ml: 第二轮审查 B-1~B-8 处置 + 一键训练控制台

- B-1 运行时投影护栏恢复 5 mm；老师轨迹按认证最小间隙 < 3 mm 剔除（stats/build_dataset，gapDrop）
- B-2 APG 端点+中点 hinge 取均值；B-3 check_r2 空匹配保护、5000×50000、分块 256，pass=false 时 prep 停下
- B-4 R7 按全部 B/C 题统计；B-5 r8 起点贴柱；B-7 pipeline r4（export_onnx --random，训练前测延迟）
- B-8 起步失败 ≤0.2%、column_gap 分块、pipefail、门禁结果先写 .tmp
- 训练控制台：ml/console.bat|sh → ml/monitor.py（开始/停止/进度/日志接口）+ monitor.html；
  pipeline.sh all 支持 FROM/TO，阶段状态写 ml/runs/pipeline.json（ml/pstate.py）；训练/APG 日志加 total、t
- 文档：README 一键运行与训练控制台；审查文档追加第三轮处置；方案余量决策与 R4 时点

ml/export_onnx.py

@@ -21,11 +21,16 @@ class Wrap(torch.nn.Module):
 
 def main():
     ap = argparse.ArgumentParser()
-    ap.add_argument('--ckpt', required=True); ap.add_argument('--out', default='webapp/models/traj_policy.onnx')
+    ap.add_argument('--ckpt'); ap.add_argument('--random', metavar='CFG', help='R4 测延迟：按配置随机初始化导出，不需要训练'); ap.add_argument('--out', default='webapp/models/traj_policy.onnx')
     ap.add_argument('--fp16', action='store_true'); ap.add_argument('--opset', type=int, default=17)
     a = ap.parse_args()
-    ck = torch.load(a.ckpt, map_location='cpu')
-    m = build(ck['cfg']); m.load_state_dict(ck['model']); m.eval()
+    if a.random:   # 2026-10-18：R4（浏览器 batch=8 P99）提前到训练前测，延迟只取决于结构不取决于权重
+        torch.manual_seed(0); ck = {'cfg': json.load(open(a.random)), 'random_init': True}
+        m = build(ck['cfg']); m.eval()
+    elif a.ckpt:
+        ck = torch.load(a.ckpt, map_location='cpu')
+        m = build(ck['cfg']); m.load_state_dict(ck['model']); m.eval()
+    else: raise SystemExit('需要 --ckpt 或 --random <配置>')
     kin = Kin()
     if ck.get('fp') and ck['fp'] != kin.fp: raise SystemExit(f"checkpoint 指纹 {ck['fp']} ≠ 当前碰撞模型 {kin.fp}：须重训")
     os.makedirs(os.path.dirname(a.out) or '.', exist_ok=True)
@@ -44,7 +49,7 @@ def main():
     with torch.no_grad(): t = m.sample(feat, z)
     err = max(float(np.abs(o[i] - t[i].numpy()).max()) for i in range(3))
     meta = {'fp': kin.fp, 'tcp0': kin.tcp0.tolist(), 'head': m.head, 'feat_ver': FEAT_VER, 'f_dim': F_DIM, 'h': H, 'step': STEP, 'fp16': a.fp16,
-            'ckpt': os.path.abspath(a.ckpt), 'eval': ck.get('eval'), 'max_abs_err_vs_torch': err}
+            'ckpt': os.path.abspath(a.ckpt) if a.ckpt else None, 'random_init': bool(a.random), 'eval': ck.get('eval'), 'max_abs_err_vs_torch': err}
     json.dump(meta, open(a.out.replace('.onnx', '.meta.json'), 'w'), indent=1)
     print(json.dumps({'onnx': a.out, 'MB': os.path.getsize(a.out) / 1e6, 'max_abs_err_vs_torch': err}))