# 固定環境中的神經平衡實驗

此平台先驗證「指令可控制的虛擬滑冰」需要的局部能力：在初速 0–3 m/s 的雙腳滑行中，受到小幅外力矩後維持直立。模型使用羽生組態的 1.72 m、57 kg；質心高度 0.93 m 與等效轉動慣量是降階工程設定，並非羽生的實測個人力學參數。

## 目前真正計算的狀態

- x 向前、y 向左；兩個正傾角分別向前與向左。角度、角速度及平移速度都逐步積分。
- 雙腳支撐矩形半長 0.115 m、半寬 0.16 m。法向負載固定為 mg，各軸接觸力矩限制為 ±mg 乘對應半寬。
- 力矩與 CoP 為同一作用的兩種表示：`CoP = -torque / (mg)`。未額外增加另一套穩定力。
- 平移受到固定、平滑的滑行阻力。這一版沒有推進或主動停止策略，也不以直接設定根位置或速度掩飾動力學。
- 兩軸角加速度來自重力、同一有限接觸力矩、角阻尼、滑行基座減速度及外來擾動。這是固定接觸基座上的倒單擺近似，尚未求解完整人體與冰刀反力的耦合。

質心接近 `support + h × sin(angle)`；支撐矩形與力矩限制假定雙腳仍保持接觸。不能據此宣稱單腳平衡、切刃、完整 37 關節動力學或真實冰面驗證已通過。暫時不含致動器延遲、有限力矩變化率與接觸切換；視覺骨架是此降階狀態的說明。

## 訓練方法與公平對照

使用 PyTorch CUDA 訓練 6 → 32 → 32 → 2 的 tanh MLP，監督模仿有界解析 PD。輸入為兩軸傾角、角速度、平移速度，輸出兩個正規化力矩。PD 包含重力與基座減速度前饋；兩種控制都套用相同力矩上限。

神經模式只執行匯出的 MLP，不暗中加入 PD 或模型載入失敗時切回 PD。這不是強化學習；成功的意義是小型網路可在指定降階環境重現回授策略，不代表比解析 PD 優越。另有零控制力矩的無回授組作為對照。

訓練抽樣的是狀態與教師力矩，驗證保留完整的初始條件及擾動時間組合。訓練和驗證的狀態範圍可重疊，所以是未見序列測試，不是跨冰況或未知物理環境的泛化。四個額外大角度案例單獨揭露能力邊界，不混入一般任務通過率。

通過條件是整段 20 秒未倒下，末端合成傾角小於 0.015 rad、角速度長度小於 0.025 rad/s。尚未逐次驗證每次擾動後，是否在指定時間內回復並持續穩定一段 settle window。步長複查另外挑選初速 0、1.7、3 m/s 的三個情境，以 480 Hz 對照主要 240 Hz 模擬。

## 重現

從 WSL 使用現有 CUDA Python 環境執行，不需修改 YuE 依賴：

```powershell
wsl -e /home/jenghan/.local/share/musicxai/yue2/venv/bin/python /mnt/e/fun/MUSICxAI/projects/serenity/ice/robot/lab/train_balance.py
node projects/serenity/ice/robot/lab/verify-balance.mjs
```

訓練腳本檢查公共羽生 morphology 組態，記錄來源雜湊與設備；沒有 CUDA 時明確停止。`artifacts/model.json` 是可直接由瀏覽器推論的權重；`training-report.json` 記錄耗時、種子、損失、所有對照與測試；`js-verification.json` 比對 Python 與 JavaScript 單步與完整序列結果。

下一步應把理想化 CoP 力矩透過膝、踝及軀幹的有界參考姿態實現，先完成穩定滑行與停穩，再加入推蹬、卸載、自由腳回收及換重。屆時需要重新建立每個接觸階段的策略，不可直接將本雙腳網路宣稱為單腳或剪冰控制器。
