三流形结构：𝓜phy · 𝓜sem · 𝓜lat

本章建立具身空间的状态空间语言：三流形乘积结构 $\mathcal{M}_{\mathrm{phy}} \times \mathcal{M}_{\mathrm{sem}} \times \mathcal{M}_{\mathrm{lat}}$。首先从直觉和严格定义两个层面引入流形概念，然后逐一构造三个分量流形，最后给出三流形耦合结构的数学描述。

3.1 流形的直觉与严格定义：图册、切丛与黎曼度量

3.1.1 弯曲空间的局部平坦性

流形的核心直觉来自地球表面：地球是球面（弯曲的），但在足够小的局部近似为平面（欧氏的）。这种”整体弯曲、局部平坦”的性质是流形的本质特征。数学上，一个 $n$ 维流形 $\mathcal{M}$ 是拓扑空间，其中每个点都有邻域同胚于 $\mathbb{R}^n$（局部坐标系）。这些局部坐标系的集合构成图册（atlas）；重叠区域之间的过渡函数描述了流形的整体弯曲结构。

内蕴几何的革命：曲率不需要外部空间来定义。 19世纪以前，几何学家理解曲率的方式是外在的：一条曲线在欧氏平面中弯曲，一个曲面在三维欧氏空间中弯曲，曲率衡量的是”离开嵌入空间的程度”。高斯（Gauss）于1827年的绝妙定理（Theorema Egregium）打破了这个直觉：曲面的高斯曲率完全可以由曲面内部的度量决定，无需参考任何外部空间——一个生活在曲面上、只能做曲面内部测量的”二维生物”，同样可以发现自己所在的空间是弯曲的。黎曼（Riemann）在其1854年就职演讲中将这一思想推广到任意维度：$n$ 维弯曲空间（黎曼流形）可以被内蕴地定义，不依赖任何嵌入的高维欧氏空间。这个认识的革命性在于：它将几何学从”欧氏空间里的图形”解放为”任意维度的内在空间结构”，为爱因斯坦的广义相对论（时空本身是弯曲流形）和具身空间的多流形乘积结构奠定了数学基础。

局部与整体的结构分裂：流形几何的核心张力。 流形的局部坐标系保证了一个至关重要的性质：在任意点的任意小邻域内，流形看起来像欧氏空间——因此，一阶的局部计算（导数、速度、线性化控制）可以安全地在欧氏坐标系中进行。但不同局部坐标系之间的过渡函数可以是非线性的，这意味着在一个坐标系中”看起来像直线”的路径，在另一个坐标系中可能是弯曲的——没有哪一个局部坐标系可以全局地、无畸变地代表整个流形。地球表面不存在一张无畸变的平面地图，这是球面的内蕴曲率决定的，而不是制图技术的不足。$\mathrm{SE}(3)$ 上同样不存在一套全局无畸变的欧氏坐标：任何用欧氏向量表示 $\mathrm{SE}(3)$ 元素的方案，必然在某些区域引入几何误差。

使用边界：什么时候局部欧氏足够。 局部平坦性并非无用——它给出了欧氏近似的精确适用范围：当且仅当所有计算都局限在足够小的邻域内，欧氏近似才是可控的。对机器人运动而言，这意味着：单步控制输入（在切空间中定义）可以用欧氏线性代数处理；但跨越大角度旋转（$\gg 30°$）或长时间区间的路径规划，必须在流形的全局结构中进行。理解这个边界，正是 EICPS 框架选择李群工具箱处理物理运动、同时允许局部 EKF 线性化的理论依据：两者在各自适用的尺度上都是正确的，问题出在将局部近似超出边界地使用。

3.1.2 切丛：流形上的速度空间

在每个点 $p \in \mathcal{M}$ 处，切空间 $T_p\mathcal{M}$ 是所有通过 $p$ 的光滑曲线在 $p$ 处切向量的集合，是欧氏线性空间。所有点的切空间并集构成切丛 $T\mathcal{M}$。具身AI系统的控制输入（关节速度、力矩）自然地生活在切丛中，而非流形本身——这是在 $\mathrm{SE}(3)$ 上定义控制律时需要区分李群与李代数的根本原因。

切空间是线性的，这不是近似——这是精确的。 切空间的线性性来自导数的定义：光滑曲线在某点的切向量，就是该曲线在该点的导数，是极限操作的结果。极限操作将弯曲流形在无穷小尺度上”拉直”，得到一个真正的线性空间，而非近似的线性空间。这意味着：速度、角速度、力矩等”瞬时变化率”量，在切空间中的运算是精确的，不引入任何几何误差——这是局部线性化控制（如 MPC）在流形上仍然有效的数学保证。

控制律生活在切丛上，位姿生活在流形上。 对于 $\mathrm{SE}(3)$ 上的机器人，这个区分有直接的实践意义。机械臂的当前位姿是 $T \in \mathrm{SE}(3)$（流形元素，$4\times 4$ 矩阵），而控制输入——“以什么角速度旋转、以什么线速度平移”——是 $\xi \in T_T\mathrm{SE}(3)$（切向量，$\mathfrak{se}(3)$ 元素，6维向量）。将控制输入作用到当前位姿，得到下一时刻位姿：$T' = T \cdot \exp(\xi^\wedge \Delta t)$，而不是欧氏加法 $T' = T + \Delta T$。后者让矩阵”漂出” $\mathrm{SE}(3)$，前者沿流形的切方向精确更新位姿。

切丛的工程意义：分离”在哪里”和”往哪走”。 切丛将状态描述（“机器人在哪个位姿”）和运动描述（“机器人以什么速度变化”）精确分离到两个不同的数学结构中。这种分离在 CBF 设计中是关键的：安全集定义在流形上（“哪些位姿是安全的”），而 CBF 的前向不变性条件需要在切丛上验证（“速度是否指向安全集内部”）。两者混淆——用欧氏向量同时表示位姿和速度——是 §2.1.2 批评的欧氏向量假设的根本错误，切丛的语言精确揭示了这个错误的来源。

3.1.3 黎曼度量：弯曲空间中的距离

黎曼度量 $g$ 在每个切空间上定义内积，光滑地依赖于底点 $p$：对于 $p$ 处的任意两个切向量 $u, v \in T_p\mathcal{M}$，$g_p(u, v)$ 给出它们的”夹角余弦”。有了度量，可以定义曲线长度（沿曲线积分切向量的长度）、测地距离（两点之间所有曲线的长度下确界）和平行移动（沿曲线将切向量”平行”地搬运，保持与度量的相容性）。

