探索日志：Transformer 机械臂闭环控制
长期锚点：docs/Transformer轨迹拟合训练方案.md §9.2（部署形态 = 策略 + 安全层）。
验收口径（§9.2）：实际执行碰撞 = 0；held-out 可达任务到达率 ≥ 98%；到达用时 ≤ 老师 ×1.3；关节行程 ≤ 现有规划器 ×1.10；冷启动 < 10 ms；每次推理 + 安全认证 P99 < 20 ms；刹停发生率 < 2% 的推理周期；策略单独（关安全层）碰撞率 < 3%。
评测约定：val 任务、部署节奏（r = 3 重规划、1 段采样、K=8）；「纯策略」= 关安全层；「部署」= 开安全层。时延：桌面 RTX 3090 上 sample_k(B=64, K=8) 墙钟均值（均值，非 P99）；浏览器 ONNX P99 以 §9.2 R4 的独立测量为准。
轮次 0：基线（2026-10-18，main）
- 假设：模型开环已拟合老师（末端 ~6 mm），闭环失败另有原因。
- 判据：reach = 0 且碰撞 ≈ 100% 即失败；需同时报告碰撞 / 到达 / 精度 / 时延。
- 配方：
ml/runs/base/last.pt（step 14000，旧配方、act_scale=1.0），n=256。
- 对照：老师回放 reach 1.0 / 碰撞 0；H1_oracle（老师提线走 rollout）reach 1.0、碰撞 0、轨迹偏差 p99 4.6e-4°。
- 指标：到达 0%；碰撞 99.6%；精度 ol_fk 5.98 mm / ol_best 2.92 mm / ol_div 0.655，2 s 误差比 0.755；时延未测。
- 结论：仿真/滚动无误，失败在策略输出。闭环对每步残差极敏感（老师动作加 σ=0.05×STEP 即 reach 1.0→0.218）。
轮次 1：数据规模能否救闭环（main，负结论）
- 假设：训练数据不足导致分布外状态无覆盖。
- 判据：若闭环状态到训练集最近邻距离大，且密度缩放无法在误差尺度内缩小差距，则加大同类数据无效。
- 配方：191 万老师状态最近邻分析；6 维密度缩放 d∝N^(−1/6)。
- 对照：起点（老师分布内）最近邻。
- 指标：闭环状态最近邻 p50 21.5°（起点 13.2°）；数据翻 4 倍仅降 ~21%，与 0.02° 误差尺度差三个量级。
- 结论：加大同类老师数据无效；需要「不同的数据」（闭环状态标注）。
- 下一步：DAgger 或状态扰动数据。
轮次 2：合成扰动状态微调（main，负结论）
- 假设：偏移 1.5° 状态的老师标注可补足闭环状态覆盖。
- 判据：若 success 仍 0 或开环精度退化，则配方不成立。
- 配方：2000 个扰动起点（σ 混合 0.5/1/2/4°）→ 老师重规划（2000/2000 到达）→ 36k 样本 → 从 base/last.pt 微调 3000 步（lr 3e-4 / 1e-4 两轮）。
- 对照：base/last.pt。
- 指标：碰撞 99.6%→48.4% / 60.4%；到达仍 0%；开环 6→15.3 / 16.4 mm（退化 2.5×）；ratio2s 0.927/0.893。
- 结论：只学会了「保守避撞」，开环精度被带偏，success 仍 0；此配方不成立。
- 下一步：改训练标签（绝对目标）或真实 DAgger。
轮次 3：绝对目标参数化（exp: feat/abs-target，负结论）
- 假设：模型从当前状态外推增量（判别 ρ=1.54），改为绝对目标标签可让输出指向参考位置。
- 判据：一步采样开环误差需回到 <10 mm，闭环 success > 0；否则参数化不可行。
- 配方：
ABS_TARGET=1 重打主数据（201 万样本，Y=16 步绝对目标/180），train/rollout/ckpt 适配；从零训练 9950 步（p_neq 预热 5000）。过程中修复前缀噪声增广把 eps 直接加到绝对目标（≈18° 污染）的 bug。
- 对照：base/last.pt（ol_fk 5.98 mm、reach 0%）。
- 指标：一步采样动作误差 31°（4/8 段 2.3°/2.8°）；ol_fk 4000/6000/8000 步 = 74.6/140.4/139.0 mm；闭环 0% / 100%（1 段与 4 段皆然）；时延未测。
- 结论：绝对目标的一步流匹配在 MeanFlow 头上学不动（过预热后 5000 步无下降趋势）；此配方不成立。分支已推送远端
217a70b（本地分支可删，远端保留可复现）。
- 下一步：回归增量口径，上真实 DAgger。
轮次 4：真实 DAgger 1 轮（main，部分有效）
- 假设：策略自己走到的状态（离训练集 21.5°）+ 老师重标注，可让模型学会在偏移状态上行动。
- 判据：reach 是否从 0 抬头；同时看碰撞、开环精度、时延。
- 配方：
ACT_SCALE=1.0 DAG_ROUNDS=1 DAG_N=2000 bash ml/dagger/run.sh base ml/runs/base/last.pt（采集 2000 题 → 老师重规划 → 打包 → 微调 15000 步，lr 3e-4；主数据 + DAgger 混合）。
