docs: 可选项全部定案（§1.1 利弊与决定）：MeanFlow 头、A* 老师、wasm 后端；去掉 B 样条/自蒸馏/ReinFlow/Shortcut

docs/Transformer轨迹拟合训练方案.html

@@ -261,7 +261,12 @@ id="toc-transformer-避障运动策略最终方案">Transformer
 避障运动策略：最终方案</a>
 <ul>
 <li><a href="#0-定位与边界" id="toc-0-定位与边界">0. 定位与边界</a></li>
-<li><a href="#1-方案总览" id="toc-1-方案总览">1. 方案总览</a></li>
+<li><a href="#1-方案总览" id="toc-1-方案总览">1. 方案总览</a>
+<ul>
+<li><a href="#11-取舍决定每项只有一个答案"
+id="toc-11-取舍决定每项只有一个答案">1.1
+取舍决定（每项只有一个答案）</a></li>
+</ul></li>
 <li><a href="#2-依据" id="toc-2-依据">2. 依据</a>
 <ul>
 <li><a href="#21-业界神经运动规划" id="toc-21-业界神经运动规划">2.1
@@ -300,7 +305,9 @@ id="toc-45-时间参数化--闭环训练样本">4.5 时间参数化 →
 模型与预训练</a>
 <ul>
 <li><a href="#61-结构" id="toc-61-结构">6.1 结构</a></li>
-<li><a href="#62-动作头" id="toc-62-动作头">6.2 动作头</a></li>
+<li><a href="#62-动作头meanflow-一步生成"
+id="toc-62-动作头meanflow-一步生成">6.2 动作头：MeanFlow
+一步生成</a></li>
 <li><a href="#63-损失" id="toc-63-损失">6.3 损失</a></li>
 <li><a href="#64-训练配置" id="toc-64-训练配置">6.4 训练配置</a></li>
 <li><a href="#65-对拍与验证" id="toc-65-对拍与验证">6.5
@@ -312,10 +319,6 @@ id="toc-45-时间参数化--闭环训练样本">4.5 时间参数化 →
 主力：APG 可微微调</a></li>
 <li><a href="#72-辅助无老师挖错循环" id="toc-72-辅助无老师挖错循环">7.2
 辅助：无老师挖错循环</a></li>
-<li><a href="#73-可选拒绝采样自蒸馏" id="toc-73-可选拒绝采样自蒸馏">7.3
-可选：拒绝采样自蒸馏</a></li>
-<li><a href="#74-可选reinflow-微调" id="toc-74-可选reinflow-微调">7.4
-可选：ReinFlow 微调</a></li>
 </ul></li>
 <li><a href="#8-部署" id="toc-8-部署">8. 部署</a>
 <ul>
@@ -411,7 +414,9 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 <p><strong>关于"风险"：</strong>
 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<strong>硬保证</strong>（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<strong>门禁</strong>（不过不进下一步）和<strong>回退</strong>（§10）。</p>
+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<strong>硬保证</strong>；每个设计点都已定为唯一选择（§1.1），只有
+MeanFlow
+头带一个预先写定触发条件的回退（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<strong>门禁</strong>（不过不进下一步）和<strong>回退</strong>（§10）。</p>
 <hr />
 <h2 id="1-方案总览">1. 方案总览</h2>
 <table>
@@ -432,7 +437,7 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 </tr>
 <tr class="even">
 <td>数据</td>
-<td>采样式规划器离线造 5 万条任务 → 约 200 万"状态→动作块"样本</td>
+<td>规划器离线造 5 万条任务 → 约 200 万"状态→动作块"样本</td>
 <td>B</td>
 <td>MπNets、DRP、ELMP 均用规划器老师</td>
 </tr>
@@ -450,66 +455,179 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 <td>DRP；Diffusion Policy（位置式优于速度式）</td>
 </tr>
 <tr class="odd">
-<td>动作头（默认）</td>
-<td><strong>一步生成头</strong>：MeanFlow 或 Shortcut + 条件 OT
-配对，每次并行采 8 个噪声 → 8 条候选</td>
+<td>动作头</td>
+<td><strong>MeanFlow 一步生成头</strong>，每次并行采 8 个噪声 → 8
+条候选</td>
 <td>B</td>
-<td>沙箱双模态实验（§2.4）；COT 双峰实证；MP1 约 6.8 ms</td>
+<td>沙箱双模态实验（§2.4）；MP1 约 6.8 ms</td>
 </tr>
 <tr class="even">
-<td>动作头（基线）</td>
-<td>K=4 模式 WTA 头，与默认头 A/B，择优</td>
-<td>A</td>
-<td>多模态轨迹预测通用做法；沙箱实验同样通过</td>
-</tr>
-<tr class="odd">
 <td>块间连续</td>
 <td>训练时前缀条件化：输入已提交未执行的步</td>
 <td>B</td>
 <td>2512.05964：推理零开销，d≥2 时优于推理时 RTC</td>
 </tr>
-<tr class="even">
+<tr class="odd">
 <td>碰撞修正</td>
-<td>输出后 1–2 步解析胶囊距离梯度投影（仅 d &lt; 余量时）</td>