度量是流形几何的”刻度”，同一流形可以有无穷多种度量。 这是黎曼几何的关键自由度，也是容易被忽视的陷阱：$\mathrm{SE}(3)$ 作为流形本身不带唯一的”自然度量”，它允许无穷多种左不变黎曼度量，每种度量对旋转分量和平移分量的权重不同，给出不同的测地距离和不同的”最近障碍物方向”。这意味着”用 $\mathrm{SE}(3)$ 的度量”这句话本身是不完整的，必须指定是哪种度量。在带电作业场景中，安全间距的物理含义是三维欧氏空间中机械臂末端与带电体之间的直线距离——这对应在 $\mathbb{R}^3$ 位置分量上的标准欧氏度量，而非某种抽象的 $\mathrm{SE}(3)$ 度量。CBF 设计必须以物理意义为准绳选择度量，而非以数学便利性为依据。

在具身空间中，三个流形各需要一种”对的”度量。 $\mathcal{M}_{\mathrm{phy}}$ 用左不变度量（刚体变换的物理度量，第4章详述）；$\mathcal{M}_{\mathrm{sem}}$ 用语义嵌入空间中由余弦相似度或 $\ell^2$ 距离诱导的度量（语义相近的任务描述距离小，语义远离的距离大）；$\mathcal{M}_{\mathrm{lat}}$ 用由传感器模型决定的度量（Wasserstein 距离量化仿真与真实分布的差异）。用错误的度量——比如用欧氏坐标距离代替 $\mathrm{SE}(3)$ 测地距离，或用向量余弦相似度代替专业语义距离——会使所有基于该距离的安全判定和覆盖验证失效，而且失效是静默的：计算结果数值上是有效的，几何意义上却对应错误的量。

写作占位 — 流形形式定义框（图册、$C^\infty$ 相容性、黎曼流形）

3.2 𝓜phy：物理运动空间的黎曼结构与内在维度

3.2.1 SE(3) 的几何性质概览

物理运动流形 $\mathcal{M}_{\mathrm{phy}}$ 以特殊欧氏群 $\mathrm{SE}(3) = \mathbb{R}^3 \rtimes \mathrm{SO}(3)$ 为核心，是一个6维光滑流形（3维位置 + 3维姿态）。$\mathrm{SE}(3)$ 同时具有群结构：变换的复合对应群乘法，群乘法与流形结构相容（李群性质）。这使得指数映射、对数映射等微积分工具可在群结构中被精确定义，是第4章的核心内容。

李群结构不是数学装饰，而是工程必需。 $\mathrm{SE}(3)$ 是非交换（non-Abelian）群：先旋转再平移与先平移再旋转，一般得到不同的最终位姿。这个非交换性在物理上是直观的，但在计算上有严重后果：不能用向量加法合成两个位姿变换（加法要求交换律），不能用普通平均计算多个位姿的”中心位姿”（Fréchet 均值的定义依赖测地距离）。李群结构通过指数映射和对数映射，将这些运算精确定义在群的非线性结构上，而非降级为在欧氏坐标上的近似运算。对于带电作业的运动规划，安全判定要求对整条轨迹上每个时刻的真实几何距离做验证——这正是需要李群工具的原因。

$\mathrm{SE}(3)$ 的半直积结构决定了平移与旋转的非对称性。 $\mathrm{SE}(3) = \mathbb{R}^3 \rtimes \mathrm{SO}(3)$ 中的 $\rtimes$（半直积）表明：平移分量 $\mathbb{R}^3$ 和旋转分量 $\mathrm{SO}(3)$ 的地位不对等。具体地，两个变换 $(t_1, R_1)$ 和 $(t_2, R_2)$ 的乘积为 $(t_1 + R_1 t_2, R_1 R_2)$——旋转作用在平移分量上，平移不作用在旋转分量上。这意味着在设计控制律时，不能独立地设计旋转控制器和平移控制器，再简单叠加：旋转运动会”带动”平移分量，反之不然。在雅可比矩阵的计算和 CBF 的设计中，这种非对称耦合必须被显式处理。

3.2.2 物理运动流形的完整坐标结构

对 $n$ 关节机器人，$\mathcal{M}_{\mathrm{phy}}$ 包含末端执行器的 $\mathrm{SE}(3)$ 状态、关节角度（位形空间 $\mathcal{C} \subset \mathbb{R}^n$）和动力学状态，通过正运动学映射 $\mathrm{FK}: \mathcal{C} \to \mathrm{SE}(3)$ 联系关节空间与任务空间。安全约束在任务空间（相对带电体的距离）定义，控制输入在关节空间实施——CBF设计需要通过雅可比矩阵及其在 $\mathrm{SE}(3)$ 上的正确推广来建立两者的几何关系。

正运动学是从关节空间到任务空间的流形映射，不是坐标变换。 $\mathrm{FK}: \mathcal{C} \to \mathrm{SE}(3)$ 将关节角度向量 $q \in \mathbb{R}^n$（关节空间，欧氏）映射到末端执行器位姿 $T \in \mathrm{SE}(3)$（任务空间，李群）。这是两个不同几何结构之间的映射，而非同一空间内的坐标变换。其导数是几何雅可比矩阵 $J(q): \mathbb{R}^n \to \mathfrak{se}(3)$（从关节角速度到末端执行器速度的线性映射），将关节空间的切向量映射到 $\mathrm{SE}(3)$ 的李代数元素。CBF 在任务空间的安全约束 $h(T) \geq 0$，通过雅可比转化为关节空间的约束 $\nabla_q h \cdot J(q)^\top \dot{q} + \alpha(h) \geq 0$——这个转化在欧氏雅可比和 $\mathrm{SE}(3)$ 几何雅可比之间必须使用后者，否则在奇异构型附近（雅可比接近降秩时）安全裕度估计出现系统性偏差。

任务空间与关节空间的双重状态描述是工程必须的，也是EICPS框架的典型层次耦合。 安全约束在任务空间定义（末端执行器到带电体的距离），这由物理场景决定，不可更改。控制输入在关节空间实施（关节力矩或角速度），这由执行器的硬件决定，同样不可更改。两个空间通过正运动学连接，但正运动学一般是冗余的（$n > 6$）或有奇异性的，使得”从安全约束反推控制输入”不是平凡的求逆问题。EICPS 的 Body 层（第8章）正是处理这个空间转换的核心模块，其设计依赖于本节建立的坐标结构。

3.2.3 物理流形的内在维度估计

在标准假设下，$\mathcal{M}_{\mathrm{phy}}$ 的理论内在维度等于机器人自由度数（6DOF机械臂为6）。但对实际采集的带电作业轨迹数据的Two-NN分析表明，任务约束将运动集中在更低维的有效子流形上，这对运动规划和安全验证的计算效率有重要意义。

任务约束将高维位形空间压缩到低维有效子流形。 6DOF机械臂的位形空间在理论上是6维的，但带电作业任务施加了大量约束：末端执行器必须保持特定方向以操作绝缘子（姿态约束）、必须在安全间距以外（安全约束）、运动路径受到线路拓扑的限制（路径约束）。这些约束在高维位形空间中定义了一个低维的可行子流形——实际任务执行中，机器人运动几乎只在这个子流形上发生。Two-NN分析对实测轨迹数据给出的内在维度估计，正是量化这个有效子流形维度的工具：它告诉我们，带电作业的有效自由度数实际上远低于机器人的名义自由度数。