- 对照：base/last.pt。
- 指标：碰撞 99.6%→40.2%（8000 步 36.9%，10000 步 58.8%）；到达 0%，仅微调 12000 步时出现 0.4%（2/512）；开环退化 6→15.7 mm；ratio2s 0.87–0.92；时延未测。
- 结论：DAgger 数据确实教会避撞，但微调把主分布带偏（开环退化），到达仍近 0；单独 DAgger 不是终点。
- 下一步：在 DAgger 模型上加目标反馈（模型前馈 + DLS 反馈）。
轮次 5：模型前馈 + DLS 目标反馈（exp: feat/fb-mix，历史最佳）
- 假设：模型擅长开环轨迹/避撞，但不指向目标；把 DLS 朝目标的反馈叠加到候选动作上，可把「走偏」拉回目标。
- 判据：部署口径（+安全层）reach 显著 > 0 且碰撞 < 3%（§9.2 策略单独碰撞线）、刹停可控；否则不成立。
- 配方：
closed_loop.rollout(fb_gain=...)：inc += fb_gain · DLS(qe→T,R, n=1)（加在所有候选上，安全层评估带反馈的候选）。模型 ml/runs/base_dag1/best.pt（DAgger 轮 4 的 best，12000 步）。n=128，val。
- 对照：base/last.pt + 同反馈；DAgger 模型 + 无反馈。
- 指标（n=128）：
| 配置 |
到达 |
碰撞 |
精度 ratio2s |
刹停/题 |
时延 |
| DAgger 模型, gain 0 |
0% |
44.5% |
0.873 |
0 |
— |
| DAgger 模型, gain 1.0, 关安全层 |
29.7% |
73.4% |
0.370 |
0 |
— |
| DAgger 模型, gain 1.0, 开安全层 |
20.3% |
2.3% |
0.480 |
21.9 |
12.58 ms/次（B=64,K=8，桌面 3090） |
| base 模型, gain 1.0, 关安全层 |
0% |
94.5% |
0.554 |
0 |
— |
（另测 n=32 复核：gain 1.0 + safety → reach 25.0%、碰撞 6.2%、ratio2s 0.588。）
- 结论：反馈混合是首个把到达率从 0 拉到 20%+ 的机理；安全层把碰撞从 73% 压到 2.3%（部署口径），代价是刹停 21.9 次/题（远超 §9.2 的 <2%/周期）。精度 ratio2s 0.48（2 s 时误差缩一半），时延 12.58 ms/次接近 §9.2 的 20 ms（推理+认证）门槛。
- 与历史最佳/基线对比：reach 0→20.3%、碰撞 99.6→2.3%、ratio2s 0.755→0.480；开环精度仍退化（DAgger 微调导致 15.7 mm vs 基线 5.98 mm）。
- 漂移检查：main = 70654e4（无新提交）；工作区仅用户个人 html 未跟踪；数据口径 act_scale=1.0 与 ckpt 一致；
feat/abs-target 已推送远端；本次实验在独立分支 feat/fb-mix。
- 下一步：扫更大 gain（1.2–2.0）与增益衰减；目标是把刹停次数降下来、到达率再提升，并测 ONNX/浏览器时延。
轮次 6：反馈增益扩展扫描（exp: feat/fb-mix，小幅进展）
- 假设：更大增益能把到达率继续推高。
- 判据：reach 显著高于 20.3%（>25%）且碰撞 ≤3%、刹停不失控。
- 配方：
rollout(fb_gain∈{1.2,1.5,2.0}, safety=True)，模型同轮次 5，n=128。
- 对照：轮次 5（gain 1.0：reach 20.3% / 碰撞 2.3% / ratio2s 0.480 / 刹停 21.9）。
- 指标：
| gain |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| 1.2 |
23.4% |
1.6% |
0.454 |
31.4 |
973 ms |
| 1.5 |
21.9% |
2.3% |
0.498 |
43.0 |
1151 ms |
| 2.0 |
23.4% |
0.8% |
0.530 |
57.6 |
1100 ms |
- 结论：到达率封顶在 ~23%，增益再大只增刹停（31→58 次/题）。当前瓶颈从「到不了目标」变成「安全层频繁刹停 + 近目标过冲」。
- 下一步：距离衰减增益（远离目标全增益、贴近目标减弱）+ 刹停兜底；目标 reach > 30% 且刹停显著下降。
轮次 7：距离衰减增益 + 刹停兜底（exp: feat/fb-mix，负结论）
- 假设：贴近目标减弱反馈可减少过冲/刹停；安全层全拒时用「半速朝目标一步」（单点安全认证）可减少原地停滞。
- 判据：reach > 23.4%（轮次 6）且碰撞 ≤3%、刹停下降。
