> ## Documentation Index > Fetch the complete documentation index at: https://kensou.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # One shot multimodal learning from demonstration wi dissection [//]: # "" # 基于力约束弹性图的单样本多模态示教学习 (One-Shot Multimodal Learning from Demonstration with Force-Constrained Elastic Maps) > **发布时间**：2026-07-10（arXiv:2607.09515v1 \[cs.RO]） > **论文 / 模型名**：Force-Constrained Elastic Maps（UMass Lowell PeARL Lab） > **核心定位**：现有 LfD 只学空间轨迹、忽略接触力；本文把"力"作为弹性图（elastic maps）的追加数据点注入优化，用单条示教同时复现运动与接触力，并**主动压低演示中过大的力**（按压任务 max force −84.35%）。 > **Ontology 坐标**：problem = n/a｜representation = n/a｜sensor = **multi-modal**（位置 + 腕部 F/T 或指尖力）｜paradigm = **learned**｜time = **per-scene**（一场景一条示教） 导语：机器人操作里，力与运动必须一起推理，但主流 LfD（DMP / GMM-GMR / GP-HSMM 等）几乎只建模空间轨迹，导致在力约束场景下要么复现出危险的大力，要么无法保持必要的接触。本文的两点贡献是：(1) 一个**加权概率多模态分割**——把位置流和力流各自的关键点按用户权重概率化合并成 changepoint；(2) 把**外力约束写进弹性图的近似能量**，并给出保持凸性的向量权重形式。 *** ## X-Ray 开场 这篇论文要解决的问题是：**示教里"手按得太狠"这件事，机器人该不该照抄？** 它给出的答案是把力当作弹性图里一根"虚拟弹簧"数据点插入优化，让节点位置在能量最小化时被力数据拖拽，从而学到一条"运动像、力不像"的复现轨迹。对 spatial AI 研究者来说，它的意义不在精度 SOTA，而在于展示了一条**低维几何表征（弹性图）+ 物理先验（Hooke 定律）+ 概率分割**的可解释路线：不需要神经网络、不需要力控制器，单条示教即可闭环到真实机器人（UR5e / Kinova Gen3，5 个任务）。 *** ## 📍 研究全景时间线 ``` 2000s DMPs (Ijspeert 等) 只学位置轨迹，力缺席 │ ├─ CorrDMP / 力剖面 DMP 把"给定"的力剖面喂进 DMP │ → 力不是从示教里学的 │ ├─ GMM + GMR 系列 [12][13] 力与运动联合建模，但复现靠控制器 │ ├─ HMM + GMRa [14] 力训练 HMM，能学力、能超示教者 │ → 需多条示教；无 via-point 约束 │ ├─ 变阻抗控制 / LfD+RL [15][16] 力只进入控制策略，不进运动学习 │ ├─ GP-HSMM [4] / 多模态 HSMM [22] 分割做得好，但力≠显式模态、无权重 │ └─► 本文 (2026) 力约束弹性图 + 加权概率多模态分割 单条示教 · 力直接进轨迹 · 支持 via-point ✗ 局限：力仅用于"执行前"学习，不进执行回路； segmentation 权重 v_i 靠人工调； 部分任务仍出现力尖峰（作者自陈） ``` *** ## 1 · 核心架构 / 方法总览 ### 1.1 系统组件对比表 | 模块 | 输入 | 输出 | 训练 / 推理差异 | | - | - | - | - | | **多模态概率分割**（§III-D） | 多条数据流 S\_i（笛卡尔轨迹、关节轨迹、夹爪位置、腕力 / 指尖力） | changepoint 列表 → 一组 motion primitives | 无训练；推理时对第三导数做滑窗阈值 → 每流关键点 → 高斯概率 → 加权乘积 → 采样共识 | | **弹性图节点寻优**（§III-B） | 分割后的轨迹数据 ζ | N 个有序节点 y=\[y\_1..y\_N] | EM 迭代：E 步聚类、M 步解凸问题；直到聚类不变收敛 | | **力约束注入**（§III-B 核心） | 力 f、位移 Δ、扰动 δ | 追加的"力数据点" + 向量权重 w=\[−f\_x/Δ\_x, −f\_y/Δ\_y, −f\_z/Δ\_z] | **无训练**，一次性构造；δ 保证 Δ≠0 | | **凸形式求解**（§III-C） | 堆叠数据 ξ∈ℝ^\{Nd×1}、堆叠节点 γ∈ℝ^\{Nd×1} | 最优节点位置 | 用块结构聚类矩阵 C + 对角权重矩阵 W 把 (6) 写成 ‖Wγ−Cξ‖²，配合 E/R 矩阵闭式最小化 | | **复现执行** | 学到的节点序列 | 机器人轨迹 | 论文明确：**复现轨迹先离线算好（a priori），再交给低层控制器跟随** | ### 1.2 关键机制 **⚡ Eureka Moment：把"力"当成一根弹簧塞进弹性图的近似能量——力的能量 u=−½kΔ² 与数据-节点弹簧能量对齐后，反解出等效权重 k=−f/Δ，于是力变成一个有方向、有幅值的"数据点权重"。