+<td>输出后 1 步解析胶囊距离梯度投影（每轴 ≤ 0.5°，仅 d &lt;
+余量时）</td>
 <td>B</td>
 <td>DiffusionSeeder：少步生成下在环引导收益很小；投影在已知环境下够用</td>
 </tr>
-<tr class="odd">
+<tr class="even">
 <td>候选排序</td>
 <td>与已提交块重叠步的一致性打分 + 价值头</td>
 <td>B</td>
 <td>BID：一致性打分 + 多样本相对提升 32%</td>
 </tr>
-<tr class="even">
+<tr class="odd">
 <td>预训练</td>
 <td>行为克隆 + FK 胶囊端点损失</td>
 <td>B</td>
 <td>ELMP 式 FK 损失</td>
 </tr>
-<tr class="odd">
+<tr class="even">
 <td>后训练（主）</td>
 <td>APG：可微运动学展开 + 胶囊距离代价反传</td>
 <td>A</td>
 <td>ELMP：碰撞率 31.3%→8.9%；1 万示范 + APG 胜 60 万纯 BC</td>
 </tr>
-<tr class="even">
-<td>后训练（辅）</td>
-<td>无老师挖错循环 + 门禁；可选 ReinFlow</td>
-<td>B</td>
-<td>DRP 迭代微调 +45%；ReinFlow +40%</td>
-</tr>
 <tr class="odd">
+<td>后训练（辅）</td>
+<td>无老师挖错循环 + 门禁</td>
+<td>B</td>
+<td>DRP 迭代微调 +45%</td>
+</tr>
+<tr class="even">
 <td>安全层</td>
 <td>距离下界认证 + 可刹停不变式</td>
 <td>A</td>
 <td>Schwarzer 2005 连续认证；Thumm &amp; Althoff 2022 failsafe</td>
 </tr>
-<tr class="even">
+<tr class="odd">
 <td>30/30 手段</td>
-<td>子目标头、价值头、短前瞻、卡死换向</td>
+<td>子目标头、价值头、冷启动/卡死时短前瞻、卡死换向</td>
 <td>B / C</td>
 <td>AWE、SHAC、BID</td>
 </tr>
+<tr class="even">
+<td>老师</td>
+<td>PRM 路网 A* + 捷径平滑（确定性）；A* 失败才用
+<code>solveDyn</code></td>
+<td>B</td>
+<td>MπNets：老师不一致碰撞率 13.78%，一致老师 0.94%</td>
+</tr>
+<tr class="odd">
+<td>推理后端</td>
+<td>onnxruntime-web wasm-SIMD 多线程</td>
+<td>C</td>
+<td>小模型下 WebGPU 调度开销占主导</td>
+</tr>
+</tbody>
+</table>
+<h3 id="11-取舍决定每项只有一个答案">1.1
+取舍决定（每项只有一个答案）</h3>
+<table>
+<thead>
+<tr class="header">
+<th>选项</th>
+<th>利</th>
+<th>弊</th>
+<th>决定</th>
+</tr>
+</thead>
+<tbody>
+<tr class="odd">
+<td>动作头：MeanFlow 一步头 vs WTA K=4</td>
+<td>MeanFlow：连续多模态，能同时表达左/右绕行与位姿目标的多个 IK
+分支；沙箱 1 步达到 10 步流匹配质量。WTA：训练稳、实现简单</td>
+<td>MeanFlow：训练需 JVP（训练慢约 1.5–2
+倍）、原生版本在部分任务失败（K-MF 表 1）。WTA：只有 4 个固定模式，左右
+× 肘/腕分支可能超过 4 个；沙箱分不出两者高下</td>
+<td><strong>上 MeanFlow</strong>。WTA 不实现；只有 M5
+门禁不过（near_column 穿柱率高于 2% 或训练发散）才换成 WTA
+K=8，二者共用骨干，切换约 1 天</td>
+</tr>
+<tr class="even">
+<td>Shortcut + 条件 OT 配对</td>
+<td>无需 JVP</td>
+<td>本项目无任何实测，组合无论文先例</td>
+<td><strong>不上</strong></td>
+</tr>
+<tr class="odd">
+<td>B 样条动作表示</td>
+<td>平滑由表示保证；输出维度小</td>
+<td>贴柱时拐角被抹圆、局部精度下降；只有间接证据；平滑已由梯形时间律 +
+平滑损失保证</td>
+<td><strong>不上</strong>，固定 16 步 Δq</td>
+</tr>
+<tr class="even">
+<td>输出后梯度投影</td>
+<td>修掉 1–2 mm 的轻微侵入，成本约 0.1 ms，减少刹停</td>
+<td>推离数据分布、改变块间一致性；修不了"绕错侧"</td>
+<td><strong>上</strong>，限 1 步、每轴修正量 ≤ 0.5°，仅 d &lt;
+余量时触发</td>
+</tr>
+<tr class="odd">
+<td>短前瞻（多推一块打分）</td>
+<td>避开"走两步就撞墙"的分支</td>
+<td>推理次数翻倍，加剧最大不确定项（浏览器延迟）</td>
+<td><strong>只在冷启动和卡死换向时上</strong>，平时不做</td>
+</tr>
+<tr class="even">
+<td>拒绝采样自蒸馏</td>
+<td>进一步缩短行程</td>
+<td>偏向贴柱、余量变小、多样性塌缩；APG 行程项已覆盖同一目标</td>
+<td><strong>不上</strong></td>
+</tr>
+<tr class="odd">
+<td>ReinFlow 强化学习微调</td>
+<td>能直接优化到达/卡死/刹停等离散目标</td>
+<td>RL
+会重塑左右模式比例；奖励调参与训练多出数天；这些离散目标已由卡死换向规则
++ APG 覆盖</td>
+<td><strong>不上</strong></td>
+</tr>
+<tr class="even">
+<td>挖错循环中 E2 错题请老师补路径</td>
+<td>解决可微代价绕不出的局部极小</td>
+<td>量小、离线</td>
+<td><strong>上</strong></td>
+</tr>
+<tr class="odd">
+<td>老师：PRM 路网 A* vs <code>solveDyn</code></td>
