> ## 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. # Beyond heuristics a standardized real2sim pipeline dissection [//]: # "" # 超越启发式：面向人机在环仿真中物理人机交互的标准化 Real2Sim 管线 (Beyond Heuristics: A Standardized Real2Sim Pipeline for Physical Human Robot Interaction in Human-in-the-Loop Simulation) > **发布时间**：2026-07-03（arXiv:2607.03017v1 \[cs.RO]） > **论文 / 模型名**：Real2Sim pHRI pipeline（作者 Chengyuan Yang, Yifan Wang, Chun Kwang Tan, Sherwin Stephen Chan, Youlong Wang, Xiaoyue Yan, Lei Li, Wei Tech Ang，NTU Singapore） > **核心定位**：把 HITL 仿真里靠经验目测设定的骨盆–绑带界面阻抗常数，换成\*\*从实测耦合运动数据辨识（CMA-ES）\*\*的 12 维刚度/阻尼，并用 ICC 统计把参数切成"可共享先验"与"受试者特异"，使新用户只需调 5 个参数即可复现真实交互包络与步态适应。 HITL 仿真的保真度瓶颈在于耦合界面（绑带/坐垫）的接触阻抗——现有 SOTA 也只用逐轴 bushing 或弹簧-阻尼代理**经验赋值**，还叠加了"绑带松紧"这一未被量化的隐变量。本文给出一条标准化 Real2Sim 管线：先把主观"Safe & Comfortable"松紧归一化成可复现工作点，再分两阶段辨识（先关节限位、后粘弹性参数），最后用组内相关（ICC）判定哪些参数可跨人共享，并在未见受试者上做 LOSO 验证。 *** **X-Ray（非专家 30 秒版）**：它解决的问题是——康复/助行机器人在真机上试控制器又危险又贵，但仿真里的"绑带"常常是拍脑袋调出来的，所以仿真结果不可信。它提出的做法是：把绑带-骨盆接触当成一个 6 自由度弹簧-阻尼器，12 个刚度/阻尼系数**从真人穿着机器人的实测运动里反解出来**，并用一个统计量（ICC）判断哪些系数是"大家都差不多"（可直接当默认值）、哪些是"因人而异"（必须对每个人重调）。对 spatial AI 研究者而言，这是一份**系统辨识 + 参数可迁移性统计**的 Real2Sim 模板：它把"Real2Sim"从建模问题推进到"哪些参数值得迁移、哪些必须重标定"的统计决策问题。 *** ## 📍 研究全景时间线 ``` 弹簧-阻尼 / bushing 代理模型时代 └─ 接触界面用阻抗/弹簧-阻尼表示，常数为经验/目测赋值 │ （Luo et al. [16]: 外骨骼-穿戴者逐轴 bushing；本文前作 HITL 框架 [15]） ▼ 既有 HITL 共仿真框架 [15]（本文前作） └─ 人数字孪生(HDT, RL 驱动) + 机器人孪生 (DRBA) + 6-DoF 界面耦合 ↑ 关键缺口：K, D 仍是启发式；且"绑带松紧"从未被量化 │ ▼ ★ 本文（arXiv 2607.03017, 2026-07） ├─ 松紧归一化 T̃（以个体 T* 为原点）→ 可复现工作点 ├─ 两阶段标定：关节限位 q_min/q_max 先定，K/D 用 CMA-ES 辨识 ├─ ICC 分解：7 个 shareable（先验固定）+ 5 个 uncertain（区间搜索） └─ LOSO + 步态验证：新用户只调 5 维，复现交互包络与 RoM 压缩 │ ▼ 本文局限 / 未来： - C_unc 区间搜索未落地（实验中坍缩为点先验）→ 先验可能欠优 - HDT 是"运动学回放 + 开环"，非闭环 robot-aware - 仅力/力矩层面未验证（只有运动学验证） - N=5 队列，无法回归到人体测量学变量；未含损伤人群 ``` > 注：时间轴上方两个"前作/相关"节点的具体年份论文未在正文给出，此处只按论文叙事顺序示意，不标注年份。 *** ## 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 | | - | - | - | - | | Human Digital Twin (HDT) | 基线 Normal Walking (NW) 运动 + 域随机化外力 | 27-DoF 全身骨架步态 | **训练**：RL policy 在 NW 上训练，域随机化随机步相施加 \[−100, 100] N 外力以抗扰；**推理**：与机器人耦合仿真 | | Robot Digital Twin (DRBA) | DRBA 模型 | 从后方跟随、失衡时干预 | 无训练（模型复刻） | | Pelvis–interface coupling | 广义坐标 q(t)、q̇(t) | 交互 wrench F\_int | **离线辨识** K、D（CMA-ES）；仿真中按 Eq.1 求值 | | Tightness 归一化 | 离散松紧 T、个体 T\*、T\_min、T\_max | 归一化 T̃ | 无训练，含"crouch"验证 | | Two-Stage Calibration | 实测位置 p\_meas / 速度 v\_meas | θ\* = (K\*, D\*) | 离线 CMA-ES（log 空间） | | Shareability (ICC) | N·R = 50 个 fit | C\_com / C\_unc + 先验 | 离线统计（方差分解 + bootstrap CI） | | Validation | 耦合仿真输出 | σ、γ、RoM、峰值角、Pearson r | 推理后评估 | ### 1.2 关键机制 **⚡ Eureka Moment：要判断一个界面参数"该不该跨人共享"，不要看它数值大小，而要看它"人之间的方差"能否盖过"优化器的重启噪声"——用 ICC = σ\_B²/(σ\_B²+σ\_W²) 做除法：低 ICC 说明生理差异被优化噪声淹没，参数可共享；高 ICC 说明这是真实个体差异，必须逐人标定。** 论文把"哪些参数需要个性化"从工程直觉变成了一个可统计检验的决策：同一被试跑 5 次 CMA-ES 重启 × 2 条动态试验 = 10 个 fit/人，5 人共 50 个 fit，用单因素随机效应把 log 空间参数方差拆成 between-subject (σ\_B²) 与 within-subject (σ\_W²)，方差分量由 one-way ANOVA 的 MS\_B、MS\_W 矩估计反解。 ### 1.3 信息流 / 架构图 ``` 真实世界 仿真世界 (MuJoCo) ────────── ────────────────── 真人穿 DRBA 行走 │ Qualisys(标记) → 2 个界面关节中心 c∈{L,R} │ markerless [30] → 个体化 Rajagopal OpenSim 模型 │ → 骨盆 6-DoF pose + 髋/膝/踝角 ▼ [实测 p_meas, v_meas] ────────┐ │ 运动学回放 (kinematic replay) │ 仿真的数字骨盆逐帧跟随实测轨迹 ▼ ┌─────────────────────────┐ │ Pelvis–interface 6-DoF │ │ F_int = Kq + Dq̇ │ │ K=diag(k), D=diag(d) │ θ=[k;d] (12 维) └───────────┬─────────────┘ │ 最小化 J_d(θ) (Eq.3) ▼ CMA-ES (log 空间 z=lnθ) 5 重启 × 2 试验 = 10 fit/人 │ ┌──────────────────────────────┼───────────────────────────┐ ▼ ▼ ▼ 关节限位 q_min/q_max ICC 方差分解 (Eq.4-5) LOSO 泛化 (Eq.7) （第一阶段，独立标定） → C_com(7) / C_unc(5) → +6.5% RMSE │ ▼ θ_prior 表格 (Table I) │ ▼ HDT 训练(NW+域随机化) → 与机器人耦合仿真 (soft / θ_prior / stiff) │ ▼ 交互包络 (σ, γ) + 步态适应 (RoM, 峰值, r) ``` *** ## 2 · 数学核心 **📌 Napkin Formula**：`F_int = K q + D q̇`（12 维参数 θ），而"哪些 θ 可共享"由一个标量决定——`ρ = σ_B² / (σ_B² + σ_W²)`，ρ 小 → 共享，ρ 大 → 逐人标定。 ### 目标 → 公式 → 变量 → 直觉 **(a) 界面力学（正向模型）** ``` F_int(q, q̇) = K q + D q̇, q_min < q < q_max (Eq.1) ``` * `q = [t_x, t_y, t_z, r_x, r_y, r_z]ᵀ ∈ ℝ⁶`：骨盆相对界面的平移+旋转。 * `F_int = [F_x, F_y, F_z, τ_x, τ_y, τ_z]ᵀ ∈ ℝ⁶`：共轭交互 wrench。 * `K = diag(k)`、`D = diag(d)`：对角刚度/阻尼（12 个待辨识量）；`q` 越界时由刚性约束力接管。 * 直觉：绑带在"松弛量"内是软弹簧，撞到限位后是硬止动——所以**限位和阻抗必须分两阶段标定**。 **(b) 松紧归一化** ``` T̃ = (T − T*) / [ (T_max − T_min)/2 ] (Eq.2) ``` * `T`：扣环处剩余绑带长度的离散等级（1-cm 步进）；`T*`：自选"Safe & Comfortable"；`T_max`/`T_min`：最紧可耐受/最松仍约束。 * 直觉：同样拉出长度在不同体型上压强完全不同，必须相对个体工作点归一化才能跨人比较。 **(c) 辨识目标（两阶段中的第二阶段）** ``` J_d(θ) = ⟨‖e_p^c‖²⟩ / σ_p² + ⟨‖e_v^c‖²⟩ / σ_v² (Eq.3) e_p^c = p_sim^c(θ) − p_meas^c , e_v^c = d/dt e_p^c σ_p = 41 mm, σ_v = 80 mm/s ``` * 逐个追踪左右两个绑带附着点 `c∈{L,R}`（而非取中点），因为"取中点会抵消编码骨盆旋转的反相分量"；同时惩罚速度残差以激励阻尼项。 * 总目标 = 各 trial `J_d` 的均值；在 log 空间 `z = ln θ` 搜索（参数跨数个数量级，步长尺度不变）。 **(d) 可共享性统计** ``` ln θ̂_{s,r} = μ + b_s + ε_{s,r} (Eq.4) b_s ~ N(0, σ_B²) (受试者间/生理) ε_{s,r} ~ N(0, σ_W²) (重启间/算法) ρ = σ_B² / (σ_B² + σ_W²) (Eq.5) ρ̂ = max(0, (MS_B − MS_W) / (MS_B + (R−1)·MS_W)) ``` * `N=5` 人，`R=10` fit/人 → 50 个 fit/参数，log 空间建模。 * **ρ 小 = 生理差异被优化噪声掩盖 = 可共享**；`max(0,·)` 把负 ICC 截断到 0。 * 有限样本下用**分层 (cluster) bootstrap**（整人重采样，带上其全部 R 个 fit）给 95% CI `[ρ_L, ρ_U]`。 * 分类（Eq.6）：`ρ_U < 0.50 → C_com`（部署点先验 μ̂）；`ρ_L ≥ 0.75 → C_dis`（逐人标定）；其余 → `C_unc`（用 95% 预测区间 `[μ̂_L, μ̂_U]` 作搜索范围）。 **(e) LOSO 泛化代价** ``` Δ_M^(s) = ( M(θ_prior^(−s)) − M(θ̂_s*) ) / M(θ̂_s*), M ∈ {J, RMSE_pos} (Eq.7) ``` * 直觉：用一个"除我之外所有人"的先验去配我，代价涨多少？涨幅小 = 先验真的可迁移。 *** ## 3 · 带数字走一遍（玩具示例） > 以下为**玩具设定**，用来演示 ICC 如何区分"可共享 / 需逐人标定"，数字为自造，非论文数据。 设只辨识 1 个参数（log 空间），3 个受试者各跑 R=2 个 fit： **场景 A（人之间差异大）：** * 受试者1：lnθ = 1.0, 1.1（均值 1.05） * 受试者2：1.5, 1.6（均值 1.55） * 受试者3：2.0, 2.1（均值 2.05） * 总均值 = 1.55 ``` MS_B = R·Σ(mean_s − grand)²/(N−1) = 2·(0.25+0+0.25)/2 = 0.5 MS_W = ΣΣ(θ−mean_s)² / [N(R−1)] = (0.005×3)/3 = 0.005 ρ̂ = (0.5 − 0.005) / (0.5 + 1×0.005) ≈ 0.495/0.505 ≈ 0.980 ``` → ρ̂ ≈ 0.98，若 CI 下界 ≥ 0.75 → **C\_dis：必须逐人标定**（真实个体差异主导）。 **场景 B（人之间几乎无差异，噪声主导）：** * 受试者1：1.0, 1.1（均值 1.05） * 受试者2：1.05, 1.15（均值 1.10） * 受试者3：1.1, 1.2（均值 1.15） * 总均值 = 1.1 ``` MS_B = 2·(0.0025+0+0.0025)/2 = 0.005 MS_W = 0.005 ρ̂ = (0.005 − 0.005)/(0.005 + 0.005) = 0 ``` → ρ̂ ≈ 0 → **C\_com：可共享，直接取几何均值当先验**。 **结论直觉**：ICC 不看参数本身大小，而看"人之间的散布"里有多少是真信号、多少是优化器抖动。