低内在维度的双重工程意义。 第一，规划效率：运动规划算法（RRT、PRM等）的计算复杂度随搜索空间维度指数增长——对6维位形空间直接规划的计算量，远高于对2–3维有效子流形规划。识别并利用低维结构，是在 100ms 控制周期内完成实时规划的工程可行性前提。第二，验证效率：STL 安全监控需要在每个采样时刻验证约束是否满足。在低维有效子流形上，安全集的几何形状更简单、安全验证的计算更快。$\mathcal{M}_{\mathrm{phy}}$ 的内在维度估计，将在第6章（混合系统）和第9章（CBF控制）中被用于设计计算效率与安全保证之间的权衡策略。

写作占位 — $\mathcal{M}_{\mathrm{phy}}$ 完整坐标定义框与坐标系间变换关系

3.3 𝓜sem：语义嵌入空间的拓扑与 Two-NN 估计

3.3.1 语义流形的构造方法

语义流形 $\mathcal{M}_{\mathrm{sem}}$ 是任务描述的语义嵌入向量在高维欧氏空间中所在的低维弯曲子集。构造分三步：将合法任务描述通过预训练语言模型映射到嵌入空间 $\mathbb{R}^{768}$；用流形学习方法（Two-NN、UMAP）估计内在几何结构；将该内在几何结构视为 $\mathcal{M}_{\mathrm{sem}}$ 的近似。对V-167词汇集的分析表明内在维度 $d_{\mathrm{sem}} \approx 1.88 \approx 2$，对应操作类型在”危险等级”与”技术复杂度”两个语义轴上的分布。

嵌入向量是高维空间中的点，但任务描述的语义结构是低维弯曲的。 预训练语言模型（如 BERT、E5）将文本映射到 $\mathbb{R}^{768}$，但所有合法的电力作业任务描述，实际上只占据了这 768 维空间中极小的一个弯曲子集。类比：三维空间中的一张纸（2维曲面）只占据了三维体积中”面积为零”的薄层——虽然位于高维空间中，但其内在几何是二维的。$\mathcal{M}_{\mathrm{sem}}$ 的低维性来源于 V-167 词汇集所对应的操作类型在语义空间中的结构性分布：不同的作业类型在”危险等级”和”技术复杂度”两个主轴上聚类，这个二维结构是由电力行业规程的内在语义组织决定的，而非随机的。

构造 $\mathcal{M}_{\mathrm{sem}}$ 是规范闭合性证明的几何前提。 仅凭词汇集是有限的，还不足以证明 SEC = 1——我们还需要证明词汇集在 $\mathcal{M}_{\mathrm{sem}}$ 上构成覆盖闭包（即任何合法任务描述都能被路由到词汇集中的某个正确条目）。这个证明的几何化形式是：V-167 词汇集在 $\mathcal{M}_{\mathrm{sem}}$ 上的 Voronoi 覆盖，结合 $\mathcal{M}_{\mathrm{sem}}$ 的有界性和 Two-NN 估计的内在维度，给出可验证的覆盖下界。第5章将把这个几何结构转化为规范闭合性定理（Theorem Q-18）的形式证明。

3.3.2 Two-NN 内在维度估计原理

Two-NN方法（Facco et al., 2017）基于以下事实：对流形上均匀分布的数据点，每个点的次近邻距离与最近邻距离之比 $\mu = r_2/r_1$ 服从 Pareto 分布，参数直接给出局部内在维度估计值 $d$。相比PCA，Two-NN对曲率不敏感——对V-167数据集，PCA高估维度（流形弯曲导致PCA失效），而Two-NN正确识别出 $d_{\mathrm{sem}} \approx 2$。此发现对第5章的PAC覆盖下界计算有决定性意义。

PCA 为什么在弯曲流形上失效？ 主成分分析（PCA）通过在数据集上做全局线性降维来估计维度：找到保留最多方差的 $k$ 个线性方向，并以”特征值肘部”判断有效维度。这在线性子空间（平坦流形）上是精确的，但当流形弯曲时，弯曲本身会”消耗”方差方向：一条 1 维弯曲曲线，在 PCA 看来像是 2 维结构（弯曲的”宽度”被当作第二主方向）。对 V-167 词汇集的嵌入向量，语义结构是 2 维的，但语义轴在 768 维空间中并非平坦展开，而是沿”危险等级”和”技术复杂度”两个轴弯曲分布——PCA 将这种弯曲误判为更高的维度，给出 $d_{\mathrm{PCA}} \approx 5$，而真实内在维度为 2。Two-NN 绕过线性假设，用纯几何的近邻距离比来探测局部维度，对曲率天然不敏感。

Pareto 分布从流形假设中自然涌现——这是方法有效性的理论基础。 考虑流形上任意点 $p$ 的局部邻域：若流形局部是 $d$ 维欧氏的（流形定义的局部平坦性保证这一点），则 $p$ 的 $k$ 近邻在半径 $r$ 球中的密度与 $r^d$ 成正比。因此，最近邻距离 $r_1$ 和次近邻距离 $r_2$ 服从同一密度分布，二者之比 $\mu = r_2/r_1$ 的经验分布为 Pareto 分布，参数恰好等于内在维度 $d$。Facco 等人（2017）的关键贡献是：这个推导不依赖流形的曲率，只依赖局部平坦性（这是所有黎曼流形的通性）。因此，用 $\mu$ 的样本均值即可直接估计 $d$：$\hat{d} = -\ln(1 - 1/\overline{\mu})$，计算简单，估计量具有一致性。

内在维度估计误差的后果不对称：高估的代价远大于低估。 若将 $d_{\mathrm{sem}}$ 高估为 5（PCA 的错误结论），PAC 覆盖定理要求的词汇集规模将以 $N \sim \epsilon^{-5}$ 的速度增长（覆盖 5 维空间所需的球个数远多于 2 维）；若正确识别 $d_{\mathrm{sem}} = 2$，所需规模仅以 $\epsilon^{-2}$ 增长——这是维度诅咒的直接体现：维度每增加 1，所需的覆盖词汇集规模指数放大。V-167 词汇集在 $d=2$ 的条件下恰好满足覆盖下界要求；在 $d=5$ 的错误假设下，同样 167 个词汇的覆盖密度将被判断为不足——从而错误地拒绝规范闭合性。

图 3.4 以 Swiss roll 为载体，直观呈现了两种方法的差异。Swiss roll 是教科书级的弯曲低维流形：1500 条数据点排列在一个卷曲的2维曲面上，整体嵌在 3 维欧氏空间中。PCA 看到的是 3 个方向都有显著方差（流形的弯曲把原本1维的卷曲”展开”成了 3 个 PCA 方向），无法识别真实维度为 2。Two-NN 的 $\mu$ 直方图和 Pareto 理论曲线高度吻合，MLE 估计值为 2.20，接近真实值 2。