+<td>A*：确定性，同类任务左右选择一致，且是路网上的最短；<code>solveDyn</code>
+覆盖更全</td>
+<td>A*：受路网分辨率限制，个别任务失败</td>
+<td><em><em>A</em> 为主老师</em>*，失败的任务用
+<code>solveDyn</code>（固定种子）补</td>
+</tr>
+<tr class="even">
+<td>推理后端：WebGPU vs wasm</td>
+<td>WebGPU 大模型快</td>
+<td>本模型约 4M 参数，WebGPU 每次调度 33–67 μs × 150–300
+次，调度开销反而大</td>
+<td><strong>wasm-SIMD 多线程</strong>；M4 实测若 WebGPU P99
+更低再换</td>
+</tr>
+<tr class="odd">
+<td>训练余量</td>
+<td>越大越不易被认证拒绝</td>
+<td>越大行程越长、贴柱越难</td>
+<td><strong>5 mm</strong></td>
+</tr>
+<tr class="even">
+<td>关节噪声增广 σ</td>
+<td>覆盖偏离状态</td>
+<td>过大产生无意义状态</td>
+<td><strong>1°</strong></td>
+</tr>
+<tr class="odd">
+<td>局部牛顿精修</td>
+<td>末端精度到 &lt; 1 mm</td>
+<td>无</td>
+<td><strong>上</strong>，同样过安全层</td>
+</tr>
 </tbody>
 </table>
 <p>证据等级：<strong>A</strong> 有直接先例与数字 · <strong>B</strong>
@@ -630,9 +748,9 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 <td>无图像、无语言指令；3B 参数更慢不更准</td>
 </tr>
 <tr class="even">
-<td>一步生成：MeanFlow（MP1）、Shortcut、条件 OT 配对</td>
-<td><strong>采用</strong>（默认头候选）</td>
-<td>1 次前向；COT 有双峰实证；Shortcut 无需 JVP</td>
+<td>一步生成：MeanFlow（MP1）</td>
+<td><strong>采用</strong></td>
+<td>1 次前向；沙箱双模态实验通过</td>
 </tr>
 <tr class="odd">
 <td>Consistency Policy、OneDP、朴素 1 步流匹配</td>
@@ -641,39 +759,44 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 等于条件均值，会穿柱</td>
 </tr>
 <tr class="even">
-<td>OFP 自蒸馏</td>
-<td>不作首选</td>
-<td>未找到公开代码；自引导 λ=0.5 时出现模态塌缩</td>
+<td>Shortcut / 条件 OT 配对</td>
+<td>不采用</td>
+<td>见 §1.1</td>
 </tr>
 <tr class="odd">
+<td>OFP 自蒸馏</td>
+<td>不采用</td>
+<td>未找到公开代码；自引导 λ=0.5 时出现模态塌缩</td>
+</tr>
+<tr class="even">
 <td>生成过程中代价引导（MPD/EDMP/GPD）</td>
 <td>不采用</td>
 <td>无论文在 1–2 步下验证；改用输出后投影</td>
 </tr>
-<tr class="even">
+<tr class="odd">
 <td>推理时 RTC</td>
 <td>不采用</td>
 <td>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</td>
 </tr>
-<tr class="odd">
+<tr class="even">
 <td>时间集成 / 交叉淡入</td>
 <td>不采用</td>
 <td>执行的是未认证的混合块；左右两块平均可能穿柱；π0 弃用</td>
 </tr>
-<tr class="even">
+<tr class="odd">
 <td>FAST 动作分词</td>
 <td>不采用</td>
 <td>服务于语言骨干，自回归推理慢</td>
 </tr>
-<tr class="odd">
-<td>B 样条动作表示</td>
-<td>可选</td>
-<td>仅间接证据；须 near_column 消融不掉点才启用</td>
-</tr>
 <tr class="even">
+<td>B 样条动作表示</td>
+<td>不采用</td>
+<td>见 §1.1</td>
+</tr>
+<tr class="odd">
 <td>ReinFlow / DPPO</td>
-<td>可选第三阶段</td>
-<td>适合到达/卡死/刹停等离散目标；须按左右分组平衡奖励</td>
+<td>不采用</td>
+<td>见 §1.1</td>
 </tr>
 </tbody>
 </table>
@@ -728,7 +851,8 @@ ms；消除现有拖拽重规划 P99 约 321 ms 的长尾</td>
 步流匹配的质量，推理快约 8 倍。</li>
 <li>安全层在所有方法上把穿柱降为 0，代价是刹停。</li>
 <li>该任务过于简单（闭环中状态一偏离中轴即打破对称），<strong>分不出一步头与
-WTA 谁更好</strong>，需在真实数据上 A/B（M5）。</li>
+WTA 谁更好</strong>；因此 WTA 只作为 M5
+门禁不过时的预定回退（§1.1）。</li>
 <li>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。</li>
 </ul>
@@ -755,8 +879,7 @@ WTA 谁更好</strong>，需在真实数据上 A/B（M5）。</li>
 </tr>
 <tr class="odd">
 <td>部署推理</td>
-<td>浏览器 onnxruntime-web（WebGPU /
-wasm-SIMD，按实测选）；后续真机控制器</td>
+<td>浏览器 onnxruntime-web wasm-SIMD 多线程；后续真机控制器</td>
 <td>与现有查看器同页</td>
 </tr>
 </tbody>
@@ -844,8 +967,9 @@ class="sourceCode json"><code class="sourceCode json"><span id="cb2-1"><a href="
