L5 · 在 Microban 关节之间共享参数

机器人变大后，参数自由度的代价也变大。本课问：每个关节是否都应该有独立参数？执行器族能否共享？如何在不使用最终评估挑分组的前提下发现某个关节的特殊偏差？

本课研究规模和参数化，不一次加入摩擦、柔性或温度效应大全。

参数更多，预测可能更差

完全独立的拟合可以通过追随噪声或动作特定的歧义来降低训练误差。共享拟合可能更稳定，却掩盖真实的关节差异。参数数量本身没有自动正确的答案。

先预测：当一个本来相似的执行器族中有一个关节带受控偏差时，会发生什么？

声明 Microban 参数边界

使用固定的 Microban Oracle、前面整机课程确定的主后端和一个观测协议：

全身指令 → 执行器/刚体 Student → 关节与机体观测

比较三种参数化：

1. 每个关节独立参数；
2. 执行器族共享参数加有界关节残差；
3. 紧凑的整机等效参数化。

Oracle 的受控关节偏差只用于评分和解释。族分组、残差边界和惩罚必须根据元数据、拟合数据或明确的开发划分选择。

比较自由度与共享

三种方案使用相同公开拟合数据、最终全身动作和声明计算预算。包括两种情况：

• 族内相似的基准，观察共享是否降低方差；
• 受控的关节特定偏差，观察共享是否引入偏差。

进行足够多次重复以观察参数稳定性。如果看到最终评估后才改变分组，它就是开发决策，需要新的最终划分。

阅读规模证据

这是计划中的参数共享对比。例外与稳定性视图描述所需的证据包，不会把隐藏值提供给拟合器。

展示关节/机体误差热图、参数数量、估计分布、隐藏例外附近的残差、跨动作预测和运行成本。分别区分：

• 共享带来的方差降低；
• 过度共享导致的欠拟合偏差；
• 优化器或数据问题导致的不稳定。

只有语义共享且可辨识的量才支持恢复结论。即使单个等效值不具有物理意义，整机预测仍可能有用。

想一想

共享模型训练误差略高，但留出机体运动更好，且某个关节出现集中残差。独立模型消除了残差，却在不同初始点间变化很大。你会为控制模型选择哪个？还要什么证据？

常见误区是看完最终例外分数后才选择共享分组。如果还不能选择，依据元数据或开发数据冻结分组，并要求一段关节特定的留出运动。当方差、偏差和任务指标分别报告时再继续。

共享不能证明什么

共享不能证明执行器物理上完全相同，独立参数也不能证明每个差异都是真实物理。模型更大不自动带来更多信息。L5 不加入新的接触或执行器物理，也不是 L6 的前置。

L6 回到小系统，明确研究模型失配。继续阅读 L6 · 从结构失配到真正跨仿真器。