以下 Python 代码实现了 Two-NN 估计量，可直接用于任意高维数据集（包括 768 维的语言模型嵌入向量）：

import numpy as np
from sklearn.neighbors import NearestNeighbors

def twonn_dimension(X: np.ndarray) -> float:
    """
    Two-NN 内在维度估计（Facco et al., 2017）

    原理：流形上均匀采样的点，次近邻/最近邻距离比
          μ = r₂/r₁ 服从 Pareto(d) 分布。
    MLE：d̂ = n / Σᵢ ln(μᵢ) = n / Σᵢ ln(r₂ᵢ/r₁ᵢ)
    """
    nbrs = NearestNeighbors(n_neighbors=3).fit(X)
    dists, _ = nbrs.kneighbors(X)
    r1, r2 = dists[:, 1], dists[:, 2]      # 最近邻 & 次近邻距离
    mu = r2 / r1                             # Pareto 比值，mu > 1
    d_hat = len(mu) / np.sum(np.log(mu))    # MLE 估计量
    return d_hat

# 验证：Swiss roll（真实维度 d = 2）
from sklearn.datasets import make_swiss_roll
X_roll, _ = make_swiss_roll(n_samples=3000, noise=0.05)
print(f"Swiss roll:  d̂ = {twonn_dimension(X_roll):.2f}")   # → ≈ 2.2

# V-167 词汇集嵌入向量（E5 模型，768 维空间）
# X_v167 = load_v167_embeddings()   # shape: (167, 768)
# print(f"V-167 d̂_sem = {twonn_dimension(X_v167):.2f}")    # → ≈ 1.88

Two-NN 的计算复杂度为 $O(n \log n)$（使用 KD-tree 近邻查询），在 167 个向量上的运行时间不超过 1 秒。

Two-NN 的正确维度估计，是第5章规范闭合性定理得以成立的数值前提。然而维度只是流形几何的一个方面——球覆盖的密度要求由维度决定，但有限球覆盖定理的可直接适用性，还需要流形的拓扑结构提供额外保证。

3.3.3 语义流形的拓扑结构

持续同调（Persistent Homology）分析给出 $\mathcal{M}_{\mathrm{sem}}$ 的拓扑摘要：$\beta_0 = 1$（所有操作类型语义连通），$\beta_1 = 0$（无独立环路）。连通无洞的2维流形可被有限球覆盖定理直接处理，简化了规范闭合性的证明路径。

持续同调探测的是流形的”洞”，而非流形的”形状”。 持续同调是拓扑数据分析（TDA，Topological Data Analysis）的核心工具，它通过在不同半径 $\epsilon$ 下构造数据点的”$\epsilon$-邻域覆盖复形”，追踪拓扑特征（连通分量、环路、空洞）的出生与消亡。Betti 数 $\beta_0$ 计数独立的连通分量，$\beta_1$ 计数独立的1维环路（空洞），$\beta_2$ 计数独立的2维空腔。对 $\mathcal{M}_{\mathrm{sem}}$，$\beta_0 = 1$ 表明所有电力作业任务描述在语义上构成一个连通的整体，不存在语义孤立的操作类别；$\beta_1 = 0$ 表明语义空间中没有”绕一圈回不到原点”的环路结构——语义连续地从低危险简单操作过渡到高危险复杂操作，中间没有拓扑障碍。

拓扑结构决定了覆盖证明的路径。 对非连通流形（$\beta_0 > 1$），不同连通分量之间的词汇集覆盖必须分别验证，且两个分量之间的中间位置（若被某任务描述触达）将无法路由到正确词汇——这将使规范闭合性的证明复杂化，甚至使闭合性本身失去保证。$\beta_0 = 1$ 消除了这个担忧。若 $\beta_1 > 0$（存在环路），则需要用捆绑覆盖（bundle cover）而非球覆盖来保证全局无间隙；$\beta_1 = 0$ 允许直接使用有限球覆盖定理（连通紧致流形总是有有限开覆盖），大幅简化第5章的证明结构。换言之，$(\beta_0, \beta_1) = (1, 0)$ 是词汇集能以最简单方式证明规范闭合性的”最优拓扑条件”。

连通性对系统行为的意义超出覆盖证明本身。 $\beta_0 = 1$ 还意味着：当系统接收到一个”略超出词汇集边界”的任务描述时，路由系统总能找到语义最近的合法词汇——语义空间中不存在”死角”（在连通流形上，任意点到词汇集的最近邻是唯一确定的；而在非连通流形上，跨分量的”最近邻”定义是模糊的）。这给出了一个工程上可验证的降级处理策略：当检测到输入描述的嵌入向量距离最近词汇超过阈值 $\epsilon_{\max}$ 时，系统报告”操作类型识别置信度不足”并触发人工确认，而非静默地路由到错误词汇——这个降级机制的正确性依赖于语义流形的连通性保证。

写作占位 — V-167嵌入空间UMAP二维投影可视化（按操作类型着色）

3.4 𝓜lat：隐变量流形与 Sim2Real Gap 几何化

命名说明：本流形早期记作 $\mathcal{M}_{\mathrm{data}}$（数据流形），2026-07 起全书统一为 $\mathcal{M}_{\mathrm{lat}}$（隐变量流形）——传感数据是其可观测部分，还包含环境状态与意图估计等不可直接观测的隐变量；数学载体为统计流形（信息几何，Amari 1985）。本节聚焦其中传感数据这一子结构。

3.4.1 传感数据流形的定义与作用

传感数据流形 $\mathcal{M}_{\mathrm{lat}}$ 描述传感器原始数据（图像、点云、IMU）在表示空间中的几何结构，由传感器模型和场景几何共同决定。在EICPS框架中承载两类信息：对 $\mathcal{M}_{\mathrm{phy}}$ 状态的观测（状态估计，由EKF处理），以及仿真与真实数据之间的分布差异（Sim2Real Gap）。

传感器数据为什么形成流形，而非填充整个表示空间？ 机器人传感器（深度相机、激光雷达、IMU）的输出维度极高：一帧深度图像约 $640 \times 480 = 307200$ 个像素值，一次激光雷达扫描约 $16384$ 个点。对应的数据空间维度在 $10^4$–$10^6$ 量级，但有意义的传感器数据远非随机填充这个高维空间——真实环境中的塔架、绝缘子、导线在特定光照和视角下产生的点云，具有强烈的几何规律性（平面、圆柱、线条）。这些几何规律性将实际发生的传感器输出约束在高维表示空间的极小子集上，这个子集在大多数情形下具有光滑的低维结构，即 $\mathcal{M}_{\mathrm{lat}}$。内在维度分析表明，带电作业场景的深度点云内在维度通常在 4–6 之间（远低于 $10^4$），这一压缩为实时状态估计提供了计算基础。