 </tbody>
 </table>
 <ul>
-<li>pos / pose 各半；老师用
-<code>solveDyn</code>，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。</li>
+<li>pos / pose 各半；老师为 PRM 路网 A* + 捷径平滑（确定性；复用
+<code>routeRT</code> 的路网图搜索，放宽时间预算）；A* 失败的任务用
+<code>solveDyn</code>（固定种子）补。</li>
 <li>另造三个互不重叠的集合：<strong>门禁集</strong> 2000
 条（挖错循环每轮用）、<strong>held-out 验收集</strong> 2000
 条、<strong>near_column 扩展验收集</strong> ≥1000
@@ -873,21 +997,21 @@ a_max 为待定参数，真机型号确定后设定），dt = 20 ms。</li>
 </ul></li>
 <li>每条路径约 40–50 个样本 → 约 200 万样本（以 <code>stats.json</code>
 为准）。</li>
-<li>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。</li>
+<li>协变量偏移对策：关节噪声增广（σ =
+1°，噪声状态由老师离线重标）；偏离状态的进一步覆盖靠 §7。</li>
 </ol>
 <h3 id="46-耗时与存储">4.6 耗时与存储</h3>
 <ul>
-<li><code>solveDyn</code> 约 0.7 s/条：沙箱 2 进程约 5 小时；8 核机器约
-1.5 小时。</li>
+<li>路网 A* 每条数十毫秒，耗时主要在过滤认证；按 <code>solveDyn</code>
+0.7 s/条上限估算，沙箱 2 进程不超过 5 小时。</li>
 <li>200 万样本原始约 1 GB；Parquet 约 200 MB。</li>
 </ul>
 <h3 id="47-检查点">4.7 检查点</h3>
 <ul class="task-list">
 <li><label><input
 type="checkbox" /><code>ml/data/stats.json</code>：类别、到达率、行程、样本数、补零样本占比</label></li>
-<li><label><input type="checkbox" />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 &lt; 10%</label></li>
+<li><label><input type="checkbox" />老师一致性：起终点扰动 ±5 mm
+的邻居任务同伦类一致率 ≥ 90%</label></li>
 <li><label><input type="checkbox" />抽 20 条在查看器回放（新增
 <code>?replay=</code> 参数）</label></li>
 <li><label><input type="checkbox" />各集合与训练集无重叠</label></li>
@@ -956,19 +1080,13 @@ type="checkbox" /><code>ml/data/stats.json</code>：类别、到达率、行程
 <td style="text-align: right;">8</td>
 <td>臂各段到立柱的胶囊距离</td>
 </tr>
-<tr class="odd">
-<td>上一次所选模式 k_prev</td>
-<td style="text-align: right;">5</td>
-<td>one-hot（含"无"），仅 WTA 基线头使用</td>
-</tr>
 </tbody>
 </table>
 <h3 id="52-输出">5.2 输出</h3>
 <ul>
-<li>默认一步生成头：每条候选 16 步 × 6 轴
+<li>MeanFlow 一步头：每条候选 16 步 × 6 轴
 Δq（按每轴最大步长归一化）。</li>
-<li>WTA 基线头：K=4 条 16 步 Δq + 4 类模式 logits。</li>
-<li>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 +
+<li>附加头：价值头（剩余时间/代价）、子目标头（2 个关节途经点 +
 是否需要）。</li>
 </ul>
 <h3 id="53-连续轴">5.3 连续轴</h3>
@@ -981,11 +1099,10 @@ type="checkbox" /><code>ml/data/stats.json</code>：类别、到达率、行程
                                │
                4 层 Transformer encoder
                                │ (memory)
-16 个动作 token（一步头：注入噪声 + 时间嵌入；WTA：K×16 个可学习 token）
+16 个动作 token（注入噪声 z + 时间嵌入 (r, t)）
                                ▼
                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</code></pre>
 <table>
@@ -1012,58 +1129,49 @@ type="checkbox" /><code>ml/data/stats.json</code>：类别、到达率、行程
 </table>
 <p>子目标触发：新目标或目标跳变 &gt; 50 mm 时输出；到达当前子目标 &lt;
 5° 后切下一个。</p>
-<h3 id="62-动作头">6.2 动作头</h3>
+<h3 id="62-动作头meanflow-一步生成">6.2 动作头：MeanFlow 一步生成</h3>
 <table>
 <thead>
 <tr class="header">
-<th></th>
-<th>一步生成头（默认）</th>
-<th>WTA 头（基线）</th>
+<th>项</th>
+<th>做法</th>
 </tr>
 </thead>
 <tbody>
 <tr class="odd">
 <td>多模态</td>
-<td>连续分布；每次并行采 8 个噪声 → 8 条候选</td>
-<td>固定 4 个模式</td>
+<td>连续分布；每次推理并行采 8 个噪声 → 8 条候选</td>