- 配方：
fb_scale=100（>100 mm 全增益，近目标最低 0.2 倍）；fb_fallback=0.5（全拒时半速 DLS 一步，认证 qe+fb1 单点无碰）。n=128，safety=True。
- 对照：轮次 6（gain 1.2、无衰减、无兜底：23.4% / 1.6% / 0.454 / 31.4 / 973 ms）。
- 指标：
| 配置 |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| decay + fallback (gain 1.2) |
7.0% |
57.8% |
0.506 |
45.1 |
1166 ms |
| decay only (gain 1.2) |
9.4% |
1.6% |
0.454 |
29.6 |
1106 ms |
| no-decay + fallback (gain 1.2) |
21.1% |
57.8% |
0.506 |
46.8 |
1063 ms |
| gain 1.0 + decay + fallback |
4.7% |
55.5% |
0.515 |
37.2 |
939 ms |
- 结论：两个改动都失败。① 衰减使接近目标时的收敛变慢，到达从 23.4% 掉到 9.4%；② 兜底绕过安全层的多候选选择，碰撞从 1.6% 拉到 57.8%（仅单点认证、且执行 3 步同向动作，危险），必须清除。保留参数但默认关闭（
fb_scale=0, fb_fallback=0），历史最佳配置（轮次 6）可复现。
- 过程 bug（自造）：衰减代码曾用变量名
g 覆盖 rollout 的随机数生成器，导致 randn 报错；改名 gdec 后正常——记录以免误判为模型问题。
- 下一步：DAgger 第 2 轮——采集时加入 fb_gain + safety，让训练分布 = 部署分布（1 轮，15000 步微调，约 1 小时）。按目标要求先向用户确认。
轮次 8：部署分布 DAgger 第 2 轮（exp: exp/dagger-deploy，边际改善）
- 假设：第 1 轮 DAgger 用纯策略轨迹采集，与部署分布（反馈 + 安全层）不一致；用部署分布采集可让模型学到刹停/反馈下的正确动作。
- 判据：部署口径 reach > 23.4%（轮次 6）或刹停显著下降且到达不降。
- 配方：
ml.dagger.collect --fb_gain 1.2 --safety 1（2000 题 → 637 起点，部署分布）→ 老师重规划 → 打包 → 从 base_dag1/best.pt 微调 15000 步（配置 base_dag2，lr 3e-4）。
- 对照：base_dag1/best.pt（轮次 6 历史最佳）；纯策略 eval 见训练日志。
- 指标（部署口径，n=128，safety=True）：
| 模型 |
gain |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| dag2 best |
1.0 |
21.9% |
1.6% |
0.485 |
18.9 |
905 ms |
| dag2 best |
1.2 |
22.7% |
1.6% |
0.491 |
25.9 |
922 ms |
| dag1 best |
1.0 |
20.3% |
2.3% |
0.480 |
21.9 |
944 ms |
| dag1 best（轮次 6） |
1.2 |
23.4% |
1.6% |
0.454 |
31.4 |
953 ms |
- 结论：部署分布 DAgger 把刹停降 18–40%、时延降 ~31 ms，但到达率未突破 23% 平台（-0.7 pp），属边际权衡改善；历史最佳到达仍是 dag1+gain1.2（23.4%）。
- 下一步：试 replan=empty（r=0 规划，让反馈逐步生效）与安全层候选 K=16（减少全拒刹停）。
轮次 9：replan=empty（队列空时规划、r=0）/ K=16 安全候选（exp: exp/dagger-deploy，新历史最佳）
- 假设：replan='empty'（每次队列空时规划、无前缀 r=0）比默认 r=3 更适合反馈混合。K=16 给安全层更多候选、减少全拒。
（更正：replan='empty' 仍是每 3 步规划一次——队列空才规划，commit 3 步；收益来自 r=0 无前缀，不是规划频率。）
- 判据：部署口径 reach > 23.4% 且碰撞 ≤1.6%、刹停/时延不恶化。
- 配方：dag2 best；
replan='empty'（每次 r=0 规划）；K=16。n=128，safety=True。
- 对照：轮次 8（dag2+gain1.2：22.7% / 1.6% / 0.491 / 25.9 / 922 ms）。
- 指标：
| 配置 |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| gain1.2 + replan=empty |