$\mathcal{M}_{\mathrm{lat}}$ 在 EICPS 中承担双重角色，对应框架的两个不同模块。 第一个角色是感知-位姿桥：真实环境中特定位姿 $T \in \mathrm{SE}(3)$ 的机器人，观测到的传感器数据 $z \in \mathcal{M}_{\mathrm{lat}}$ 由观测模型 $h(T)$ 决定。扩展卡尔曼滤波（EKF）在 $\mathcal{M}_{\mathrm{phy}} \times \mathcal{M}_{\mathrm{lat}}$ 上运行：从传感器数据流 $\{z_t\}$ 估计物理位姿 $T_t$，并给出不确定度协方差。第二个角色是仿真-真实差异度量器：在仿真环境中生成的训练数据 $\mathcal{D}_{\mathrm{sim}} \subset \mathcal{M}_{\mathrm{lat}}$ 与真实环境采集的数据 $\mathcal{D}_{\mathrm{real}} \subset \mathcal{M}_{\mathrm{lat}}$ 之间的差异（Sim2Real Gap），可以用 $\mathcal{M}_{\mathrm{lat}}$ 上的度量来定量刻画。两个角色对应不同的 $\mathcal{M}_{\mathrm{lat}}$ 几何性质：状态估计关注局部结构（观测模型的雅可比）；Sim2Real Gap 关注全局分布差异。

将传感器数据的几何结构显式纳入状态空间，是 EICPS 框架的关键设计决策。 许多机器人框架将传感器数据处理当作一个黑盒”感知模块”的输出，框架本身只接受已处理后的位姿估计，而不暴露中间的原始数据几何。这种封装带来一个问题：当感知模块在分布外的数据上失效时（例如大雾天气导致激光雷达点云密度骤降），框架收到的是一个失效的位姿估计，没有信号表明不确定度已大幅升高。EICPS 将 $\mathcal{M}_{\mathrm{lat}}$ 显式纳入状态空间，允许系统监控当前传感器数据在 $\mathcal{M}_{\mathrm{lat}}$ 上的位置是否在训练分布 $\mathcal{D}_{\mathrm{real}}$ 的覆盖范围内——超出覆盖范围即触发感知降级标志，系统切换到更保守的安全模式，而不是用失效的感知数据继续正常决策。

3.4.2 Sim2Real Gap 的几何化表述

仿真数据点云 $\mathcal{D}_{\mathrm{sim}}$ 和真实数据点云 $\mathcal{D}_{\mathrm{real}}$ 各自是 $\mathcal{M}_{\mathrm{lat}}$ 中的子集。Sim2Real Gap的几何化度量为 Wasserstein 距离或 Gromov-Hausdorff 距离 $d_{GH}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}})$，提供从仿真到真实迁移所需”形变量”的定量估计，为域适应算法的收敛保证提供理论基础。

Sim2Real Gap 的本质是分布偏移，而分布偏移是几何的。 传统上，Sim2Real Gap 被描述为”统计分布差异”：$p_{\mathrm{sim}}(z) \neq p_{\mathrm{real}}(z)$，解决方案是域随机化或域适应。但统计描述遮蔽了一个几何事实：仿真渲染器在物理上的简化（假定理想光照、忽略摩擦导致的点云噪声、忽略大气能见度变化）产生的是一种系统性的流形偏移——$\mathcal{D}_{\mathrm{sim}}$ 和 $\mathcal{D}_{\mathrm{real}}$ 不仅分布不同，而且作为 $\mathcal{M}_{\mathrm{lat}}$ 上的子集，它们的几何形状（内在曲率、拓扑连通性）也可能不同。用 Gromov-Hausdorff 距离 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}})$ 量化这个差异，给出的不仅是”两个分布有多远”，还有”一个几何结构要变形成另一个几何结构需要多大的等距形变”——这是比 KL 散度或 MMD 更强的结构性信息。

几何化表述为域适应算法的收敛保证提供了可计算的上界。 设域适应算法 $A$ 在仿真数据上训练，在真实数据上测试，其性能差距（泛化误差）与 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}})$ 之间存在理论上界：泛化误差 $\leq$ （仿真训练误差）$+ f(d_{\mathrm{GH}})$，其中 $f$ 是单调增函数（Gromov-Hausdorff 距离越大，泛化误差上界越高）。这不是一个可以在每个实例上精确计算的界，而是一个设计指导：在带电作业场景中，减小 Sim2Real Gap 的工程手段（更精确的仿真渲染、在真实塔架上采集标定数据）和算法手段（PINN约束注入，见 §3.4.3）的有效性，可以通过 $d_{\mathrm{GH}}$ 的变化来客观评估，而非仅凭经验判断。

Wasserstein 距离与 Gromov-Hausdorff 距离在 Sim2Real Gap 的量化中各有适用边界。 Wasserstein 距离（Earth Mover’s Distance）量化两个概率分布之间的”搬运代价”，适合两个分布定义在同一度量空间上的情形，在计算上更易处理（有有效的对偶形式和随机算法）。GH 距离量化两个度量空间之间的”最佳等距嵌入差异”，适合两个点云不以同一坐标系表示的情形（例如不同分辨率、不同传感器型号的点云比较），计算代价更高（NP难问题，实践中用近似算法）。在 EICPS 的工程实现中，Wasserstein 距离用于日常的 Sim2Real Gap 监控（快速计算，实时可用），GH 距离用于离线的系统性分析（更强的理论保证，用于安全认证）。

图 3.6 以二维特征空间的玩具示例（对应实际场景中深度点云的低维嵌入表示）直观呈现了最优传输的几何含义。PINN 对齐后，仿真与真实分布的中心距从 $\approx 1.7$ 压缩到 $\approx 0.4$，协方差形状也更接近，反映在短得多的传输箭头上。残余的 $W_2 = 0.55$ 对应不可消除的物理模型误差——这正是 $\delta_{\mathrm{tol}}$ 设计时需要留出的安全裕度。

3.4.3 PINN 辅助的数据流形对齐

物理信息神经网络（PINN，Physics-Informed Neural Network，物理信息神经网络）通过在损失函数中嵌入物理约束（导线振动的偏微分方程），将仿真数据的物理结构先验注入真实数据处理管线，从几何意义上减小 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}})$。第8章（EKF-PINN融合）和第9章（PINN控制器）将具体展开这一机制。