 </tr>
 <tr class="even">
 <td>训练</td>
-<td>MeanFlow 损失，或 Shortcut 自一致 + FM 锚定损失（配合条件 OT
-配对）</td>
-<td>WTA-L1 + 模式 CE</td>
+<td>MeanFlow 平均速度场损失（MP1 配方：25% 样本
+r≠t，自适应损失加权），JVP 用 <code>torch.func.jvp</code></td>
 </tr>
 <tr class="odd">
 <td>推理</td>
-<td>1 次批量前向</td>
-<td>1 次前向</td>
+<td>1 次批量前向（r=0, t=1）</td>
 </tr>
 <tr class="even">
 <td>后处理</td>
-<td>1–2 步解析胶囊距离梯度投影（JS 实现，仅 d &lt; 余量时）</td>
-<td>同左</td>
+<td>1 步解析胶囊距离梯度投影，每轴修正 ≤ 0.5°，仅 d &lt; 余量时（JS
+实现，不走 ONNX）</td>
 </tr>
 <tr class="odd">
 <td>APG 兼容</td>
 <td>固定噪声后为确定性可微映射</td>
-<td>模式选择用 Gumbel-Softmax 或对 4 个模式各展开取最小代价</td>
+</tr>
+<tr class="even">
+<td>预定回退</td>
+<td>M5 门禁不过（near_column 穿柱率 &gt; 2% 或训练发散）→ 同骨干换 WTA
+K=8 头（WTA-L1 + 模式 CE），约 1 天</td>
 </tr>
 </tbody>
 </table>
-<p>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。</p>
 <h3 id="63-损失">6.3 损失</h3>
-<p>一步生成头：</p>
-<pre><code>L = MeanFlow 损失（或 Shortcut 自一致 + FM 锚定）          1.0
+<pre><code>L = MeanFlow 损失                                          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</code></pre>
-<p>WTA 头：</p>
-<pre><code>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</code></pre>
 <h3 id="64-训练配置">6.4 训练配置</h3>
 <table>
 <thead>
@@ -1116,7 +1224,7 @@ s），统计到达率、用时 ≤ 老师 × 1.3
 <pre><code>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；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
+        chunk = π(obs(q, 目标, 前缀), z)    # 每条展开固定一个噪声 z
         Δq = chunk[0:3]                     # 与部署一致
         q = clamp(q + Δq)
         累计 L_col(q), L_smooth(Δq)
@@ -1124,8 +1232,8 @@ s），统计到达率、用时 ≤ 老师 × 1.3
     反传，梯度裁剪 ≤ 1.0，lr 1e-4</code></pre>
 <ul>
 <li>碰撞项 L_col = Σ ReLU(margin − 胶囊距离)，margin =
-<code>margin_mm</code> + 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）。</li>
+<code>margin_mm</code> + 训练余量 5
+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）。</li>
 <li>到达项：位置误差² + λ_rot·‖R − R*‖_F²。</li>
 <li>平滑项：速度² + 加速度²。</li>
 <li>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。</li>
@@ -1145,21 +1253,14 @@ mm，覆盖安全层认证的保守量）；含臂×立柱、臂×台架、臂×
 个百分点、上一轮修好的错题 95% 仍对；否则回滚。</li>
 <li>停止：连续 2 轮提升 &lt; 0.5 个百分点，或满 6 轮。</li>
 </ol>
-<h3 id="73-可选拒绝采样自蒸馏">7.3 可选：拒绝采样自蒸馏</h3>
-<p>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。</p>
-<h3 id="74-可选reinflow-微调">7.4 可选：ReinFlow 微调</h3>
-<p>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。</p>
 <hr />
 <h2 id="8-部署">8. 部署</h2>
 <h3 id="81-执行循环">8.1 执行循环</h3>
 <pre><code>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 &lt; 余量时）
+  2. 推理：8 个噪声 → 8 条 16 步动作块（冷启动或卡死换向时，再各推一块做短前瞻）
+  3. 每条候选做 1 步胶囊距离梯度投影（每轴 ≤ 0.5°，仅 d &lt; 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
@@ -1169,12 +1270,8 @@ mm，覆盖安全层认证的保守量）；含臂×立柱、臂×台架、臂×
 Worker、按实际 dt 推进，避免 <code>requestAnimationFrame</code>（60
 Hz）与 20 ms 不整除及后台节流造成的抖动。</p>
 <h3 id="82-候选排序防左右摇摆">8.2 候选排序（防左右摇摆）</h3>
-<ul>
-<li>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。</li>
-<li>WTA 头：分数 = log p(k) − c·[k ≠ k_prev] − λ·价值头剩余代价，c 初值
-2.0。</li>
-</ul>