26.6% |
0.8% |
0.453 |
20.6 |
845 ms |
| gain1.2 + K=16 |
21.1% |
1.6% |
0.451 |
19.4 |
1629 ms |
| gain1.0 + K=16 |
21.9% |
4.7% |
0.506 |
14.6 |
1588 ms |
- 结论：replan=empty（r=0）全面改善（到达 +3.9 pp、碰撞 1.6→0.8%、刹停 25.9→20.6、时延 922→845 ms），成为新历史最佳。K=16 无收益且时延翻倍（1629 ms），淘汰。
- 下一步：replan=empty 下重扫增益（0.8/1.0/1.5/2.0），找新最优。
轮次 10：replan=empty（r=0）下的增益重扫（exp: exp/dagger-deploy，新历史最佳）
- 假设：r=0 规划下，最优增益会上移。
- 判据：reach > 26.6%（轮次 9）且碰撞 ≤1.6%；同时比较刹停/时延。
- 配方：dag2 best，
replan='empty'，gain ∈ {0.8, 1.0, 1.2, 1.5, 2.0}，safety=True，n=128。
- 对照：轮次 9（gain 1.2：26.6% / 0.8% / 0.453 / 20.6 / 845 ms）。
- 指标：
| gain |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| 0.8 |
21.9% |
2.3% |
0.505 |
11.3 |
801 ms |
| 1.0 |
22.7% |
0.0% |
0.489 |
15.2 |
810 ms |
| 1.2 |
26.6% |
0.8% |
0.453 |
20.6 |
845 ms |
| 1.5 |
28.9% |
0.8% |
0.411 |
28.5 |
844 ms |
| 2.0 |
28.9% |
0.8% |
0.414 |
44.9 |
914 ms |
- 结论：到达在 gain 1.5 封顶（28.9%），2.0 无收益且刹停翻倍（44.9）。按到达优先/碰撞 ≤3%：历史最佳 = gain 1.5 + replan=empty（28.9% / 0.8% / 0.411 / 28.5 / 844 ms）；按碰撞优先：gain 1.0（22.7% / 0.0% / 0.489 / 15.2 / 810 ms）。n=128 的差异约 3–4 题，需 n=256 复核。
- 下一步：n=256 复核 gain 1.0 / 1.2 / 1.5；若平台稳定，再决定是否 DAgger 第 3 轮（采集用新部署配置）。
轮次 11：n=256 复核（发现前 128 题偏难）
- 假设：轮次 10 的 n=128 差异含样本偏差，需扩大样本复核。
- 判据：reach 排名与轮次 10 一致、碰撞 ≤3%；若差异大则以 n=256 为准。
- 配方：dag2 best，
replan='empty'，safety=True，gain ∈ {1.0, 1.2, 1.5}，n=256。
- 对照：轮次 10（n=128：22.7/26.6/28.9%）。
- 指标：
| gain |
n=128 到达 |
n=256 到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| 1.0 |
22.7% |
31.6% |
0.8% |
0.428 |
15.0 |
748 ms |
| 1.2 |
26.6% |
34.8% |
1.2% |
0.392 |
18.6 |
752 ms |
| 1.5 |
28.9% |
36.7% |
1.6% |
0.323 |
27.4 |
760 ms |
- 结论：前 128 题显著偏难；n=256 上 gain 1.5 + replan=empty = 到达 36.7% / 碰撞 1.6% / ratio2s 0.323 / 刹停 27.4 / 760 ms（新历史最佳）。gain 1.0 更保守（31.6% / 碰撞 0.8% / 刹停 15.0）。排名与 n=128 一致（1.5 > 1.2 > 1.0）。
- 下一步：n=512 复核 gain 1.2/1.5；随后评估 DAgger 第 3 轮（部署分布采集）与监控页回写。
轮次 12：n=512 复核（稳定结论）
- 假设：n=256 的 34.8–36.7% 需在更大样本上确认。
- 判据：reach 与 n=256 差异 <5 pp、碰撞 ≤3%。
- 配方：dag2 best，
replan='empty'，safety=True，gain ∈ {1.2, 1.5}，n=512。
- 对照：轮次 11（n=256：34.8 / 36.7%）。
- 指标：
| gain |
n=256 到达 |
n=512 到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| 1.2 |
34.8% |
32.6% |