PINN 的关键思想：物理定律作为流形的内蕴约束。 导线振动的物理行为由偏微分方程（PDE）描述：振动弦的波动方程给出位移场与时间、空间的关系。在仿真环境中，PDE 被精确满足——$\mathcal{D}_{\mathrm{sim}}$ 中所有数据点严格处于 PDE 所定义的解流形上。在真实环境中，受传感器噪声、风载扰动和模型误差影响，真实数据 $\mathcal{D}_{\mathrm{real}}$ 中的点会偏离理想 PDE 解流形。PINN 在神经网络的训练损失中加入 PDE 残差项，迫使网络学到的表示满足物理约束：即使真实数据有噪声，网络提取的特征仍会”被拉回”到符合物理定律的低维结构上。几何地说，PINN 将 $\mathcal{D}_{\mathrm{real}}$ 的有效表示投影到 PDE 解流形上，使之在几何上更接近 $\mathcal{D}_{\mathrm{sim}}$——从而减小 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}})$。

数据流形对齐的工程含义：缩小 Sim2Real Gap 而非消除它。 PINN 的物理约束减小 Sim2Real Gap，但不能将其降为零——真实环境的复杂性（不规则风场、非理想绝缘子表面）超出任何有限精度的 PDE 模型。这个认识的实践意义在于：EICPS 设计的正确方式是”将 Sim2Real Gap 减小到可验证的阈值以下”，而非”假设 Gap 为零从而直接迁移仿真策略”。具体地，当 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{sim}}, \mathcal{D}_{\mathrm{real}}) \leq \delta_{\mathrm{tol}}$（可容忍形变阈值）时，在仿真中得到的安全证明（STL满足性和CBF不变性）可以通过健壮性裕度（robustness margin）转移到真实环境；当 $d_{\mathrm{GH}} > \delta_{\mathrm{tol}}$ 时，需要在真实环境中补充采集数据，更新 $\mathcal{D}_{\mathrm{real}}$ 后重新评估。$\delta_{\mathrm{tol}}$ 的计算与带电作业安全规程中规定的最小安全间距相关，将在第9章中给出。PINN 对齐是在 $\mathcal{M}_{\mathrm{lat}}$ 内部收缩仿真与真实之间的几何差距；但 $\mathcal{M}_{\mathrm{lat}}$ 与另外两个流形之间的耦合——感知数据如何约束物理位姿估计、又如何触发语义状态跳变——才是三流形乘积结构中最复杂的动力学问题。

以下代码使用 POT（Python Optimal Transport）库计算两个点云之间的 $W_2$ 距离，可直接用于工程中的 Sim2Real Gap 监控：

import numpy as np
import ot  # pip install POT

def sim2real_gap(X_sim: np.ndarray, X_real: np.ndarray) -> float:
    """
    计算仿真与真实点云之间的 Wasserstein-2 距离（Sim2Real Gap）。

    X_sim, X_real: shape (n, d) 和 (m, d) 的特征向量阵列
    返回值：W₂ ≥ 0，越小表示分布越接近
    """
    n, m = len(X_sim), len(X_real)
    a = np.ones(n) / n            # 均匀权重（经验分布）
    b = np.ones(m) / m
    M = ot.dist(X_sim, X_real)    # 代价矩阵（欧氏距离的平方）
    w2_sq = ot.emd2(a, b, M)      # Earth Mover's Distance = W₂²
    return float(np.sqrt(w2_sq))

# 示例：PINN 对齐前后对比
W2_before = sim2real_gap(X_sim, X_real_before)   # → 1.79
W2_after  = sim2real_gap(X_sim, X_real_after)    # → 0.55
reduction = (W2_before - W2_after) / W2_before * 100
print(f"W₂ before: {W2_before:.2f}  →  after: {W2_after:.2f}  ({reduction:.0f}% ↓)")

# 工程监控：判断是否超过容忍阈值
delta_tol = 0.80   # 由安全规程的最小安全间距反推（第9章详述）
if W2_after > delta_tol:
    print("⚠ Sim2Real Gap 超出阈值，需补充真实数据后重新评估")
else:
    print("✓ Gap 在容忍范围内，仿真安全证明可转移到真实环境")

3.5 三流形的耦合：Gromov-Hausdorff 距离与谱指纹

3.5.1 三流形耦合的物理意义与形式化

三流形不独立演化：$\mathcal{M}_{\mathrm{phy}}$ 上的运动受 $\mathcal{M}_{\mathrm{sem}}$ 上任务阶段约束；$\mathcal{M}_{\mathrm{lat}}$ 既依赖 $\mathcal{M}_{\mathrm{phy}}$ 位姿又影响 $\mathcal{M}_{\mathrm{sem}}$ 更新。允许的系统轨迹不是三个分量上允许轨迹的任意乘积，而是受耦合约束的子集。这些耦合约束的动力学形式化是第6章（Flow-Jump混合系统）的核心内容。

三流形的耦合来自具身系统的物理结构，而非理论选择。 带电作业场景提供最直接的说明：（1）$\mathcal{M}_{\mathrm{sem}} \to \mathcal{M}_{\mathrm{phy}}$ 的约束——任务语义决定物理运动的目标区域。若当前任务阶段为”定位绝缘子”（语义状态 $s \in \mathcal{M}_{\mathrm{sem}}$ 的某一区域），则机械臂末端执行器的目标位姿 $T_{\mathrm{target}} \in \mathrm{SE}(3)$ 被约束在绝缘子位置附近的特定邻域内，而非 $\mathrm{SE}(3)$ 的任意点。（2）$\mathcal{M}_{\mathrm{phy}} \to \mathcal{M}_{\mathrm{lat}}$ 的约束——物理位姿决定传感器视野。机器人的位姿 $T$ 决定相机的观测矩阵，从而决定场景在图像传感器上的投影，即 $z = h(T) + \text{noise}$。不同位姿给出几何上不同的点云，这是 $\mathcal{M}_{\mathrm{phy}}$ 到 $\mathcal{M}_{\mathrm{lat}}$ 的确定性依赖。（3）$\mathcal{M}_{\mathrm{lat}} \to \mathcal{M}_{\mathrm{sem}}$ 的约束——感知数据更新任务阶段判断。当传感器检测到绝缘子已接触（$\mathcal{M}_{\mathrm{lat}}$ 上接触力信号），语义状态跳转到”执行绝缘子更换”（$\mathcal{M}_{\mathrm{sem}}$ 上的离散跳变）。这个三角耦合构成了闭环回路，任何一个环节的失效都会传播到整个系统。

耦合约束使状态空间维度降低，但增加了约束的非线性度。 若三流形独立，系统状态空间是乘积流形 $\mathcal{M}_{\mathrm{phy}} \times \mathcal{M}_{\mathrm{sem}} \times \mathcal{M}_{\mathrm{lat}}$，维度等于三者维度之和（理论上 $6 + 2 + 5 \approx 13$）。但耦合约束将实际允许的轨迹限制在这个乘积流形的子流形上，有效维度更低。这在计算上是好消息（更低维度的规划和验证）；在理论上是挑战（子流形的几何结构通常比乘积流形更复杂，需要隐式方程描述）。第6章将把这个耦合子流形的动力学写成 Flow-Jump 混合系统的连续动力学方程（Flow，描述三流形的联合演化）和离散跳变条件（Jump，描述语义状态的任务阶段切换）。

