MuJoCo失联策略：零力不等于停止

git clone https://github.com/VirtualSelect/hohoo-embodied-agent.git hohoo-embodied-agent-study
cd hohoo-embodied-agent-study
git checkout 1d1faab57e20b352761e9abc736c6d277b505e6b
python -m venv .venv
$py = '.\.venv\Scripts\python.exe'
& $py -m pip install -r requirements-lock.txt
& $py experiments/planar_reliability/run.py --out outputs/my-run
& $py experiments/planar_reliability/audit.py outputs/my-run

固定代码 · 原始证据 · 实验档案

通信断了，控制器还在用最后一条位置与速度估计。把输出力设为零，是否就能称为安全停止？在这个无摩擦二维场景中，答案很直接：零力意味着不再加速，不意味着速度变成零。

本篇沿用开发集选中的控制参数，专门比较陈旧观测下的三种力策略。所有物理运动都由MuJoCo推进，没有位置传送或伪造停止结果。

失联检测看的是哪一个时钟

每个样本带捕获时间，收到之后才能用于控制。控制决策时刻减捕获时间得到年龄；重复使用同一个样本不会刷新这个年龄。

传感器采样 → 40ms延迟队列 → 已到达样本 → 估计/控制
                                      ↓
                              当前时刻 - 捕获时刻

固定40ms延迟、3mm位置噪声；控制周期20ms，物理步长2ms。年龄超过100ms时才触发陈旧策略，因此100ms恰好边界仍沿用正常控制。条件有正常通信、0.4–1.0秒丢包、0.4秒后永久丢包；三种子×三条件×三策略，共27回合。

噪声在丢包时仍按固定顺序抽取，只是不把样本放入队列。这样不同策略不会因为随机数消耗顺序不同而得到另一个噪声实验。

三种选择，各自改变哪一步

策略	年龄≤100ms	年龄>100ms
hold	正常PD与限幅	继续按最后观测算PD
zero	正常PD与限幅	力直接置零
fade	正常PD与限幅	已限幅的力线性衰减，200ms后为零

hold不是保持当前位置，它保持的是使用旧信息的控制规则。当前位置已经变了，旧观测误差却还在，控制可能持续向错误方向推。

zero和fade都不是闭环刹车。它们没有新速度观测，也不加入未知的摩擦或制动力模型。程序不会为了得到“停止”图像而把 qvel 直接清零。

短暂丢包和永久失联，结论不同

下表为三个种子的最后300ms位置RMS均值，单位毫米，不是成功率：

通信条件	hold	zero	fade
正常	2.04	2.04	2.04
0.4–1.0s突发丢包	2.02	2.06	2.05
0.4s后永久失联	16,025.96	2,748.98	2,370.92

正常组结果完全相同，因为样本年龄没有跨过阈值。短暂丢包后，重新获得观测，尾段位置误差又变小；但表格只描述尾段，不应掩盖中间路径。

永久失联时，hold继续推着系统走远；zero停止施力后仍按已有动量滑行；fade改变了力的撤出过程，也没有制动保证。本轮全部27回合都未满足“位置和速度逐步同时达标”的完整契约，包含位置误差看上去很小的正常组。不能把任何一列称作安全赢家。

为什么要保留这个看上去简单的反例

“发送零命令”“控制器停止运行”“执行器进入制动模式”“物体已经停稳”是四种不同事件。软件只验证了第一个，不能把文案写成最后一个。实际机器人还要考虑执行器语义、通信看门狗、机械制动、重力、接触和认证流程；本场景没有这些机制。

这里的100/200ms是冻结教学参数，不是安全标准。换一个质量、目标、初始速度或故障相位，位移就会变。仅测0.4秒这个丢包起点也不足以界定最坏停止距离。

读轨迹的小练习

选择永久失联zero策略，找出 fx/fy 首次归零的行，再看之后的 vx/vy。在无摩擦、无重力模型里，速度应继续存在，审计通过 F=m*a 验证这一点。若你的曲线立刻停住，检查是否无意清空了状态，或场景包含额外阻尼。

选择突发丢包fade策略，核对恢复时的捕获时间：不能把旧样本的重复接收当作通信恢复。下一步若要设计制动策略，需要明确可用观测和执行器能力，不能在控制器中偷偷读取仿真真值来补齐传感器缺口。

最小复现与排错

从干净检出目录运行以下PowerShell命令。输出目录必须尚不存在。同组的三篇文章共用一份冻结协议，只需运行一次，再按各篇的证据分组查看。

git clone https://github.com/VirtualSelect/hohoo-embodied-agent.git hohoo-embodied-agent-study
cd hohoo-embodied-agent-study
git checkout 1d1faab57e20b352761e9abc736c6d277b505e6b
python -m venv .venv
$py = '.\.venv\Scripts\python.exe'
& $py -m pip install -r requirements-lock.txt
& $py -m unittest discover -s experiments/planar_reliability -p "test_*.py"
& $py experiments/planar_reliability/run.py --out outputs/reliability-my-run
& $py experiments/planar_reliability/audit.py outputs/reliability-my-run

本机Windows已验证：Python 3.12.14 + MuJoCo 3.3.7 + NumPy 2.2.6；3项单测、153回合、306000行；独立审计预期输出 PASS。其他操作系统未复测。若只想核验归档，不重新实验，可将审计参数换为 evidence/planar-reliability-20261011。源码哈希统一LF，证据哈希按原字节；不要改写manifest掩盖差异。

若导入失败，先检查安装与运行是否使用同一个 $py。失败输出保留，重跑时换新目录。数值按协议容差复核，耗时是本机观察，不要求复现相同速度。

代码与文章由AI辅助整理，结论以归档且可审计的实际运行记录为限。本轮没有新增付费模型请求，也不代表作者已亲手复现或完成人工审校。