结构谱三重奏

“让我们闭上眼睛，像蝙蝠一样去’听’出这个世界的形状。“

理论基础

为什么需要谱视角？

传统导航依赖外在表象（像素、纹理、坐标），而结构谱依赖内在结构（形状 DNA、拓扑连通性、安全势能）。三大优势使其成为具身智能的理想表征：

等变不变性：无论机器人如何旋转或平移，特征值序列 $\{\lambda_k\}$ 保持不变——坐标系无关
多尺度分解：低频分量编码宏观拓扑（房间连通性），高频分量编码微观几何（墙面粗糙度）
物理可解释：借用量子力学势阱模型，将”风险”量化为势能，“安全”量化为能级

结构谱三重奏： $\mathcal{X} = (\mathcal{X}_{geo},\; \mathcal{X}_{topo},\; \mathcal{X}_{safe})$

第一重奏：几何谱 X_geo（流形的 Shape DNA）

基础：Laplace-Beltrami 算子的特征值序列，Weyl 定律。

特征方程： $\Delta_{\mathcal{M}} \phi_k = -\lambda_k \phi_k$ ， $0 = \lambda_0 \leq \lambda_1 \leq \lambda_2 \leq \cdots$

等距不变量： $\{\lambda_k\}$ 是流形的形状指纹，坐标系变换、刚体旋转均不改变
Weyl 定律： $\lambda_k \sim \frac{4\pi^2 k^{2/d}}{(\omega_d \cdot \text{Vol}(\mathcal{M}))^{2/d}}$ ，特征值分布与流形体积和维度 $d$ 直接相关
几何诊断： $\lambda_1$ （第一非零特征值）编码流形的瓶颈宽度（Cheeger 不等式）， $\lambda_k$ 的间距反映对称性

物理意义：前 10 个特征值决定机器人可通行的宏观路径结构；高频特征值（ $\lambda_{50}$ 以上）对应墙面粗糙度等感知噪声。

第二重奏：拓扑谱 X_topo（持久同调与 Betti 数）

基础：代数拓扑，持久同调（Persistent Homology），Vietoris-Rips 复形。

Betti 数序列： $(\beta_0, \beta_1, \beta_2, \ldots)$

$\beta_0$ ：连通分量数（“路是否断开”）
$\beta_1$ ：环路数（“走廊是否构成回路”）
$\beta_2$ ：空腔数（三维体中的封闭腔）

持久条码：在不同尺度 $\epsilon$ 下，拓扑特征从”出生”到”消亡”的寿命。长寿命条码 = 真实拓扑结构；短寿命条码 = 传感器噪声。

\text{Sim2Real 拓扑同构条件：} \quad \beta_k^{sim} = \beta_k^{real}, \; \forall k

物理意义：拓扑谱是最强的低通滤波器——只有当障碍物大到改变路径连通性（堵死大门）时， $\beta_1$ 才会变化。椅子、水杯等小物体只产生短寿命条码，被自动过滤。

第三重奏：安全谱 X_safe（风险势能场的量子化）

基础：控制屏障函数（CBF），Schrödinger 势阱类比。

安全势能场 $V_{risk}(x)$ ：距离障碍物越近，势能越高（类比物理势阱）。

\mathcal{X}_{safe} = \text{Spec}(-\Delta_{\mathcal{M}} + V_{risk})

特征值解释：

$\lambda_k^{safe}$ 对应不同安全等级的”能级”
低能级（小 $\lambda_k$ ）：远离障碍物的宽阔区域（深势阱 = 高安全）
高能级（大 $\lambda_k$ ）：狭窄走廊、近障碍物区域（浅势阱 = 低安全）

AI 幻觉判定：

d_{GH}(\mathcal{X}_{topo}, \mathcal{X}_{geo}) > \delta \;\Rightarrow\; \text{幻觉发生}

当策略认知的拓扑结构（ $\mathcal{X}_{topo}$ ）与物理几何（ $\mathcal{X}_{geo}$ ）出现 GH 距离超过阈值 $\delta$ 时，说明 AI “脑补”了不存在的路径。

三谱联合诊断表

诊断状态	$\mathcal{X}_{geo}$ （几何）	$\mathcal{X}_{topo}$ （拓扑）	$\mathcal{X}_{safe}$ （安全）
正常导航	低频稳定	Betti 数不变	低能级主导
Sim2Real Gap	低频对齐，高频偏差	Betti 数一致	能级偏移
决策犹豫	正常	双峰共存	鞍点能级突出
AI 幻觉	正常	幽灵同伦类出现	墙壁势能为零
卡死	高曲率局域化	$\pi_1$ 死锁	极限环能量聚集

算法实现

几何谱计算（cotangent 权重 LB 算子）

输入：流形网格 (V, F)，顶点 V ∈ R^{|V|×3}，面 F
步骤：
  1. 计算 cotangent 权重
     对每条边 (i,j)，w_ij = (cot α_ij + cot β_ij) / 2
     α_ij, β_ij 为对角处内角
     → 可用 igl.cotmatrix(V, F) (libigl Python binding)
     或手写：scipy.sparse.csr_matrix(I, J, weights)

  2. 构建质量矩阵（Voronoi 面积）
     M_mass = scipy.sparse.diags(vertex_areas)

  3. 广义特征值分解
     λ, Φ = scipy.sparse.linalg.eigsh(
       L, M=M_mass, k=K, sigma=0, which='LM')
     # k = 前 K 个特征值，sigma=0 从零附近开始