1.0% |
0.435 |
18.6 |
722 ms |
| 1.5 |
36.7% |
33.4% |
1.0% |
0.399 |
28.1 |
738 ms |
- 结论：n=512 稳定在 33% 左右（n=256 略乐观）；历史最佳（n=512，部署口径）= gain 1.5 + replan=empty：到达 33.4% / 碰撞 1.0% / ratio2s 0.399 / 刹停 28.1 / 738 ms。保守版 gain 1.2：32.6% / 1.0% / 0.435 / 18.6 / 722 ms（刹停少 1/3）。
- 监控页回写：
ml/monitor.py 新增 /api/explore（读 docs/探索日志.md），ml/monitor.html 新增「闭环探索日志」卡片；Edge headless 截图确认渲染正常（http://127.0.0.1:8100）。
- 下一步：候选选择器（consist/value/first）与 K=4 在反馈+每步重规划下是否影响到达/刹停。
轮次 13：选择器 / K / 失败模式（exp: exp/dagger-deploy）
- 假设：反馈混合下，候选选择器与候选数 K 会影响到达/时延；失败模式可指导下一步。
- 判据：reach > 36.7% 或时延显著下降；同时报告 time_ok_1p3。
- 配方：dag2 best，replan='empty'，gain 1.5，safety=True，n=256。
- 对照：轮次 11/12（consist K=8：36.7%）。
- 指标：
| 配置 |
到达 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| consist K=8 |
36.7% |
1.6% |
0.323 |
27.4 |
764 ms |
| value K=8 |
35.9% |
1.6% |
0.334 |
29.4 |
1063 ms |
| first K=8 |
36.3% |
1.2% |
0.338 |
28.1 |
780 ms |
| K=6 |
35.9% |
1.6% |
0.353 |
28.6 |
627 ms |
| K=4 |
31.6% |
1.2% |
0.396 |
32.6 |
482 ms |
- 失败模式（n=256，consist K=8）：失败 149 题中 碰撞仅 3 题（1.2%）、超时无碰撞 146 题（57.0%）；失败题终点误差 p50 140 mm；
time_ok_1p3 仅 13.3%；成功题 t_done p50 2.74 s（时限 p50 3.4 s）；刹停 27.4 次/题。
- 结论：选择器无差别（consist 略优）；K=8 到达最佳，K=6 省 18% 时延（到达 -0.8 pp）。当前真正的瓶颈是时间效率（频繁刹停→超时），不是碰撞。§9.2 的「用时 ≤ 老师×1.3」当前只有 13.3%。
- 下一步：每步重规划下，安全层只需认证第 1 步（现在验 3 步，过度保守→全拒→刹停）；改
safety_steps=1 验证能否在保持低碰撞的同时大幅减少刹停。
轮次 14：部分安全前缀（exp: exp/dagger-deploy，刹停大降）
- 假设：安全层现在要求 3 步全安全才执行，候选只要第 2–3 步有碰撞就全拒刹停；改为「执行到第一个不安全步为止」可减少刹停。
- 判据：刹停显著下降、到达不降、碰撞 ≤3%。
- 配方：dag2 best，replan='empty'，gain 1.5，safety=True，
safety_partial=1；n=256。
- 对照：全窗口（轮次 11/13：36.7% / 1.6% / 0.323 / 27.4 / 775 ms）。
- 指标：
| 安全层 |
到达 |
time_ok_1p3 |
碰撞 |
ratio2s |
刹停/题 |
墙钟/题 |
| 3 步全安全 |
36.7% |
13.3% |
1.6% |
0.323 |
27.4 |
775 ms |
| 部分安全前缀 |
38.3% |
13.7% |
1.6% |
0.308 |
8.6 |
770 ms |
- 结论：刹停 27.4→8.6（-69%）、到达 +1.6 pp、碰撞不变——部分安全前缀有效（新最佳：38.3% / 1.6% / 0.308 / 8.6 / 770 ms）。但
time_ok_1p3 仍 13.7%：说明超时主因不是刹停，而是执行粒度——部分前缀的填充零步仍在消耗时间。
- 下一步：commit_n=1（每次只提交 1 步、每步规划，无填充步），验证时间效率。
轮次统计
- 连续无实质进展轮数：0（轮次 5 出现实质进展：reach 0→20.3%）。
- 历史最佳（部署口径）：轮次 5，
ml/runs/base_dag1/best.pt + fb_gain=1.0 + safety：reach 20.3%、碰撞 2.3%、ratio2s 0.480、brakes 21.9/题、时延 12.58 ms/次（B=64,K=8）。