论文正是用这把尺子从 12 个参数里挑出 7 个可共享（如 k\_tx 先验 725 N/m）和 5 个需重调（如 k\_ty 先验 2120 N/m）。 *** ## 4 · 工程视角 **仿真栈与代价（来自正文的确定信息）**： * 引擎：**MuJoCo**（HDT + 机器人孪生 + 界面耦合全部在其内建模）。 * HDT：**27-DoF** 全身骨架，RL policy 驱动；训练用域随机化（随机步相施加 **\[−100, 100] N** 外力）提升抗扰。 * 辨识器：CMA-ES，box bounds，`σ_0 ≈ 1.22`，`λ = 11`，**1200 evaluations**，`tolfun = 10⁻⁶`；每受试者 **2 条动态试验 × 5 次 log-uniform 重启 = 10 个 fit/人**。 * 单次辨识规模（可算，非论文给出的 runtime）：1200 × 5 × 2 = **12,000 次仿真评估/人**，每次评估都是一条运动学回放 trial 的前向仿真。 **论文未报告**：CMA-ES 单次辨识的**墙钟时间 / GPU 显存 / FPS / 吞吐 / 具体硬件型号**均未在正文给出 —— 一律标 `「论文未报告」`，不做估算。 **部署侧 trade-off（真实结论）**： | 维度 | 现状 | 说明 | | - | - | - | | 单用户标定负担 | 12 维 → **5 维** | shareable 7 维固定为先验，uncertain 5 维在 95% PI 内搜索 | | 标定数据需求 | 每人 8–10 个松紧等级 × 3 类动作 | 需要动捕（Qualisys）+ markerless 双系统 | | 工作点复现性 | T\* + "crouch"验证 | 把主观松紧变成可复现操作点 | | 闭环性 | **开环**（运动学回放，人被视为固定输入） | 机器人未反向影响被辨识的人体运动 → 闭环场景需重构 | > ontology 对照：`paradigm = hybrid`（真实数据驱动的参数辨识 + 仿真内 RL 控制），`time = per-scene`（每个受试者/场景需要单独标定一次阻抗参数）。 *** ## 5 · 数据与评测 **数据组成（逐字来自正文）**： * **试点研究，6 名健康受试者**：标定队列 **N = 5**（导出参数统计）+ 未见验证受试者 **N = 1**（测泛化）。 * 人口学：**Age: 21–40 years；Mass: 82.7 ± 10.4 kg；Height: 174.7 ± 4.2 cm；Waist: 92.3 ± 10.2 cm**（按腰围选多样体型）。 * 采集系统：混合式 —— markerless \[30] 重建个体化 **Rajagopal OpenSim** 模型（给骨盆 6-DoF pose + 髋/膝/踝角）；**Qualisys** 标记系统追踪两个界面关节中心与髂前/后上棘标记；两系统空间对齐 + 时间同步。 * 标定协议：每人 **8–10 个离散松紧等级**（1-cm 步进覆盖 \[T\_min, T\_max]）；每级做三类任务（骨盆旋转到角限位、平面平移到侧/前后限位、朝三个目标锥的连续动态运动）；用 **100 bpm 节拍器**标准化速度。 * 验证协议：先测基线 **Normal Walking (NW)**，再做机器人辅助行走；**5 次试验**；机器人最大速度略低于用户自然速度（隔离"心理减速"）。 * 步态分析：按脚跟着地分割，时间归一化到 **0–100% gait cycle**，每条件平均 **8 个 cycle**（mean ± SD）；界面轨迹低通滤波 **12 Hz**。 * IRB：**NTU IRB-2024-257 与 NTU IRB-2025-076**。 **评测设置与指标（正文真值，逐字复制）**： 1. **辨识收敛 / 跨试验泛化**：跨试验代价均值 **J = 1.46**，相对试验内最佳 **J = 1.28** 只增 **+14.5%**（各受试者 overhead **+4.7% 到 +25.2%**）。 2. **可共享性 (ICC)**：**12 个参数中 7 个落入 shareable**（`ρ_U < 0.50`）：`k_tx, d_ty, k_tz, d_tz`（平移）与 `k_rx, d_ry, k_rz`（旋转）；**其余 5 个**落入 uncertain：`d_tx, k_ty`（平移）与 `d_rx, k_ry, d_rz`（旋转）。论文明确提示 `k_rz` 先验 **15.2 Nm/rad** 落在下界，其 shareable 分类"反映边界饱和而非真正的生理共识"。 