  4. Shape-DNA 距离（跨环境比较）
     d_λ = sqrt(Σ_k (λ_sim_k - λ_real_k)² / k^α)
     → numpy.sqrt(numpy.sum(weights * (l1 - l2)**2))
输出：特征值 λ[0..K-1]，特征向量矩阵 Φ ∈ R^{|V|×K}

拓扑谱计算（持久同调）

输入：点云 X ∈ R^{N×3}，最大过滤尺度 ε_max，维度 d_max=2
步骤：
  1. 构建 Vietoris-Rips 复形序列
     → gudhi.RipsComplex(points=X, max_edge_length=ε_max)
     → rips.create_simplex_tree(max_dimension=d_max)

  2. 计算持久同调
     st.compute_persistence()
     barcodes = st.persistence()          # [(dim, (birth, death)), ...]

  3. 提取 Betti 数序列（在尺度 ε 下）
     beta = [len([b for b in barcodes
               if b[0]==dim and b[1][0]<=ε<b[1][1]])
             for dim in range(d_max+1)]   # → list

  4. 持久性熵（拓扑复杂度）
     lengths = [d-b for _,(b,d) in barcodes if d < numpy.inf]
     L = sum(lengths)
     H_topo = -sum((l/L)*log(l/L) for l in lengths)

  5. 幻觉检测：比较 sim/real Betti 数
     hallucination = (beta_cognitive != beta_physical)
输出：Betti 数序列 β，持久条码图，拓扑熵 H_topo
完整实现：→ /toolbox/structural-spectrum

安全谱计算（Schrödinger 算子离散化）

输入：LB 矩阵 L，风险势能场 V_risk ∈ R^{|V|}（各顶点风险值）
步骤：
  1. 构建 Schrödinger 算子
     L_safe = L + scipy.sparse.diags(V_risk)

  2. 求解最低 K 个安全能级
     λ_safe, Φ_safe = scipy.sparse.linalg.eigsh(
       L_safe, M=M_mass, k=K, sigma=0)

  3. 安全带宽（Safety Bandwidth）
     bandwidth = λ_safe[1] - λ_safe[0]   # 基态能级间距

  4. 路径安全评分
     for path_points in planned_path:
       safety_score = Φ_safe[path_indices, 0]**2  # 基态概率密度
       # 高安全区域 → 波函数聚集（概率密度高）

  5. AI 幻觉检测
     d_hallucination = numpy.linalg.norm(
       λ_safe[:K_topo] - λ_geo[:K_topo])  # 谱不一致性
输出：安全能级 λ_safe，路径安全评分，幻觉度量 d_hall
完整实现：→ /toolbox/structural-spectrum

工程验证：架空输电线路检修

理论只有落地才有重量。ESP-V1（具身空间检修作业平台）是结构谱三重奏在真实工业场景中的端到端实例：500kV 架空输电线路防振锤更换任务。

三谱在该场景中的工程对应：

抽象谱	物理含义	ESP-V1 工程实现	关键阈值
$\mathcal{X}_{geo}$ （几何谱）	SE(3) 空间可达性：机器人构型是否能到达目标	GeoPruner：HTN 规划前的几何剪枝，过滤不满足关节限位或位姿约束的算子	与导线最近距离 $\geq 0.3\,\text{m}$ （`geo_requirements.min_distance_to_wire`）
$\mathcal{X}_{topo}$ （拓扑谱）	路径连通性：从当前位置到目标是否存在无碰撞路径	SDF 避障验证：符号距离场检测导线、杆塔、绝缘串等障碍物，确保路径不穿越禁区	$\text{path} \cap \text{obstacles} = \emptyset$
$\mathcal{X}_{safe}$ （安全谱）	电气安全距离：机身与带电导体的净距	STL-RHC 实时监控：STL-001 `G[0,T](distance_body > safe_dist)`，ρ 值驱动三级响应	500kV: $d_{safe} = 5.0\,\text{m}$ ， $\rho_{warn} = 0.5\,\text{m}$

三谱联合剪枝（GeoPruner）：HTN 规划器在展开每个原子算子前执行三谱 AND 检查：

$\text{算子合法} \iff \Sigma_G(op) \;\wedge\; \Sigma_T(op) \;\wedge\; \Sigma_S(op)$

任一谱违反，该算子分支被剪除，回溯至上层 Method 寻找替代路径。这保证 HTN 输出的任务序列先验满足几何、拓扑、安全三重约束，无需事后验证。

安全谱的实时动态： $\mathcal{X}_{safe}$ 不是静态的——风速变化、机器人姿态调整都会改变 ρ 值。STL-RHC（滚动时域控制）每 5 秒重新评估：

ρ > ρ_warn（0.5m） → 正常继续
0 < ρ ≤ ρ_warn   → 预警：通知操作员，降低运动速度  
ρ ≤ 0             → 紧急停机：所有运动指令挂起，等待人工确认

这是安全谱 $\mathcal{X}_{safe}$ 从抽象势能场到工程安全保证的具体实现路径：谱特征值 $\lambda_k^{safe}$ 对应安全能级，ρ 鲁棒度是当前状态的”安全裕度”， $\rho = 0$ 即状态到达了安全势阱的边缘。

交互演示

结构谱分析器（LB 特征分解 + 持久条码 + 安全谱可视化，支持自定义点云）：

→ 在工具箱中打开完整版