3.5.2 Gromov-Hausdorff 距离的两类应用

GH距离度量两个度量空间之间的”形状差异”。在EICPS框架中有两类应用：一是度量不同时刻 $\mathcal{M}_{\mathrm{lat}}$ 的变化（检测Sim2Real Gap的时间漂移）；二是度量不同机器人或场景的 $\mathcal{M}_{\mathrm{sem}}$ 之间的差异（评估框架跨域迁移的代价）。这为第16章（通用EICPS展望）中的联邦验证设计提供了量化基础。

GH距离的定义：两个度量空间之间的最佳等距嵌入差异。 给定两个度量空间 $(X, d_X)$ 和 $(Y, d_Y)$，GH距离 $d_{\mathrm{GH}}(X, Y)$ 定义为：在所有可能的”公共度量空间” $(Z, d_Z)$ 及 $X, Y$ 到 $Z$ 的等距嵌入 $f: X \hookrightarrow Z, g: Y \hookrightarrow Z$ 上，$f(X)$ 和 $g(Y)$ 之间 Hausdorff 距离的下确界。直觉上：GH距离问”两个空间要怎样嵌入同一个大空间，才能使它们的像在 Hausdorff 意义下最接近”——这个最近距离就是 GH距离。它的优势在于：不要求 $X$ 和 $Y$ 在同一坐标系下（不需要对应关系），不要求两者维度相同，只要求两者都是度量空间。这使得比较不同传感器型号的点云、或比较不同机器人平台的语义空间成为可能。

第一类应用：检测 $\mathcal{M}_{\mathrm{lat}}$ 的时间漂移（环境变化监控）。 在带电作业中，季节更替（夏季浓绿植被遮挡 vs 冬季裸枝）、天气变化（晴天高清点云 vs 大雾低密度点云）会系统性地改变 $\mathcal{D}_{\mathrm{real}}$ 的几何结构。若每月采集一次标定数据并计算 $d_{\mathrm{GH}}(\mathcal{D}_{\mathrm{real}}^{\text{初始}}, \mathcal{D}_{\mathrm{real}}^{\text{当前}})$，可以追踪环境变化导致的感知流形漂移。当 $d_{\mathrm{GH}}$ 超过阈值时，说明模型的分布假设已失效，需要重新采集数据更新感知模型。这提供了一个客观的、基于几何测量的系统再认证触发条件，优于”每年定期维护”的时间驱动策略。

第二类应用：评估框架跨域迁移代价（从 500kV 线路迁移到 1000kV 线路）。 不同电压等级、不同地理区域的带电作业场景对应不同的 $\mathcal{M}_{\mathrm{sem}}$（操作类型分布不同）和 $\mathcal{M}_{\mathrm{lat}}$（塔架结构、绝缘子型号不同）。将在 500kV 线路上验证的 EICPS 系统迁移到 1000kV 线路时，迁移代价的量化指标之一是 $d_{\mathrm{GH}}(\mathcal{M}_{\mathrm{sem}}^{500\mathrm{kV}}, \mathcal{M}_{\mathrm{sem}}^{1000\mathrm{kV}})$ 和 $d_{\mathrm{GH}}(\mathcal{M}_{\mathrm{lat}}^{500\mathrm{kV}}, \mathcal{M}_{\mathrm{lat}}^{1000\mathrm{kV}})$。GH距离较小时，可以通过微调（fine-tuning）实现迁移；GH距离较大时，需要重新构建语义词汇集和采集大量真实数据。第16章将把这个量化框架用于多个电网公司共享 EICPS 验证成果的联邦学习设计。

3.5.3 谱指纹：流形结构的紧凑可计算表示

谱指纹基于流形的拉普拉斯算子特征值谱，将流形的几何性质（曲率分布、连通性）编码为可快速比较的特征向量。在EICPS框架中用于：验证词汇集扩展后 $\mathcal{M}_{\mathrm{sem}}$ 拓扑结构的稳定性（新增词汇不改变连通性），以及监控 $\mathcal{M}_{\mathrm{lat}}$ 随时间的漂移（通过谱距离检测环境变化）。

拉普拉斯特征值谱是流形几何的”指纹”——是等距变换的不变量。 流形 $\mathcal{M}$ 上的 Laplace-Beltrami 算子 $\Delta_{\mathcal{M}}$ 是欧氏拉普拉斯 $\nabla^2$ 的内蕴推广，其特征值序列 $0 = \lambda_0 \leq \lambda_1 \leq \lambda_2 \leq \cdots$ 不依赖于坐标选取，只依赖于流形的几何结构（弦乐类比：特征值是流形的”固有频率”，由其形状决定）。特别地：$\lambda_0 = 0$ 对应常数特征函数；$\lambda_1$（第一非零特征值，Fiedler 值）量化流形的连通性强度，$\lambda_1 \to 0$ 意味着流形接近断开；低阶特征值（前 $k$ 个）捕获流形的全局几何形状，高阶特征值反映局部精细结构。将前 $k$ 个特征值组成向量 $\Lambda_k = (\lambda_1, \ldots, \lambda_k)$，即为流形的谱指纹。

谱指纹的计算可以从离散点云近似，无需知道流形的解析表达。 对 $n$ 个数据点的点云（$\mathcal{D}_{\mathrm{real}}$ 或 V-167 嵌入向量），构造 $k$-近邻图 $G$ 并计算其图拉普拉斯矩阵 $L = D - A$（$D$ 是度矩阵，$A$ 是邻接矩阵）。$L$ 的特征值谱是流形 Laplace-Beltrami 算子特征值谱的 $O(n^{-2/d})$ 收敛近似（其中 $d$ 是内在维度）。这使得谱指纹的计算只需要点云数据和邻近图，复杂度为 $O(n \log n)$（用随机化特征值算法），在 EICPS 的日常监控中完全可行。

谱指纹的两类工程应用：稳定性验证与漂移检测。 在词汇集扩展时（例如从 V-167 扩充到 V-250），谱指纹的变化量化了扩展对 $\mathcal{M}_{\mathrm{sem}}$ 拓扑结构的影响：若 $\|\Lambda_k^{\text{V-250}} - \Lambda_k^{\text{V-167}}\|_2$ 小于阈值，说明新增词汇未引入拓扑不稳定性（如新的孤立连通分量），原有的规范闭合性证明对扩充后的词汇集仍然有效；若超过阈值，需要重新运行持续同调分析并更新覆盖下界。在环境漂移监控中，每 $T$ 个时间步计算当前 $\mathcal{D}_{\mathrm{real}}$ 的谱指纹并与初始谱指纹比较，谱距离 $\|\Lambda_k^{\text{当前}} - \Lambda_k^{\text{初始}}\|_2$ 提供一个轻量级的漂移报警指标，比每次重新计算 GH 距离的计算代价低两个数量级。谱指纹是 GH 距离的廉价代理：足够敏感以触发更精确的 GH 距离计算，足够便宜以在实时监控中持续运行。

import numpy as np
from sklearn.neighbors import kneighbors_graph

def spectral_fingerprint(X: np.ndarray, k_nn: int = 8, K: int = 20) -> np.ndarray:
    """
    从点云 X (n × d) 计算谱指纹 Λ_K = (λ₁, …, λ_K)。

