Robot_Arm/docs/探索日志.md

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）。