** 弹性图本来只有三种"类弹簧"能量：近似能量 U\_𝒳（把节点拉向数据）、拉伸能量 U\_E（把相邻节点拉近）、弯曲能量 U\_R（把相邻边拉直）。本文的洞见是：**既然 U\_𝒳 本质是弹簧势能，那么一个外力的势能当然可以写成同样形式**。由 Hooke 定律 f = −kΔ 及其原函数 u = −½kΔ²，令二者能量相等即得 k = −f/Δ，此 k 就是该数据点的权重 w。因为 f 是 d 维向量，权重必须从标量升级为**向量（逐维独立）**，近似能量随之改写为 Hadamard 形式： U\_𝒳 = 1/(Σ\_j‖w\_j‖₂) · Σ\_i Σ\_\{ζ\_j∈κ\_i} ‖w\_j⊙ζ\_j − w\_j⊙y\_i‖₂² （式 6） **⚠️ 一个必须自己算一遍的地方（见 §6 隐含假设）**：式 (6) 的每一项是 ‖w⊙ζ − w⊙y‖² = Σ\_q w\_q²(ζ\_q − y\_q)²，**权重符号被平方消掉了**。论文正文说负权重"pushes nodes away"（排斥），但从 (6) 的代数看，真正起作用的是**权重幅值 |w| = |f|/Δ** 与插入点扰动 δ 的组合，而非符号。这一点是复现时最值得验证的细节，也是面试里能体现深读的钩子。 ### 1.3 信息流 / 架构图 ``` 示教数据 D = (X, F) ┌─────────────────────────────────────────────────────────────┐ │ ① 多模态概率分割 (§III-D) │ │ X → X'''(jerk) ──滑窗阈值──► 关键点 ──► 𝒩(t, σ²) │ │ F → F''' ──滑窗阈值──► 关键点 ──► 𝒩(t, σ²) │ │ p_η^D(t) = ∏_i v_i · p_η^{S_i}(t) │ │ 采样 + 共识阈值 → changepoints → 原语 │ └───────────────────────────┬─────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ ② 力约束弹性图编码 (§III-B/C) │ │ 轨迹点 ζ_s , w_s = 1 │ │ 力点 ζ_f = 受力处 + δ , w_f = −f/Δ ← 向量权重 │ │ │ │ │ min_y g(y) = U_𝒳 + λ·yᵀEᵀEy + μ·yᵀRᵀRy │ │ EM: E步聚类 → M步凸求解 → 收敛 │ └───────────────────────────┬─────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────────┐ │ ③ 复现: 节点序列 y → 轨迹 (离线 a priori 计算) → 低层控制器 │ └─────────────────────────────────────────────────────────────┘ ``` *** ## 2 · 数学核心 📌 **Napkin Formula** ``` 弹性图 = argmin_y ( 数据吸引 U_𝒳 ) + λ( 拉伸 ) + μ( 弯曲 ) 力 = 一个权重为 w = −f/Δ 的额外"数据点" ``` > 一句话直觉：**力被翻译成"弹簧常数"，弹簧常数就是权重；力越大 → 权重幅值越大 → 该点对节点位置的牵引越强。** ### 2.1 目标 → 公式 → 变量 → 直觉 **目标**：在一组（本工作常常只有 1 条）示教轨迹上，找到 N 个有序节点，使总能量最小；节点序列即可作为复现轨迹。 **（原始）三条能量** | 能量 | 公式 | 变量 | 直觉 | | - | - | - | - | | 近似 U\_𝒳 | (1/Σw\_j)·Σ\_i Σ\_\{ζ\_j∈κ\_i} w\_j‖ζ\_j−y\_i‖² | ζ 数据、y 节点、κ\_i 第 i 节点的簇 | 把节点拉向数据 | | 拉伸 U\_E | λ·Σ\_\{i=1}^\{N−1}‖y\_\{i+1}−y\_i‖² | λ 拉伸常数 | 让相邻节点别散开 | | 弯曲 U\_R | μ·Σ\_\{i=1}^\{N−2}‖y\_i−2y\_\{i+1}+y\_\{i+2}‖² | μ 弯曲常数 | 让相邻边别拐弯 | **力的推导链** ``` Hooke: f = −kΔ 势能(原函数): u = −½ k Δ² 能量对齐: u ↔ U_𝒳 的平方项 ⇒ k = − f / Δ 权重升级: w = [ −f_x/Δ_x , −f_y/Δ_y , −f_z/Δ_z ] （向量） 插入方式: 在受力位置 + δ 处插入数据点（δ 保证 Δ≠0） ``` **向量权重的凸形式（§III-C）** 把数据与节点展平成列向量：ζ ∈ ℝ^\{M×d} → ξ ∈ ℝ^\{Md×1}；y ∈ ℝ^\{N×d} → γ ∈ ℝ^\{Nd×1}。