    参数
    ----
    X     : (n, d) 数组，n 个 d 维嵌入向量（如 SBERT 语义向量）
    k_nn  : k-近邻图的 k 值（默认 8）
    K     : 保留的特征值数量（默认 20，去掉 λ₀=0）

    返回
    ----
    Lambda : (K,) 数组，升序排列的前 K 个非零特征值
    """
    # 1. 构造对称 k-NN 邻接矩阵
    A = kneighbors_graph(X, n_neighbors=k_nn, mode='connectivity',
                         include_self=False)
    A = (A + A.T)           # 对称化
    A.data[:] = 1.0         # 二值化（有边=1）

    # 2. 归一化图拉普拉斯  L_sym = I - D^{-1/2} A D^{-1/2}
    A_arr = A.toarray()
    deg   = A_arr.sum(axis=1)
    D_inv_sqrt = np.diag(1.0 / np.sqrt(np.maximum(deg, 1e-10)))
    L_sym = np.eye(len(X)) - D_inv_sqrt @ A_arr @ D_inv_sqrt

    # 3. 取最小 K+1 个特征值（λ₀≈0 必然在其中）
    eigvals = np.linalg.eigvalsh(L_sym)[: K + 1]
    eigvals.sort()
    return eigvals[1:]      # 去掉 λ₀=0，返回 λ₁…λ_K


def spectral_distance(fp_a: np.ndarray, fp_b: np.ndarray) -> float:
    """‖Λ_K^A − Λ_K^B‖₂  —— 两个谱指纹之间的欧氏距离。"""
    return float(np.linalg.norm(fp_a - fp_b))


# ── 示例：V-167 vs V-250 稳定性验证 ─────────────────────────────
if __name__ == "__main__":
    from sklearn.datasets import make_swiss_roll

    X_167, _ = make_swiss_roll(n_samples=167, noise=0.5, random_state=7)
    X_250, _ = make_swiss_roll(n_samples=250, noise=0.5, random_state=7)

    fp_167 = spectral_fingerprint(X_167)
    fp_250 = spectral_fingerprint(X_250)
    dist   = spectral_distance(fp_167, fp_250)

    delta_tol = 0.50   # 容忍阈值（工程实践：取 baseline 谱距离均值的 3–4 倍）
    print(f"Fiedler λ₁ (V-167) = {fp_167[0]:.4f}")
    print(f"Fiedler λ₁ (V-250) = {fp_250[0]:.4f}")
    print(f"Spectral distance   = {dist:.4f}  ({'STABLE ✓' if dist < delta_tol else 'ALARM ⚠'})")

预告：三流形耦合动力学（第6章完整展开）

三流形的耦合将在第6章以 Flow-Jump 混合系统形式化。连续 Flow 描述 $\mathcal{M}_{\mathrm{phy}} \times \mathcal{M}_{\mathrm{lat}}$ 上的联合演化（EKF 状态估计 + CBF 控制）：

$\dot{x} = f(x, u), \quad x = (T, z) \in \mathcal{M}_{\mathrm{phy}} \times \mathcal{M}_{\mathrm{lat}}$

离散 Jump 描述 $\mathcal{M}_{\mathrm{sem}}$ 上的任务阶段切换（由感知事件触发）：

$s^+ = \delta(s, e), \quad s \in \mathcal{M}_{\mathrm{sem}},\ e \in \mathcal{M}_{\mathrm{lat}}$

完整的耦合向量场和跳变守卫条件见第6章定义 6.1。

3.5.4 接口函子 Φ 与物理幻觉：耦合失效的结构性刻画

§3.5.1 描述了三流形耦合的正常运作方式；本节刻画其失效方式——这一刻画将成为第8章 CBF 工程角色的数学基础。

$\mathcal{M}_{\mathrm{sem}} \to \mathcal{M}_{\mathrm{phy}}$ 方向的耦合可以精确化为一个映射 $\Phi$：它将语义流形上的操作序列 $\gamma_{\mathrm{sem}}$（例如”夹持—旋转—释放”）转译为物理流形上的目标轨迹。$\Phi$ 的成立前提是保结构性：$\mathcal{M}_{\mathrm{phy}}$ 是 $\mathrm{SE}(3)$ 上的有界子集——关节角有硬限位、末端位姿受工作空间约束、速度受驱动器极限约束——这些约束定义了物理流形的代数结构，$\Phi$ 必须将语义指令映射到该结构的内部。用范畴论的语言说，$\mathcal{M}_{\mathrm{sem}}$（离散图结构范畴）与 $\mathcal{M}_{\mathrm{phy}}$（带黎曼度量的流形范畴）是不同范畴的对象，$\Phi$ 作为跨范畴映射必须同时保持对象与态射的合法性，即函子性。需要说明的是，本书对 $\Phi$ 的处理以保结构映射为核心性质，其完整的范畴结构（源与目标范畴的态射集及兼容性条件的形式定义）作为理论深化方向在§15.5 中列出。

物理幻觉（Physical Hallucination）由此获得精确定义：

$\Phi(\gamma_{\mathrm{sem}}) \notin \mathcal{M}_{\mathrm{phy}}$

即语义层合法的操作序列，经 $\Phi$ 映射后落在物理流形的代数约束下不可能存在的状态或轨迹上——要求关节越过硬限位、在奇异构型处运动、或两连杆占据同一空间。这一定义将”系统出错”区分为三种数学性质不同的类型：AI 幻觉是概率性的（LLM 输出层的统计误差，可通过微调与提示工程缓解）；感知误差是统计性的（传感器噪声，服从分布，可由 EKF 滤波处理，见§8.4）；物理幻觉是结构性的（$\Phi$ 不保结构导致的范畴违例）——它不是”小概率错误”，而是在物理流形代数约束下不可能存在的状态，处置方式不是优化 AI 模型，而是修复接口。第8章将说明 CBF 的工程角色正是这一修复机制的实时实现：当 $\Phi(\gamma_{\mathrm{sem}}) \notin \mathcal{M}_{\mathrm{phy}}$ 时，CBF-QP 将指令投影回物理流形内的安全集，使物理安全性不依赖 AI 层的准确率。

本章建立了具身空间的状态空间基础。第4章深入 $\mathcal{M}_{\mathrm{phy}}$ 的核心数学结构——李群 $\mathrm{SE}(3)$ 的几何，给出刚体变换内蕴描述的完整工具箱。

参考文献

写作占位 — 本章参考文献列表（随正文写作逐步完善）