文档中心 / 数学讲义

第六讲：具身变换 ET 的数学

具身变换（ET）是 ESP 脊髓层的核心算子——将传感器信号投影到 Mphy\mathcal{M}_{phy} 的本征基上，实现去噪、谱诊断、行为指纹提取与物理幻觉检测，四者共用同一数学框架。

符号含义
L=D−AL = D - A关节图 Laplacian
ϕk,λk\phi_k, \lambda_k本征函数与特征值（流形频率基）
x^(λk)=ϕk⊤x\hat{x}(\lambda_k) = \phi_k^\top xET 正变换系数
BF(b)\text{BF}(b)行为指纹：谱能量向量
rk=∣x^k−μ^k∣r_k = \lvert\hat{x}_k - \hat{\mu}_k\rvert谱残差（幻觉检测核心量）

前言：理论发展沿革

1807年，法国物理学家傅里叶（Fourier）在研究热传导时提出了一个大胆想法：任何周期函数都可以分解为正弦/余弦的无穷级数。这一思想最初被拉格朗日强烈质疑，认为”不连续函数无法用连续级数表达”，却在1822年的《热的解析理论》中得到完整阐述。从此，频域分析成为物理学与工程学的核心工具。傅里叶的坚持或许给了后人一个启示：最深刻的数学思想，往往需要一代人的时间才能被同行接受。

然而，经典傅里叶变换定义在欧氏空间的规则网格上——默认平移不变性。现实世界的数据结构更多是图：社交网络、分子结构、机器人关节图——没有天然的平移对称性，傅里叶分析无法直接搬用。2011年，哈蒙德（Hammond）等人提出图上的小波变换（Wavelets on Graphs）；2013年，舒曼（Shuman）等人系统建立了**图信号处理（Graph Signal Processing，GSP）**理论，核心思想：用图拉普拉斯的特征向量 ϕk\phi_k 替代经典 Fourier 基底 eiωte^{i\omega t}，定义广义变换 x^(λk)=ϕk⊤x\hat{x}(\lambda_k) = \phi_k^\top x。

2017年，基普夫（Kipf）和维林（Welling）将图傅里叶变换工程化为图卷积网络（GCN），引爆了图神经网络研究浪潮。GCN 的本质是在谱域做滤波再变换回信号域——这正是 ET 的操作逻辑。此后，图变换器（Graph Transformer）、物理信息神经网络（PINN）相继出现，都在用”流形/图上的谱结构”替代原来的欧氏平坦假设。

EICPS 的具身变换 ET 是图信号处理在机器人物理流形上的专门化：关节图的拉普拉斯特征向量构成物理本征基，传感器信号在此基上的投影系数揭示运动的谱结构，谱残差 rkr_k 的异常聚集是物理幻觉在频域的”指纹”。理解 ET，就是理解傅里叶的热方程思想如何经过两百年，从规则网格走到具身智能的关节图上。

1 具身变换 ET：流形上的广义 Fourier 变换

设传感器信号 x∈Rnx \in \mathbb{R}^n 定义在关节图 GG 的节点上，LL 为对应 Laplacian，ϕk\phi_k 为其特征向量（流形本征函数）。ET 正变换定义为信号在本征基上的投影：

x^(λk)=⟨x,ϕk⟩=ϕk⊤x,k=0,1,…,n−1\hat{x}(\lambda_k) = \langle x, \phi_k \rangle = \phi_k^\top x, \quad k = 0, 1, \ldots, n-1

逆变换（重构）：x=∑kx^(λk) ϕk=Φ x^x = \sum_k \hat{x}(\lambda_k)\,\phi_k = \Phi\,\hat{x}

低频分量（小 λk\lambda_k）对应关节运动的全局结构，高频对应局部细节与噪声——低通重构即物理约束滤波。

图1：ET 具身变换三步骤。左：关节信号（平滑运动+传感器噪声）；中：ET 频谱——低频分量能量集中，高频主要是噪声，红线为低通截止；右：保留前 K 项本征分量重构，有效去噪，接近真实信号。

