+            agg[k] = agg.get(k, 0.0) + v * w
+    out = {k: v / n for k, v in agg.items()}; out['n'] = n
+    out['goal_ratio_2s'] = torch.cat([p['goal_ratio_2s'] for _, p, _ in per]).median().item()
+    out['err_fail_med'] = torch.cat([p['err'] for _, p, _ in per])[~torch.cat([p['ok'] for _, p, _ in per])].median().item()
+    out['dls_share'] = torch.cat([p['dls_it'] for _, p, _ in per]).ge(0).float().mean().item()
+    out['time_budget'] = per[0][0]['time_budget']
+    return out
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument('--ckpt', default='ml/runs/base_dag2_dag1/best.pt')
+    ap.add_argument('--samples', default='ml/data/samples')
+    ap.add_argument('--tasks', default=None)
+    ap.add_argument('--split', default='val')
+    ap.add_argument('--n', type=int, default=256)
+    ap.add_argument('--K', type=int, default=8)
+    ap.add_argument('--commit', type=int, default=3)
+    ap.add_argument('--fb', type=float, default=1.8)
+    ap.add_argument('--ki', type=float, default=0.0)
+    ap.add_argument('--kdecay', type=float, default=0.9)
+    ap.add_argument('--kimax', type=float, default=0.5)
+    ap.add_argument('--select', default='consist')
+    ap.add_argument('--replan', default='r3')
+    ap.add_argument('--safety', type=int, default=1, help='1=安全层+部分前缀；0=关')
+    ap.add_argument('--partial', type=int, default=1)
+    ap.add_argument('--max_sec', type=float, default=None)
+    ap.add_argument('--seed', type=int, default=0)
+    ap.add_argument('--dls', default='analytic', choices=['analytic', 'fd'])
+    ap.add_argument('--device', default='cuda' if torch.cuda.is_available() else 'cpu')
+    a = ap.parse_args()
+    if a.dls == 'fd':
+        clmod.dls_steps = functools.partial(clmod.dls_steps, analytic=False)
+    model, ck = load_policy(a.ckpt, a.device)
+    kin = Kin(device=a.device)
+    assert ck.get('fp') in (None, kin.fp)
+    tasks = ([json.loads(l) for l in open(a.tasks, encoding='utf-8') if l.strip()] if a.tasks
+             else [t for t in load_tasks([a.samples]) if t['split'] == a.split])
+    tasks = tasks[:a.n]
+    t0 = time.perf_counter()
+    r = run(model, kin, tasks, a.device, K=a.K, safety=bool(a.safety), seed=a.seed, max_sec=a.max_sec,
+            safety_partial=(a.commit if (a.safety and a.partial) else 0), commit_n=a.commit,
+            select=a.select, replan=a.replan, fb_gain=a.fb, fb_ki=a.ki, fb_decay=a.kdecay, fb_imax=a.kimax)
+    wall = time.perf_counter() - t0
+    print('ckpt=%s n=%d K=%d commit=%d fb=%.2f ki=%.2f select=%s replan=%s safety=%d' %
+          (a.ckpt, r['n'], a.K, a.commit, a.fb, a.ki, a.select, a.replan, a.safety))
+    print('success %.3f  time_ok_1p3 %.3f  coll %.3f  ratio2s %.3f  brakes %.1f  dls_share %.3f  err_fail %.2f  wall %.1fs (%.0f ms/题)'
+          % (r['success'], r['time_ok_1p3'] or 0, r['collision_rate'], r['goal_ratio_2s'], r['brakes_mean'],
+             r['dls_share'], r['err_fail_med'], wall, wall / max(1, len(tasks)) * 1000))
+
+
+if __name__ == '__main__':
+    main()