用块结构聚类矩阵替代原 B： ``` C_{i+qN, j+qM} = w_{j, q+1} for q = 0,1,...,d−1 W_ii = Σ_j C_ij （对角） U_𝒳 = 1/(Σ_j‖w_j‖₂) · ‖Wγ − Cξ‖₂² （式 13） ``` E 与 R 分别是一阶差分 / 二阶差分矩阵；堆叠后需升维到 ℝ^\{Nd×Nd}。总目标 g(y) = U\_𝒳 + λ yᵀEᵀEy + μ yᵀRᵀRy 对 y 是二次的 → M 步有闭式解，EM 外层迭代至聚类不变。 **分割的概率合成（§III-D）** ``` p_η^D(t) = ∏_i v_i · p_η^{S_i}(t) （式 14） ``` v\_i 是数据流 i 的"changepoint 重要性"权重，**任务相关、人工调节**（铁熨烫任务里力权重大，写字任务里位置权重大）。最后对 p\_η^D 采样，某窗口内采样数超过阈值即视为共识，changepoint 落在样本均值处。 *** ## 3 · 带数字走一遍（玩具设定，1-D） > 说明：论文本身是 d 维（实验为 3-D），这里降到 1-D 以看清代数；数字是自造的示范值，不是论文数据。 **设定**：弹性图只有 1 个节点 y；两个数据点—— | 数据点 | 位置 ζ | 权重 | | - | - | - | | 空间点 | 0.00 | w\_s = 1 | | 力点 | 0.50（= 受力处 + δ） | w\_f = −f/Δ | **情况 A：f = 2.0 N，Δ = 0.50 m** ``` w_f = −2.0 / 0.50 = −4 Σ‖w_j‖₂ = 1 + 4 = 5 U_𝒳(y) = (1/5)[ (0 − y)² + ( (−4)(0.5) − (−4)y )² ] = (1/5)[ y² + 16(0.5 − y)² ] dU/dy = 0 ⇒ 2y − 32(0.5 − y) = 0 ⇒ 34y = 16 ⇒ y ≈ 0.47 ``` **情况 B：把 f 提到 6.0 N（Δ 不变）** ``` w_f = −6.0 / 0.50 = −12 Σ‖w_j‖₂ = 13 U_𝒳(y) = (1/13)[ y² + 144(0.5 − y)² ] dU/dy = 0 ⇒ 2y − 288(0.5 − y) = 0 ⇒ 290y = 144 ⇒ y ≈ 0.497 ``` **读法**： 1. 没有力点时，单节点 + 单空间点解 y = 0（节点停在数据处）。 2. 加力点后，节点被从 0 拽向 0.5；**力越大 → 拽得越狠**（0.47 → 0.497）。这正是"力越大、约束越强"的代数来源。 3. 注意 −4 与 +4 会得到**完全相同**的解 —— 因为能量里出现的是 w²。所以**符号不产生排斥**；把负号解读为"排斥"在这条式子下不成立（见 §6）。 *** ## 4 · 工程视角 | 维度 | 论文给出的信息 | 备注 | | - | - | - | | 推理/复现时延 | **论文未报告** | — | | 控制频率 / FPS | **论文未报告** | 仅说明"复现轨迹离线预先计算（a priori），再由低层控制器跟随" | | 内存 / VRAM | **论文未报告** | 方法无神经网络，仅需 N×d 节点矩阵与聚类矩阵 | | 求解耗时 / EM 迭代数 | **论文未报告** | 只说凸形式用于"quickly minimize"，无计时 | | 计算硬件 | **论文未报告** | 机器人型号给了（UR5e、Kinova Gen3），**算力平台没给** | | 关键的部署约束 | 1) **单条示教**即可学（也可多条）2) 力只在**执行前**进入学习，**不进执行回路** 3) 分割权重 v\_i 需人工按任务调 4) 需要 δ 保证 Δ≠0 | 均来自正文 | | 超参 | λ、μ、N、δ、σ²、滑窗阈值、共识阈值——**均论文未报告** | 论文只给符号定义，未给数值 | | 代码/数据 | 论文正文给出实现细节链接与数据集链接（见 §8） | 无 issue 元数据可核 | **Trade-off 定性判断**：该方法的工程吸引力在于\*\*"零训练、可解释、单示教"**——不需要 GPU、不需要力控制器、不需要 RL 交互；代价是**超参（λ, μ, N, δ, v\_i）全部靠人工/任务特定调参\*\*，且没有实时性证据。