图1：ET 具身变换三步骤。左：关节信号（平滑运动+传感器噪声）；中：ET 频谱——低频分量能量集中，高频主要是噪声，红线为低通截止；右：保留前 K 项本征分量重构，有效去噪，接近真实信号。

2 谱诊断：正常 vs 异常信号检测

正常运动的 ET 频谱遵循特定分布（低频主导）；物理幻觉或异常状态会在特定频率段产生异常能量峰。定义谱残差：

rk=∣x^(λk)−μ^(λk)∣,μ^=E[x^normal]r_k = |\hat{x}(\lambda_k) - \hat{\mu}(\lambda_k)|, \quad \hat{\mu} = \mathbb{E}[\hat{x}_{\text{normal}}]

当 rk>δr_k > \delta（δ=2.5 σk\delta = 2.5\,\sigma_k 为 2.5σ 阈值）时，第 kk 个频率分量被标记为异常。

图2：谱诊断——正常 vs 异常检测。左：30 条正常信号的 ET 频谱带（均值+±2σ 阴影）；中：异常信号（琥珀）超出正常带，红点=被标记的频率分量；右：谱残差柱状图，红色柱=超阈值分量，精确定位异常频率对应的流形结构偏差。

图2：谱诊断——正常 vs 异常检测。左：30 条正常信号的 ET 频谱带（均值+±2σ 阴影）；中：异常信号（琥珀）超出正常带，红点=被标记的频率分量；右：谱残差柱状图，红色柱=超阈值分量，精确定位异常频率对应的流形结构偏差。

3 行为指纹：多行为谱特征对比

不同行为（抓取 / 推移 / 行走 / 伸展 / 平衡）在 ET 频谱上呈现不同的能量分布模式，称为行为指纹：

BF(b)=[σ1(b),σ2(b),…,σK(b)],σk(b)=E[∣x^(λk)∣2]\text{BF}(b) = [\sigma_1(b), \sigma_2(b), \ldots, \sigma_K(b)], \quad \sigma_k(b) = \mathbb{E}[|\hat{x}(\lambda_k)|^2]

行为指纹提供与模型无关、跨平台可比的行为表示：相同行为在不同机器人上的指纹结构相似，不同行为可用 ℓ2\ell_2 距离量化差异。

图3：行为指纹——五种行为的谱特征对比。左：ET 谱能量曲线，抓取（蓝）低频主导，平衡（红）高频丰富；中：归一化热力图，每行为一种行为，颜色=能量集中度；右：行为指纹两两 ℓ₂ 距离矩阵，数值越大=行为谱结构差异越大，用于行为识别与分类。

图3：行为指纹——五种行为的谱特征对比。左：ET 谱能量曲线，抓取（蓝）低频主导，平衡（红）高频丰富；中：归一化热力图，每行为一种行为，颜色=能量集中度；右：行为指纹两两 ℓ₂ 距离矩阵，数值越大=行为谱结构差异越大，用于行为识别与分类。

4 物理幻觉检测：谱异常定位

物理幻觉：VLA 输出的动作指令与物理约束不符，表现为某些频率分量异常激活。检测流程：

  1. 在线 ET：实时计算当前信号谱表示 x^t\hat{x}_t
  2. 谱残差：rt=∥x^t−μ^normal∥2r_t = \|\hat{x}_t - \hat{\mu}_{\text{normal}}\|_2
  3. 阈值判断：rt>δGHr_t > \delta_{GH} → 触发幻觉告警
  4. 定位：arg⁡max⁡krk\arg\max_k r_k 定位异常频率 → 映射回 Mphy\mathcal{M}_{phy} 异常关节

Hallucination Score(t)=∑k: rk>δrk2\text{Hallucination Score}(t) = \sum_{k:\,r_k > \delta} r_k^2

