# 虛擬滑冰實驗室：平衡、指令與技能

2026-09-26。新平台採固定身材與固定簡化冰面。第一個實驗是**雙腳直滑的降階神經平衡**，後續再接關節驅動與完整技能。

[開啟實驗室](index.html) · [訓練與驗證](TRAINING.md) · [逐案結果](artifacts/training-report.json) · [完整架構](../../SKATING-ROBOT-ARCHITECTURE.md) · [系列研究](../../research.html#robot-architecture)

## 使用方式

1. 選擇神經網路、傳統回授或無回授。每次切換均回到相同的初始條件，便於比較。
2. 設定初始滑行速度 0–3 m/s、初始前傾角 −5° 至 5°，按「開始滑行」。初速是初始化條件，還不是推蹬取得的速度。
3. 按前傾、後傾、向左、向右，施加持續 0.12 秒的 18 N·m 外部擾動。W／S／A／D 是這一頁的擾動鍵，並非推進或煞車指令；空白鍵播放／暫停。
4. 「同一組擾動」會重新開始，於第 2、4、6、8 秒依次施加前、左、後、右擾動，12 秒後暫停。可在三種控制方式間重跑。這是公開展示序列，不能再當新的獨立驗證集。
5. 查看傾角曲線、支撐區內的壓力中心和修正力矩。失衡會停格，保留失敗狀態；可匯出狀態、初始條件與操作紀錄。

ES modules 和權重讀取需使用 HTTP(S)。在 repo 根目錄開啟本機服務：

```powershell
python -m http.server 18766 --bind 127.0.0.1 --directory projects/serenity
```

然後開啟 <http://127.0.0.1:18766/ice/robot/lab/index.html>。此服務僅綁定本機。

## 身材與模擬邊界

男性模型統一由 [`hanyu-profile.js`](../../hanyu-profile.js) 的 Yuzuru 組態出發：名冊身高 1.72 m、質量 57 kg。既有肢段為工程近似，不是選手個人的完整量測。Rocker／Counter／Loop 可採明確標示的獨立女性組態；換身材需要重新計算相關擬合或控制結果。

本實驗以兩軸倒單擺近似身體傾斜，重心高度固定為 0.93 m。冰刀與冰面先合併為固定的雙腳支撐範圍及有限耗散。沿刀滑行位移與姿態經時間積分得到；沒有在控制過程覆寫根位置、回正角度或把速度設為零。

神經網路輸出兩個有界的等效支撐力矩。壓力中心由同一力矩計算，**不是另一組額外的平衡力**。目前這是一個理想化的支撐致動器，尚未求解由哪個髖、膝或踝關節來實現，也未包含刀刃寬度、單腳側滑或接觸切換的全部動力學。

畫面骨架沿用固定 Yuzuru 肢段，以降階狀態和兩段式逆運動學產生姿態示意。手臂目前不提供額外的無限角動量補償，骨架 IK 也不回寫物理狀態。因此，此頁的成功表示指定簡化環境中的平衡任務成功，不代表先前 37 關節 MuJoCo 推蹬或單腳案例已通過。

## 平台分工

| 層次 | 現在的實作 | 下一步 |
| --- | --- | --- |
| 身材／環境 | 固定 Yuzuru 與有版本的雙腳支撐 profile | 固定設備不變，增加技能必要的接觸模式 |
| 感知 | 理想傾角、角速度、平面速度 | 接入關節、刀向、負重與側滑 |
| 平衡策略 | 有界 PD／小型 MLP／無回授比較 | 有限關節力矩分配、姿態追蹤與神經修正 |
| 動作階段 | 本輪只有雙腳直滑及擾動 | 停止、推蹬、換腳、剪冰的事件條件 |
| 呈現／驗證 | 同一狀態驅動畫面、支撐圖、曲線、匯出 | 原動作參考／控制結果並列，保留慢放與錄影 |

網路採監督式模仿傳統回授建立第一個可重現基準。它不是已探索出全新滑冰技術的強化學習策略。若與 PD 成績相近，價值在於訓練、匯出、瀏覽器執行及驗證流程已串接；後續需要非線性接觸或動作銜接時，再加入 rollout optimization／強化學習及姿態模仿目標。

## 接下來的執行順序

### A. 將平衡要求落到關節

- 以既有 37 關節骨架接收姿態參考、質心目標與有限支撐要求，求解髖膝踝力矩；先雙腳靜止和直滑。
- 以實際接觸讀回負重、刀向與傾角，修正可實現的支撐要求。單腳支撐必須改用單刀的支撐能力，不沿用雙腳跨距。
- 若用手臂／軀幹反向旋轉補償，加入關節活動範圍、累積角動量及回收限制。
- 與無神經修正的同一控制器比較，保留姿態、力矩飽和、恢復時間與失敗原因。

### B. 停止：先做一個完整命令

`穩定滑行 → 屈膝與分配負重 → 漸進犁式轉刀 → 有限側滑阻力 → 解除制動 → 停穩`

停止命令包含目標速度與強度。強度調整轉刀速率、最大刃角與減速目標；不得瞬間把速度歸零。以同初速自然滑行為對照，檢查額外減速、停後穩定及可再接受指令。刀齒不作制動；拖刀、hockey stop 在漸進犁式穩定後再加入。

### C. 啟動：完整推蹬與接回

`支撐刀承重 → 推蹬刀外轉 → 側後推伸 → 卸重 → 回到原側 → 接冰 → 下一腳承重`

把既有來源姿態與程序化推蹬作為參考，經固定身材重定向。階段由負重、刀向、離冰及平衡餘量決定，時間只作節奏和逾時上限。以前進動量及距離相對無推蹬對照的增益判斷推進，先完成一次，再連續至少兩個左右週期。

### D. 轉彎與剪冰：保持同一條狀態鏈

- 接收目標方向、弧線大小與強度，先準備肩髖、傾角與支撐腳，不能突然旋轉整個人。
- 同方向連續剪冰沿用前一週期的速度、支撐與相位。交叉、外刃後推、卸重與回收由接觸事件銜接，不重播片頭姿勢。
- 特別驗證後方外刃推完的腳回到原側，例如右剪冰後右腳回到左腳右側；回收允許腳踝伸展與刀離冰。
- 左右、前後版本分別驗證，不能只鏡射動畫便宣稱四種動作都通過。

### E. 後退、轉三與音樂路書

後退蹬冰先獨立驗證，三轉再把前後滑連起來。用入口足、前後向、承重刃、速度與可用空間挑選後續動作，接回路書的目標／強度與 Serenity 音樂。Power Pull、Rocker／Counter／Loop 最後整合；旋轉／跳躍需額外處理角動量、起落冰與手部收合。

高階命令預計固定記錄 `{action, targetSpeed, targetHeading, intensity, requestedAt}`；執行器回報 `準備／執行／回收／完成／無法銜接`。新命令須經技能銜接判斷，不在不相容的接觸狀態硬切。

## 驗證紀律

固定訓練 seed、環境參數和訓練集；留出未參與訓練的初始角度／角速度、初速及完整擾動組合。三種控制器使用同一時間步、初始條件、擾動與支撐上限，分開呈現正常範圍與超範圍失敗。

同時記錄未跌倒、擾動後恢復、最大角度、控制飽和、時間步敏感性與 Python／JavaScript 一致性。未跌倒不等於恢復，也不等於正確完成滑冰技能。資料驅動的 source reconstruction、舊版 MuJoCo 報告與本降階實驗使用不同的驗證名稱，互不覆寫。