+<p>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。冷启动时无已提交块，只用价值头 + 短前瞻打分。</p>
 <h3 id="83-安全层唯一的硬保证">8.3 安全层（唯一的硬保证）</h3>
 <ul>
 <li><strong>距离下界认证</strong>：对一段运动 q_a →
@@ -1227,12 +1324,12 @@ ms，否则放 Web Worker 与推理流水线并行。</li>
 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）。</li>
 <li><strong>价值头</strong>：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。</li>
-<li><strong>短前瞻</strong>：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。</li>
+<li><strong>短前瞻</strong>（仅冷启动和卡死换向时）：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。</li>
 <li><strong>卡死检测 + 强制换向</strong>：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。</li>
 <li><strong>训练侧加强</strong>：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。</li>
+40%；展开覆盖整段绕行。</li>
 </ol>
 <h3 id="86-控制周期">8.6 控制周期</h3>
 <p>伺服层（参考）：Franka FCI 1 ms；UR e-Series 2 ms、CB3 8 ms；ABB EGM
@@ -1372,9 +1469,9 @@ rt）</td>
 <tbody>
 <tr class="odd">
 <td>R1</td>
-<td>老师左右绕行不一致，标签自相矛盾</td>
-<td>同任务 5 种子同伦类一致率 ≥ 90%</td>
-<td>固定"最短同伦类"偏好，或改用 PRM 路网 A* 作老师</td>
+<td>老师在相邻任务上左右绕行跳变，标签自相矛盾</td>
+<td>起终点扰动 ±5 mm 的邻居任务同伦类一致率 ≥ 90%</td>
+<td>对 A* 边代价加左右偏好项，强制同区域选同侧</td>
 <td>M1</td>
 </tr>
 <tr class="even">
@@ -1393,17 +1490,16 @@ rt）</td>
 </tr>
 <tr class="even">
 <td>R4</td>
-<td>浏览器推理延迟：WebGPU 每次调度 33–67 μs，8 层 Transformer 约
-150–300 次调度</td>
-<td>M4 后立即导出 ONNX，在目标浏览器测 batch=8（含前瞻 16）P99</td>
-<td>wasm-SIMD 多线程；去掉前瞻；减小模型</td>
+<td>浏览器推理延迟</td>
+<td>M4 后立即导出 ONNX，wasm-SIMD 多线程测 batch=8 P99 &lt; 15 ms</td>
+<td>减小模型（d=128，约 1.8M 参数）；同时测 WebGPU，更快则换</td>
 <td><strong>M4（最大不确定项）</strong></td>
 </tr>
 <tr class="odd">
 <td>R5</td>
-<td>一步生成头在 6 轴、位姿目标下不如 WTA，或训练不稳</td>
-<td>M5 A/B：穿柱率、到达率、摇摆率</td>
-<td>部署 WTA 头</td>
+<td>MeanFlow 头在 6 轴、位姿目标下穿柱或训练不稳</td>
+<td>near_column 穿柱率（关安全层）≤ 2%；损失不发散</td>
+<td>同骨干换 WTA K=8 头</td>
 <td>M5</td>
 </tr>
 <tr class="even">
@@ -1464,7 +1560,7 @@ a_max、插补频率与提交步数。</li>
   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   # 一步生成头 + WTA 头
+  model/      policy_transformer.py   # MeanFlow 一步头
   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
@@ -1506,15 +1602,15 @@ tests/policy_bench.cjs</code></pre>
 </tr>
 <tr class="even">
 <td>M4</td>
-<td>模型（两种头）+ 训练工程 + 闭环仿真；小数据过拟合；<strong>导出 ONNX
+<td>模型 + 训练工程 + 闭环仿真；小数据过拟合；<strong>导出 ONNX
 测浏览器延迟</strong></td>
 <td><code>train.py</code>、<code>closed_loop.py</code>、延迟报告</td>
 <td>沙箱 + 浏览器</td>
 </tr>
 <tr class="odd">
 <td>M5</td>
-<td>预训练；一步头 vs WTA A/B</td>
-<td>checkpoint、A/B 报告</td>
+<td>预训练 + MeanFlow 头门禁</td>
+<td>checkpoint、门禁报告</td>
 <td>用户 GPU</td>
 </tr>
 <tr class="even">
@@ -1524,19 +1620,13 @@ tests/policy_bench.cjs</code></pre>
 <td>用户 GPU</td>
 </tr>
 <tr class="odd">
-<td>M6b</td>
-<td>（可选）ReinFlow 微调</td>
-<td>对比 M6</td>
-<td>用户 GPU</td>
-</tr>
-<tr class="even">
 <td>M7</td>
 <td><code>ik-policy.js</code> 闭环部署 + 安全层实测 +
 <code>policy_bench</code> + 一次性验收</td>
 <td>对比表</td>
 <td>沙箱 + 浏览器</td>
 </tr>
-<tr class="odd">
+<tr class="even">
 <td>M8</td>
 <td>移除查看器对
 <code>solveDyn</code>/<code>routeRT</code>/路网的运行时依赖（保留在