ml/sim/closed_loop.py

@@ -48,26 +48,33 @@ def goal_err(kin, q, T, R):
     return e, oe
 
 
-def dls_steps(kin, q, T, R, n=3, scale=0.3, lam=0.5):
+def dls_steps(kin, q, T, R, n=3, scale=0.3, lam=0.5, analytic=True):
-    """局部 DLS 精修：n 步增量 [B,n,6]"""
+    """局部 DLS 精修：n 步增量 [B,n,6]（analytic：几何雅可比，1 次 FK；否则 7 次批量有限差分）"""
     step = torch.tensor(STEP, device=q.device)
     B = q.shape[0]
     pose = (R.abs().sum(-1) > 0).float()
     Rt = R.view(-1, 3, 3)
-    def err(x, Tb, Rtb, poseb):
+    def err(x, Tb, Rtb, poseb, xf=None):
-        xf = kin.cum_xf(x); p = kin.fk(x, xf); Rq = kin.orient(x, xf)
+        xf = xf if xf is not None else kin.cum_xf(x)
+        p = kin.fk(x, xf); Rq = kin.orient(x, xf)
         M = Rtb @ Rq.transpose(1, 2)
         rv = 0.5 * torch.stack([M[:, 2, 1] - M[:, 1, 2], M[:, 0, 2] - M[:, 2, 0], M[:, 1, 0] - M[:, 0, 1]], -1) * 100 * poseb[:, None]
         return torch.cat([Tb - p, rv], -1)
     out = []; x = q.clone()
     ar = torch.arange(6, device=q.device)
     for _ in range(n):
-        e0 = err(x, T, Rt, pose)
+        xf = kin.cum_xf(x)
-        # 2026-10-20：6 次串行有限差分合并为一次批量 FK（数值等价，单次规划 ~25ms→~7ms）
+        e0 = err(x, T, Rt, pose, xf)
-        dx = torch.zeros(B, 6, 6, device=q.device); dx[:, ar, ar] = 1e-3
+        if analytic:
-        xp = (x[:, None, :] + dx).reshape(B * 6, 6)
+            # J = −∂err/∂q：位置 err = T−p → +Jv；姿态 err = 100·rotvec(Rt·Rqᵀ) → +100·Jw
-        ep = err(xp, T.repeat_interleave(6, 0), Rt.repeat_interleave(6, 0), pose.repeat_interleave(6, 0))
+            Jv, Jw = kin.jac(x, xf)
-        J = -((ep - e0.repeat_interleave(6, 0)) / 1e-3).view(B, 6, 6).transpose(1, 2)   # [B,6(err),6(q)]
+            J = torch.cat([Jv, 100 * Jw * pose[:, None, None]], 1)   # [B,6(err),6(q)]
+        else:
+            # 2026-10-20：6 次串行有限差分合并为一次批量 FK（数值等价，单次规划 ~25ms→~7ms）
+            dx = torch.zeros(B, 6, 6, device=q.device); dx[:, ar, ar] = 1e-3
+            xp = (x[:, None, :] + dx).reshape(B * 6, 6)
+            ep = err(xp, T.repeat_interleave(6, 0), Rt.repeat_interleave(6, 0), pose.repeat_interleave(6, 0))
+            J = -((ep - e0.repeat_interleave(6, 0)) / 1e-3).view(B, 6, 6).transpose(1, 2)   # [B,6(err),6(q)]
         A = J @ J.transpose(1, 2) + lam ** 2 * torch.eye(6, device=q.device)
         y = torch.linalg.solve(A, e0.unsqueeze(-1))
         dq = (J.transpose(1, 2) @ y).squeeze(-1)
@@ -146,7 +153,7 @@ class TeacherOracle:
 def rollout(model, kin, tasks, device, K=8, safety=False, seed=0, max_sec=None, return_traj=False, use_sub=True, sub_override=None,
             qp0=None, steps=1, z_scale=1.0, select='consist', oracle=None, replan='r3', sub_rule='cross',
             fb_gain=0.0, fb_scale=0.0, fb_near=0.2, fb_fallback=0.0, safety_partial=0, commit_n=3, collect=None,
-            fb_exec=0.0, exec_safety=0):
+            fb_exec=0.0, exec_safety=0, fb_ki=0.0, fb_decay=0.9, fb_imax=0.5):
     """use_sub=False：不用子目标（sf=0）；sub_override=(subs [B,M,6] 绝对关节角, n [B] 个数 或 need [B] bool)：冷启动时用给定途经点代替子目标头；
     qp0 [B,6]：起点的上一帧（默认 = q0，即静止起步）。steps：MeanFlow 采样段数；z_scale：噪声缩放；
     select：consist（部署口径：冷启动价值前瞻、之后与上一条已提交计划的一致性）/ value（每次都价值前瞻）/ first（不选，取第 0 条）。
@@ -165,6 +172,7 @@ def rollout(model, kin, tasks, device, K=8, safety=False, seed=0, max_sec=None,
     q, qp = q0.clone(), (qp0.to(device) if qp0 is not None else q0.clone())
     queue = torch.zeros(B, 0, 6, device=device)
     last = None; last_ok = torch.zeros(B, dtype=torch.bool, device=device)
+    fb_i = torch.zeros(B, 6, device=device)   # 积分项：累积持续同向的目标反馈（慢变偏差）
     subs = torch.zeros(B, 2, 6, device=device); nsub = torch.zeros(B, dtype=torch.long, device=device)
     sub_t = torch.zeros(B, device=device); sub_prev = q0.clone()
     done = torch.zeros(B, dtype=torch.bool, device=device); t_done = torch.full((B,), float('nan'), device=device)
@@ -197,7 +205,12 @@ def rollout(model, kin, tasks, device, K=8, safety=False, seed=0, max_sec=None,
             inc = act.float().clamp(-1, 1) * astep
             if fb_gain > 0:   # 实验（2026-10-20）：目标反馈加在所有候选上（安全层也评估带反馈的候选）
                 fb = dls_steps(kin, qe, T, R, n=1)
-                if fb_scale > 0:   # 距离衰减：远离目标全增益，贴近目标减弱（减少过冲/刹停）
+                if fb_ki > 0:
+                    fb_i = fb_decay * fb_i + fb[:, 0] * (~done)[:, None]
+                    lim = step * fb_imax
+                    fb_i = fb_i.clamp(-lim, lim)
+                    inc = inc + fb_gain * fb[:, :, None, :] + fb_ki * fb_i[:, None, None, :]
+                elif fb_scale > 0:   # 距离衰减：远离目标全增益，贴近目标减弱（减少过冲/刹停）
                     dg, _ = goal_err(kin, qe, T, R)
                     gdec = fb_gain * torch.clamp(dg / fb_scale, fb_near, 1.0)
                     inc = inc + gdec[:, None, None, None] * fb[:, :, None, :]
@@ -289,6 +302,8 @@ def rollout(model, kin, tasks, device, K=8, safety=False, seed=0, max_sec=None,
                 dls_it = torch.where(near & (dls_it < 0), torch.full_like(dls_it, it), dls_it)
                 committed = committed & ~near
             # 2026-10-19（F5）：last 记真正提交的那条候选（安全层换了候选时是换后的那条）；刹停 / DLS 接管的行无效
+            if fb_ki > 0:   # 刹停/精修接管时清积分（防止原地累积到限幅后突然冲出去）
+                fb_i = torch.where(committed[:, None], fb_i, torch.zeros_like(fb_i))
             last = torch.cat([qe[:, None], fut[ar, pick]], 1); last_ok = committed
             queue = torch.cat([queue, commit], 1)
             cold = False