适合"少量任务、现场快速示教"的场景，不适合未标定超参就直接规模化部署。 *** ## 5 · 数据与评测 ### 5.1 数据组成 | 数据/平台 | 内容 | | - | - | | **GBTI-Grasping-Dataset** | **3 个物体（cube, mug, plate）、4 名演示者、5 个物体位置，共 60 条示教**；含关节位置/速度/力矩、末端位姿、腕部力/力矩、夹爪位置/力 | | 采集平台 | **UR5e + Robotiq 2f-85**，其中一个手指加装力传感器 | | 第二平台 | **Kinova Gen3 + Openhand Model O**，三根指尖各有力传感 | | 任务数 | **五个真实操作任务** | | 演示方式 | 按压任务用 **Meta Quest 2 的 VR 遥操作（无力反馈）**；擦除任务用**动觉示教（5 条示教）**；抓取任务用**带力反馈的遥操作设备** | ### 5.2 评测设置与结果（逐字引用论文数值） **A. 分割评测（Table I / Table II）** 权重配置： | 模态 | Position Only | Uniform Weights | Custom Weights | | - | - | - | - | | Cartesian Trajectory | 0.50 | 0.20 | 0.10 | | Joint Trajectory | 0.50 | 0.20 | 0.10 | | Gripper Position | 0.00 | 0.20 | 0.10 | | Wrist Force | 0.00 | 0.20 | 0.35 | | Finger Force | 0.00 | 0.20 | 0.35 | 分割段数（5 次运行平均，每次 60 条示教）： | | Position Only | Uniform Weights | Custom Weights | | - | - | - | - | | Mean | **4.09** | **4.11** | **3.86** | | Std. Dev. | **0.95** | **0.87** | **0.84** | > 论文判据：抓取操作期望 **3–4 段**，**>4 段即过分割**；Custom Weights 显著更低（**p \< 0.01**，Student's t-Test），方差更小。 **B. 力变化评测（Table III）** | 任务 | Max Force Change % | Avg. Force Change % | | - | - | - | | Pressing | **−84.35%** | **−66.64%** | | Erasing | **+0.04%** | **−32.11%** | > 论文正文补充：按压任务的最大力"**a reduction of over 70 N**"，且"**Despite the drastic force reduction ... the robot was able to perform the task successfully**"；擦除任务"**the average force felt across the reproduction is reduced by almost a third**"。 **C. 与力控制对比（Table IV，peg-in-hole，单位 N）** | Method | X Max | Y Max | Z Max | X Avg. | Y Avg. | Z Avg. | | - | - | - | - | - | - | - | | Demo | **18.96** | **26.02** | **24.82** | **2.91** | **5.49** | **4.52** | | Control | **8.19** | **13.08** | **44.01** | **1.73** | **1.83** | **1.03** | | Ours | **8.00** | **11.57** | **36.55** | **0.54** | **0.50** | **0.76** | > 论文自陈：Ours 在"**nearly all directions**"上 max 与 avg 均最低，**唯一例外是 Z 方向 max**；原因是"**an error in our vision system used to detect the center of the peg caused the robot to be slightly off**"，导致初始接近出现一次轻微碰撞。 **D. 其他定性结论** * 擦除任务：对 **5 条示教全部**正确切出 approaching / erasing / retreating 三段，并能泛化到**新的每段起终点（novel constraints）**。 * 抓取任务：用 "push to vertical" 与 "flipping" 两种抓法，可泛化到**训练时未知的新物体（an apple and a banana）**。 * Kinova 指尖力配置：把示教拆成**时间对齐的 arm 子示教与 gripper 子示教**，**并行**学习后**同时执行**。 *** ## 6 · 能力与失败模式 ### 能做 * **单条示教**（m ≥ 1）即可编码位置 + 力，无需多条示教、无需 RL 交互。 * 在**两种力传感构型**（腕部 F/T、指尖力）上都工作，跨机器人平台（UR5e、Kinova Gen3）。 * 分割可**任意数目模态**并**加权**；在抓取数据集上比 position-only / uniform 更接近 3–4 段的期望（3.86 \< 4.09 / 4.11，p\<0.01）。 * **主动压低过大演示力**（按压 max −84.35%），且仍能完成任务。 * 支持用户给定的 **via-point / 新起终点约束**；力进入运动学习，因此**不限定控制策略**。 ### 不能做 / 失败模式 * **力只用于执行前学习，不进执行回路**：作者明说"incorporating force during execution as well could lead to safer execution"，即当前版本对**执行中突变扰动**没有闭环响应。 * **偶尔出现更高的力尖峰**："We occasionally see higher force spikes using our method"，作者建议靠额外运动约束修，但**未实现**。 * **分割权重 v\_i 靠人工、任务相关**：换任务/换传感器就得重调；这是作者自己列的未来工作。 * **对上游视觉误差无抵抗力**：peg-in-hole 中视觉中心估计误差直接造成 Z 向撞击（Table IV 唯一劣项）。 * **性能不均匀**："our results suggest that the proposed method performs better in some tasks than others"——需任务特定调参。 * **Δ 依赖节点当前位置**：插入点扰动 δ 必须非零，否则 Δ=0 使 k 无定义。 ### 隐含假设 (Hidden Assumptions) 1. **力数据点的权重符号在优化中不起作用**。式 (6) 是 `‖w⊙ζ − w⊙y‖² = Σ_q w_q²(ζ_q−y_q)²`，符号被平方消去。论文正文"pushes nodes away / 排斥"的说法**无法从此式直接推出**；真正生效的是幅值 `|w| = |f|/Δ` 与扰动 δ。复现时应先验证"把 w 取绝对值"是否得到同样结果——若是，则整段 Hooke 推导在数学上是**装饰性的**，物理先验的实质贡献仅在于"力越大 → 权重越大"。 2. **δ 人为设定、且 Δ 在优化中被冻结**。Δ = "受力处到节点当前位置的距离"本身依赖 y（会随优化变化），但凸形式要求 C、W 在一轮 M 步中固定 → Δ 必然是"每轮重算一次并冻结"的近似。论文未报告 δ 的取值与重算策略。 3. **p\_η^D(t) 被称作 PMF，但式 (14) 是未归一化的乘积**（∏ v\_i p\_η^\{S\_i}(t)），其全时域积分一般 ≠ 1。因此 v\_i 只具有**相对重要性**语义，绝对数值不具概率意义；采样步骤实际上是在无归一化的权重曲线上取峰。 4. **第三导数上的阈值+窗口是一个平稳性假设**：假设每段原语内 jerk 的统计特性稳定、且噪声可被移动平均压住。对低速精细操作或高噪声低成本 F/T 传感器不成立。 5. **任务空间力与轨迹在时间上"共位"**：把力点插在受力位置上，隐含假设"力的作用点 ≈ 该时刻末端位置"。对杠杆类接触（力臂不为零）会失准。 6. **安全裕度来自"演示即上限"**：方法把演示力当作应当被压低的对象，隐含假设演示力 ≥ 必要力。对"演示力反而不够"的任务（例如需要恒定压紧的任务），该机制方向相反。 *** ## 7 · 与相关工作对比 | 方法 | 力从哪来 | 力如何被复现 | 示教条数 | 约束支持 | 控制策略依赖 | | - | - | - | - | - | - | | CorrDMP \[9]\[10] | **外部给定力剖面**（非演示） | 相位耦合 | — | — | 有 | | DMP + 力控制 \[11] | 演示 | **靠控制器复现力**（假设演示力应被复现） | 多条 | — | 有 | | GMM/GMR \[12]\[13] | 演示 | 控制器 | 多条 | — | 有 | | HMM + GMRa \[14] | 演示 | 控制器 | **多条**（训练 HMM） | **不支持 via-point** | 有 | | 变阻抗 / LfD+RL \[15]\[16] | 演示 | **只改控制策略** | — | — | 有（且需交互） | | GP-HSMM \[4] / 多模态 HSMM \[22] / 视频+位置分割 \[24] | — | — | — | — | 分割器，**力非显式模态、无加权** | | **本文** | **演示（腕部或指尖力）** | **直接写进运动轨迹本身** | **单条即可** | **支持 via-point / 新起终点** | **任意（力在运动层）** | **面试 Tip**：被问到"这篇跟 GMM-GMR 学力、或跟 CorrDMP 有什么区别"时，答三句话即可：**① 力的来源**——CorrDMP 用的是外部给定的力剖面，不是从演示里学；**② 力的落点**——GMM/GMR、HMM/GMRa、变阻抗这些是把力学出来再交给控制器执行，本文把力直接压进轨迹生成的能量里，所以不绑定任何控制策略；**③ 数据效率**——HMM 那类要多条示教，本文单条即可。最后补一句"但它的力只在执行前起作用、不进执行回路，这是它跟力控方法最本质的边界"，能立刻显出你真读了结论段。 *** ## 8 · GitHub-validated pitfalls (atlas 联动, 2026-09-25) **Repo 信号的诚实说明**：论文正文脚注确实写有实现细节链接 `https://github.com/brenhertel/Force-Constrained-ElasticMaps` 与数据集链接 `https://github.com/brenhertel/GBTI-Grasping-Dataset`，另有视频 `https://youtu.be/_0xq8XFP-PQ`。但**在本次可获取的抽取文本中，这些 URL 仅以纯文本出现，且我无法访问任何 issue / commit 元数据**，因此**不引用、不编造任何 issue 编号、标题或日期**。以下 3 条 pitfall 由 §6 的失败模式 × 方法的具体约束**推导**，**未经 issue 验证（UNVERIFIED）**。 1. **向量权重版凸形式与 E/R 矩阵的维度不匹配（推导自式 11–13 与 E、R 的定义）** §III-C 把节点从 ℝ^\{N×d} 展平到 ℝ^\{Nd×1}，聚类矩阵改为 `C_{i+qN, j+qM} = w_{j,q+1}`、权重矩阵 `W_ii = Σ_j C_ij`；但拉伸/弯曲矩阵 E、R 在正文里是按 **ℝ^\{N×d} 的标量节点**定义的（一次/二次差分）。直接 `yᵀEᵀEy` 会与堆叠后的 γ∈ℝ^\{Nd×1} 维度冲突。复现时真正的坑是**必须把 E、R 按维度做 Kronecker 扩维**（E⊗I\_d），而论文未给出这一步的显式写法。→ 典型症状：维度 mismatch 报错，或"能跑但每维耦合"的静默错误。 2. **δ 取小 → 权重 |f|/Δ 爆炸（推导自 k = −f/Δ 与"δ 保证 Δ 非零"）** 论文明确"the small displacement δ of constraint nodes is needed such that initially Δ is non-zero"。当力点与节点的初始距离 Δ 由 δ 主导时，`|w| = |f|/Δ` 与 1/δ 同阶。δ 取得过小（或节点初始化恰好落在受力点上），权重幅值会远超空间点的 w=1，使近似能量被力点完全支配，甚至数值溢出。→ 论文未报告 δ 取值，这是复现时**必须先扫的超参**。 3. **第三导数阈值分割对力噪声敏感 → 虚假 changepoint（推导自 §III-D 与 §6 失败模式 4）** 论文自陈"noise in the original data stream translates to large noise when taking the derivative, therefore a moving average of the third derivative is used"。腕部 F/T 与低成本指尖力传感器的信噪比远低于位置编码器，且力的量纲（N）与位置的量纲（m）相差数个数量级——同一组阈值与滑窗参数在位置流上工作，在力流上会产出密集伪关键点。→ 症状：Uniform/Custom 权重下段数被推高到 >4（论文已把 4.09→3.86 的改善作为卖点，说明这个边界很近），需要**按模态分别标定阈值**而非共用一套。 *** [← Back to Spatial Intelligence Handbook](./README.md) > **Status**：v0.1 · 基于 arXiv 全文 · 未在真机复现的数字标 `UNVERIFIED`（§4 全部工程指标为「论文未报告」；§3 玩具数字为自造示范；§8 pitfalls 为推导，未经 issue 验证） [//]: # "" This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.