docs/Transformer轨迹拟合训练方案.md

@@ -17,7 +17,7 @@
 | 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 |
 
-**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）。
+**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**；每个设计点都已定为唯一选择（§1.1），只有 MeanFlow 头带一个预先写定触发条件的回退（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）。
 
 ---
 
@@ -26,19 +26,38 @@
 | 模块 | 最终选择 | 证据等级 | 关键依据 |
 |---|---|---|---|
 | 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 |
+| 数据 | 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 |
+| 动作头 | **MeanFlow 一步生成头**，每次并行采 8 个噪声 → 8 条候选 | B | 沙箱双模态实验（§2.4）；MP1 约 6.8 ms |
 | 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 |
+| 碰撞修正 | 输出后 1 步解析胶囊距离梯度投影（每轴 ≤ 0.5°，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% |
+| 后训练（辅） | 无老师挖错循环 + 门禁 | B | DRP 迭代微调 +45% |
 | 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 |
+| 30/30 手段 | 子目标头、价值头、冷启动/卡死时短前瞻、卡死换向 | B / C | AWE、SHAC、BID |
+| 老师 | PRM 路网 A* + 捷径平滑（确定性）；A* 失败才用 `solveDyn` | B | MπNets：老师不一致碰撞率 13.78%，一致老师 0.94% |
+| 推理后端 | onnxruntime-web wasm-SIMD 多线程 | C | 小模型下 WebGPU 调度开销占主导 |
+
+### 1.1 取舍决定（每项只有一个答案）
+
+| 选项 | 利 | 弊 | 决定 |
+|---|---|---|---|
+| 动作头：MeanFlow 一步头 vs WTA K=4 | MeanFlow：连续多模态，能同时表达左/右绕行与位姿目标的多个 IK 分支；沙箱 1 步达到 10 步流匹配质量。WTA：训练稳、实现简单 | MeanFlow：训练需 JVP（训练慢约 1.5–2 倍）、原生版本在部分任务失败（K-MF 表 1）。WTA：只有 4 个固定模式，左右 × 肘/腕分支可能超过 4 个；沙箱分不出两者高下 | **上 MeanFlow**。WTA 不实现；只有 M5 门禁不过（near_column 穿柱率高于 2% 或训练发散）才换成 WTA K=8，二者共用骨干，切换约 1 天 |
+| Shortcut + 条件 OT 配对 | 无需 JVP | 本项目无任何实测，组合无论文先例 | **不上** |
+| B 样条动作表示 | 平滑由表示保证；输出维度小 | 贴柱时拐角被抹圆、局部精度下降；只有间接证据；平滑已由梯形时间律 + 平滑损失保证 | **不上**，固定 16 步 Δq |
+| 输出后梯度投影 | 修掉 1–2 mm 的轻微侵入，成本约 0.1 ms，减少刹停 | 推离数据分布、改变块间一致性；修不了"绕错侧" | **上**，限 1 步、每轴修正量 ≤ 0.5°，仅 d < 余量时触发 |
+| 短前瞻（多推一块打分） | 避开"走两步就撞墙"的分支 | 推理次数翻倍，加剧最大不确定项（浏览器延迟） | **只在冷启动和卡死换向时上**，平时不做 |
+| 拒绝采样自蒸馏 | 进一步缩短行程 | 偏向贴柱、余量变小、多样性塌缩；APG 行程项已覆盖同一目标 | **不上** |
+| ReinFlow 强化学习微调 | 能直接优化到达/卡死/刹停等离散目标 | RL 会重塑左右模式比例；奖励调参与训练多出数天；这些离散目标已由卡死换向规则 + APG 覆盖 | **不上** |
+| 挖错循环中 E2 错题请老师补路径 | 解决可微代价绕不出的局部极小 | 量小、离线 | **上** |
+| 老师：PRM 路网 A* vs `solveDyn` | A*：确定性，同类任务左右选择一致，且是路网上的最短；`solveDyn` 覆盖更全 | A*：受路网分辨率限制，个别任务失败 | **A* 为主老师**，失败的任务用 `solveDyn`（固定种子）补 |
+| 推理后端：WebGPU vs wasm | WebGPU 大模型快 | 本模型约 4M 参数，WebGPU 每次调度 33–67 μs × 150–300 次，调度开销反而大 | **wasm-SIMD 多线程**；M4 实测若 WebGPU P99 更低再换 |
+| 训练余量 | 越大越不易被认证拒绝 | 越大行程越长、贴柱越难 | **5 mm** |
+| 关节噪声增广 σ | 覆盖偏离状态 | 过大产生无意义状态 | **1°** |
+| 局部牛顿精修 | 末端精度到 < 1 mm | 无 | **上**，同样过安全层 |
 
 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。
 
@@ -75,15 +94,16 @@
 | 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 |
+| 一步生成：MeanFlow（MP1） | **采用** | 1 次前向；沙箱双模态实验通过 |
 | 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 |
+| Shortcut / 条件 OT 配对 | 不采用 | 见 §1.1 |
+| OFP 自蒸馏 | 不采用 | 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 |
+| B 样条动作表示 | 不采用 | 见 §1.1 |
+| ReinFlow / DPPO | 不采用 | 见 §1.1 |
 
 ### 2.4 沙箱双模态对照实验
 
@@ -99,7 +119,7 @@
 
 - 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）。
+- 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**；因此 WTA 只作为 M5 门禁不过时的预定回退（§1.1）。
 - 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。
 
 ---
@@ -110,7 +130,7 @@
 |---|---|---|
 | 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 |
+| 部署推理 | 浏览器 onnxruntime-web wasm-SIMD 多线程；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
@@ -159,7 +179,7 @@ pip install numpy pyarrow tqdm tensorboard onnx onnxruntime
 | 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`，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。
+- pos / pose 各半；老师为 PRM 路网 A* + 捷径平滑（确定性；复用 `routeRT` 的路网图搜索，放宽时间预算）；A* 失败的任务用 `solveDyn`（固定种子）补。
 - 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
@@ -175,17 +195,17 @@ pip install numpy pyarrow tqdm tensorboard onnx onnxruntime
    - 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. 协变量偏移对策：关节噪声增广（σ = 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：沙箱 2 进程约 5 小时；8 核机器约 1.5 小时。
+- 路网 A* 每条数十毫秒，耗时主要在过滤认证；按 `solveDyn` 0.7 s/条上限估算，沙箱 2 进程不超过 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、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%
+- [ ] 老师一致性：起终点扰动 ±5 mm 的邻居任务同伦类一致率 ≥ 90%
 - [ ] 抽 20 条在查看器回放（新增 `?replay=` 参数）
 - [ ] 各集合与训练集无重叠
 