3. **Table I（推荐先验）关键值**：`k_tx 725 [205, 2570] N/m`（shareable）；`k_ty 2120 [808, 5540] N/m`（uncertain）；`k_tz 3850 [377, 39400] N/m`（shareable）；`k_ry 122 [19.5, 768] Nm/rad`（uncertain）；`d_rz 7.21 [2.27, 22.9] Nms/rad`（uncertain）。 4. **LOSO 泛化**：用留一先验替代逐人最佳拟合，平均仅增 **+6.5% position RMSE** 与 **+7.4% cost J**（Subject 4 出现轻微负 overhead，论文解释为平坦代价地形伪影）。 5. **交互包络（Table II）**：Sim Soft `σ_y = 22.07 mm`、`γ = 0.705`；`θ_prior` `σ = [3.04, 8.44, 2.21] mm`、`γ = 0.360`；Stiff `γ = 0.951`；Real `σ = [3.82, 9.81, 4.19] mm`、`γ = 0.389`。 6. **步态适应（Table III）**：真实 NW→机器人辅助，hip RoM **33.4° → 27.0°**（降 **6.4°**），knee RoM **57.5° → 52.1°**（降 **5.4°**）。仿真用 `θ_prior`：hip 降 **−5.5°**（对比真实 −6.4°），轨迹相关 **r = 0.99**；knee 降 **−5.4°**（与真实 −5.4° 完全一致）。踝关节仿真 NW 基线被低估（**12.1° vs 16.9°**），论文归因于 HDT policy 的替代稳姿策略。 > 未报告项：任何**运行时间/算力/硬件**指标均未在正文给出 —— `「论文未报告」`。 *** ## 6 · 能力与失败模式 **能做（有证据）**： * 从真实耦合运动中**辨识** 6-DoF 界面 12 维刚度/阻尼，且方向各向异性"由数据涌现"而非人为指定。 * 将主观"Safe & Comfortable"松紧锚定为**可复现工作点**，并发现它对应 `Δφ`（绕竖直轴骨盆旋转）曲线的 knee point。 * 用 ICC **区分**可跨人共享与需逐人标定的参数，把新用户标定从 12 维降到 5 维。 * 用共享先验在**未见受试者**上复现真实交互包络（σ 量级 + `γ` 方向偏置）与下肢 RoM 压缩，且优于 soft/stiff 两个极端基线。 **不能做 / 失败（有证据）**： * **极端设定失败**：过软 (`K=10I`) 让骨盆过度漂出真实包络（`σ_y = 22.07 mm`）；过硬 (`K=10⁴I`) 把自然摇摆压成近静态、各向同性 (`γ = 0.951`) —— 论文借此论证"正确工作点无法由启发式调参稳定选中"。 * **踝关节基线有偏**：仿真 NW 踝 RoM `12.1°` vs 真实 `16.9°`，是 HDT 的固有偏差。 * **平面方向无一致拐点**：`Δx`、`Δy` 无跨人一致 breakpoint，故工作点仅由 `Δφ` 定义。 * **k\_rz 边界饱和**：其 shareable 归类"反映边界饱和而非生理共识"，即该维度本质未被充分激励/约束。 ### 隐含假设 (Hidden Assumptions) 1. **人被当作外生输入**：辨识期用 **kinematic replay**，数字骨盆逐帧严格跟随实测轨迹，"把人体运动当作固定输入驱动交互，而非受力反作用体"。→ 假设人的运动不受界面力影响；在机器人会反向改变人体运动的**闭环**场景下不成立。 2. **平面对角解耦**：`K = diag(k)`、`D = diag(d)` 全对角 —— 假设六轴之间无耦合刚度/阻尼。 3. **界面可建模为 6-DoF 线性弹簧-阻尼 + 硬限位**：假设界面行为在限位内线性、限位外刚性。 4. **C\_unc 坍缩为点先验即为"保守基线"**：实验中所有 12 维都部署单点先验，`C_unc` 的区间搜索被折叠 —— 假设用点先验评估不会系统性高估管线能力。 5. **健康小队列 (N=5) 代表总体**：假设 5 人导出的先验可泛化，且**未验证损伤人群**。 6. **Robo 速度被刻意限速**：假设观测到的步态适应是"物理交互驱动"而非"心理减速"，故把最大速度压到自然速度之下。 *** ## 7 · 与相关工作对比 | 维度 | 传统弹簧-阻尼 / bushing 代理 \[15,16] | 本文 Real2Sim 管线 | | - | - | - | | 阻抗常数来源 | 经验测试 / 目测 | **CMA-ES 从实测耦合运动辨识** | | 方向性 | 常赋为各向同性或手工逐轴 | 各向异性由数据涌现 | | 松紧定义 | 经验设定，安全/舒适权衡 | **T̃ 归一化到个体 T\*（含 crouch 验证）** | | 跨人可迁移性 | 未评估 | **ICC 方差分解 + LOSO 验证** | | 参数维度 | 手工全调 | 7 维共享 + **5 维逐人精调** | | 下游验证 | 通常只验证运动学/视觉合理性 | **交互包络 (σ,γ) + 步态 RoM/波形 r** | | HDT 角色 | 常为被动/脚本 | 27-DoF RL HDT 作为**预测工具** | **面试 Tip**：被问"这篇和已有 HITL/Real2Sim 有何不同？"——答三句话：(1) 别人**手调**阻抗，本文**辨识**；(2) 别人**不评估跨人共享性**，本文用 **ICC 把参数分成可共享先验 vs 逐人标定**，直接降低部署成本；(3) 别人**只验证视觉/运动学合理**，本文用 **soft/stiff 极端基线**证明"正确工作点无法靠启发式找到"，并让数字孪生**自发复现真实步态适应**。补一句诚实边界：其人体是**开环运动学回放**，闭环 robot-aware 是未来工作。 *** ## 8 · GitHub-validated pitfalls (atlas 联动, 2026-09-19) **Repo 信号核查**：论文正文只给出**项目主页** `https://jacekcoder.github.io/Bioweb2026/`（footnote，非 `github.com` 代码仓），**未出现 `github.com` 代码仓库链接**。因此无官方代码仓、无社区 issue 流可依据。以下 3 条 pitfall **由 §6 失败模式 + 方法约束推导（未经 issue 验证）**，不涉及任何 URL / commit / issue 编号。 * **Pitfall 1 · k\_rz 先验是"假共享"**：来自 §6"k\_rz 先验 (15.2 Nm/rad) 落在下界，shareable 归类反映边界饱和"这一失败模式，叠加 §III-B 的搜索边界约束 `k_r ∈ [15, 500] Nm/rad`（下界正好 15，与先验 15.2 几乎重合）。**机械可导**：任何直接照抄 Table I 把 `k_rz` 固定为先验的实践者，都会把一个被人为下界钉死的值当成"生理共识"用；若真实扭转刚度更高，模型会系统性低估约束扭转。**规避**：把 k\_rz 视为被边界截断的待查参数，而非可靠先验。 * **Pitfall 2 · 工作点 T\* 只对旋转有效，误用于平移主导任务会失准**：来自 §6"`Δx, Δy` 无跨人一致 breakpoint，工作点仅由 `Δφ` 定义"这一失败模式，叠加 §III-A 用单一 `T*` 作为全部辨识与仿真的锚点。**机械可导**：管线把 `T*` 当作"统一可复现工作点"，但它实际只在 `r_z`（骨盆旋转）维度上被验证为拐点；若把该管线迁到以前后/侧向加载为主的任务（如"leaning against / dragging"机器人），归一化原点可能落在非拐点处。 * **Pitfall 3 · 把论文的 +6.5% RMSE 当成"区间搜索也能达到"的上限会低估风险**：来自 §6"`C_unc` 坍缩为点先验"这一隐含假设，叠加正文 footnote 2 明确"本次将 uncertain 分支坍缩为点先验 μ̂，属保守基线，区间搜索留作未来工作"。**机械可导**：LOSO 报告的 **+6.5% RMSE / +7.4% J** 是在**点先验**下测得的；若实践者按 Table I 的 95% PI 做区间搜索，其代价分布与论文报告值不可直接比较，不能声称"区间搜索已验证"。 > 以上三条均**非 issue 验证**，而是从 §6 失败模式 + 具体方法约束（搜索边界、单点工作点、点先验坍缩）推出的工程注意项。 *** [← Back to sensor-physics README](./README.md) > **Status**：v0.1 · 基于 arXiv 全文 · 未在真机复现的数字标 `UNVERIFIED`（本文 §4/§5 未报告的 runtime/算力指标一律标 `「论文未报告」`，无估算） [//]: # "" This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.