图4：物理幻觉检测。左：幻觉分数时序，红色阴影区（t=40~55）为注入异常窗口，分数显著升高触发告警；中：谱残差时频热力图，白色虚线划定幻觉窗口，热区精确定位到中高频分量（k=8,11）；右：正常期 vs 幻觉期平均谱残差对比，异常能量集中在特定 k 处，可映射回关节空间进行定位修复。

图4：物理幻觉检测。左：幻觉分数时序，红色阴影区（t=40~55）为注入异常窗口，分数显著升高触发告警；中：谱残差时频热力图，白色虚线划定幻觉窗口，热区精确定位到中高频分量（k=8,11）；右：正常期 vs 幻觉期平均谱残差对比，异常能量集中在特定 k 处，可映射回关节空间进行定位修复。

5 ET 在 EICPS 中的定位

层次ET 的使用方式
VLA 大脑层读取行为指纹 BF(b) → 选择 Jump 策略
ESP 脊髓层实时 ET + 谱诊断 → 物理幻觉告警
M_phy 物理层ET 低通重构 = 物理约束滤波，压制噪声
图5：ET 在 EICPS 中的完整定位。上行工具链：ET 正变换 → 谱诊断 → 行为指纹 → 幻觉检测；下行架构：VLA 读取行为指纹选择策略，ESP 实时诊断并告警，M_phy 通过低通重构施加物理约束。

图5：ET 在 EICPS 中的完整定位。上行工具链：ET 正变换 → 谱诊断 → 行为指纹 → 幻觉检测；下行架构：VLA 读取行为指纹选择策略，ESP 实时诊断并告警，M_phy 通过低通重构施加物理约束。

配套 Notebook

Open In Colab

Notebook 包含完整可运行代码：ET 正/逆变换、谱诊断、行为指纹提取与物理幻觉在线检测。

参考文献

  1. Fourier, J. B. J. (1822). Théorie analytique de la chaleur. Firmin Didot. 傅里叶原著：频域分析的起点，“任意函数可分解为正弦/余弦级数”的完整阐述。ET 的数学谱系从这里开始。

  2. Hammond, D. K., Vandergheynst, P., & Gribonval, R. (2011). Wavelets on graphs via spectral graph theory. Applied and Computational Harmonic Analysis, 30(2), 129–150. 图上小波的奠基论文：用图拉普拉斯谱定义多尺度滤波器，将经典小波理论推广到任意图结构，是 ET 正/逆变换的直接前驱。

  3. Shuman, D. I., Narang, S. K., Frossard, P., Ortega, A., & Vandergheynst, P. (2013). The emerging field of signal processing on graphs. IEEE Signal Processing Magazine, 30(3), 83–98. 图信号处理（GSP）的综述性奠基论文，系统建立了 x^(λk)=ϕk⊤x\hat{x}(\lambda_k)=\phi_k^\top x 的理论框架，ET 的数学形式化直接采用此符号体系。

  4. Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. ICLR 2017. GCN 将图傅里叶变换工程化为可微的神经网络层，引爆图神经网络研究。ET 的谱滤波思想与 GCN 谱卷积同根同源，但面向实时物理诊断而非分类任务。

  5. Sandryhaila, A., & Moura, J. M. F. (2013). Discrete signal processing on graphs. IEEE Transactions on Signal Processing, 61(7), 1644–1656. 离散图信号处理的系统理论，将经典 DSP（滤波、采样、频率响应）完整移植到图域，为 ET 在 ESP 脊髓层的实时实现提供工程基础。

总结

本讲建立了 ET 具身变换的完整数学框架：

  • ET 正变换：x^k=ϕk⊤x\hat{x}_k = \phi_k^\top x——流形上的广义 Fourier 变换，解耦全局与局部结构
  • 低通重构：保留前 KK 项本征分量，实现物理约束滤波与去噪
  • 谱诊断：谱残差 rkr_k 超阈值 → 幻觉告警，精确定位异常频率/关节
  • 行为指纹：谱能量向量 BF(b)\text{BF}(b) 作为行为的唯一谱特征，支持跨平台识别与迁移

下一讲：EICPS 完整数学图谱——三部曲综合，从公式到工程实现。