@@ -209,13 +229,11 @@ pip install numpy pyarrow tqdm tensorboard onnx onnxruntime
 | 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
 
-- 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）。
+- MeanFlow 一步头：每条候选 16 步 × 6 轴 Δq（按每轴最大步长归一化）。
+- 附加头：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
 
@@ -232,11 +250,10 @@ J1/J3/J6 统一用 `unwrapTo` 展开后再做增量；预处理与部署共用
                                │
                4 层 Transformer encoder
                                │ (memory)
-16 个动作 token（一步头：注入噪声 + 时间嵌入；WTA：K×16 个可学习 token）
+16 个动作 token（注入噪声 z + 时间嵌入 (r, t)）
                                ▼
                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
 ```
@@ -249,39 +266,26 @@ J1/J3/J6 统一用 `unwrapTo` 展开后再做增量；预处理与部署共用
 
 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。
 
-### 6.2 动作头
+### 6.2 动作头：MeanFlow 一步生成
 
-| | 一步生成头（默认） | WTA 头（基线） |
-|---|---|---|
-| 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 |
-
-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。
+| 项 | 做法 |
+|---|---|
+| 多模态 | 连续分布；每次推理并行采 8 个噪声 → 8 条候选 |
+| 训练 | MeanFlow 平均速度场损失（MP1 配方：25% 样本 r≠t，自适应损失加权），JVP 用 `torch.func.jvp` |
+| 推理 | 1 次批量前向（r=0, t=1） |
+| 后处理 | 1 步解析胶囊距离梯度投影，每轴修正 ≤ 0.5°，仅 d < 余量时（JS 实现，不走 ONNX） |
+| APG 兼容 | 固定噪声后为确定性可微映射 |
+| 预定回退 | M5 门禁不过（near_column 穿柱率 > 2% 或训练发散）→ 同骨干换 WTA K=8 头（WTA-L1 + 模式 CE），约 1 天 |
 
 ### 6.3 损失
 
-一步生成头：
-
 ```
-L = MeanFlow 损失（或 Shortcut 自一致 + FM 锚定）          1.0
+L = MeanFlow 损失                                          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
 ```
 
-WTA 头：
-
-```
-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
-```
-
 ### 6.4 训练配置
 
 | 项 | 值 |
@@ -308,7 +312,7 @@ L = WTA-L1(动作块, 最近模式)   1.0
 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；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
+        chunk = π(obs(q, 目标, 前缀), z)    # 每条展开固定一个噪声 z
         Δq = chunk[0:3]                     # 与部署一致
         q = clamp(q + Δq)
         累计 L_col(q), L_smooth(Δq)
@@ -316,7 +320,7 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
     反传，梯度裁剪 ≤ 1.0，lr 1e-4
 ```
 
-- 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）。
+- 碰撞项 L_col = Σ ReLU(margin − 胶囊距离)，margin = `margin_mm` + 训练余量 5 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。
@@ -333,14 +337,6 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 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
-
-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. 部署
@@ -351,8 +347,8 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 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）
+  2. 推理：8 个噪声 → 8 条 16 步动作块（冷启动或卡死换向时，再各推一块做短前瞻）
+  3. 每条候选做 1 步胶囊距离梯度投影（每轴 ≤ 0.5°，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
@@ -364,8 +360,7 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 
 ### 8.2 候选排序（防左右摇摆）
 
-- 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。
+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。冷启动时无已提交块，只用价值头 + 短前瞻打分。
 
 ### 8.3 安全层（唯一的硬保证）
 
@@ -391,9 +386,9 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 
 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。
+3. **短前瞻**（仅冷启动和卡死换向时）：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。
+5. **训练侧加强**：贴柱类占 APG 采样 40%；展开覆盖整段绕行。
 
 ### 8.6 控制周期
 
@@ -444,11 +439,11 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 
 | # | 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 |
+| R1 | 老师在相邻任务上左右绕行跳变，标签自相矛盾 | 起终点扰动 ±5 mm 的邻居任务同伦类一致率 ≥ 90% | 对 A* 边代价加左右偏好项，强制同区域选同侧 | 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 |
+| R4 | 浏览器推理延迟 | M4 后立即导出 ONNX，wasm-SIMD 多线程测 batch=8 P99 < 15 ms | 减小模型（d=128，约 1.8M 参数）；同时测 WebGPU，更快则换 | **M4（最大不确定项）** |
+| R5 | MeanFlow 头在 6 轴、位姿目标下穿柱或训练不稳 | near_column 穿柱率（关安全层）≤ 2%；损失不发散 | 同骨干换 WTA K=8 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 |
@@ -475,7 +470,7 @@ 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   # 一步生成头 + WTA 头
+  model/      policy_transformer.py   # MeanFlow 一步头
   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
@@ -495,10 +490,9 @@ tests/policy_bench.cjs
 | 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 |
+| M4 | 模型 + 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 + MeanFlow 头门禁 | checkpoint、门禁报告 | 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 |