策略评估与实验记录

策略评估用于回答训练得到的策略在规定条件下能达到什么表现。训练奖励是优化信号，评估还需要固定条件、物理指标和失败记录。本篇以平地速度跟踪为主，说明可重复的评估流程；复杂地形和迁移验证留到后续章节。

1. 训练监测与独立评估

训练中的策略通常包含随机探索，任务分布还可能随课程变化。训练曲线升高不能单独证明相同条件下的运动性能提高。

评估时通常冻结归一化统计，保留与目标使用条件一致的输入处理。关闭噪声和扰动可以形成名义条件测试，但不能把该结果直接当作带噪声条件下的表现。

评估前确定场景、初始状态、指令、时长、重复次数、结束条件和动作选择方式，并保存这些配置。下面是一组教学场景，速度数值应在已定义的任务范围内选择：

稳态窗口与切换过渡窗口应分开统计，并在比较前固定划分方式。若使用预热时段，也要规定时长及其失败如何记录，不能为了改善结果临时删除不理想片段。

在相同坐标系中，令第 $k$ 个有效样本的线速度误差为 $e_k=v_{xy,k}-v_{xy,k}^{cmd}$ 。平面速度均方根误差可定义为：

\mathrm{RMSE}_{xy}=\sqrt{\frac{1}{K}\sum_{k=1}^{K}\|e_k\|^2}

这是平面向量误差，单位为 m/s；还可以分别报告 x、y 分量。偏航角速度应单独以 rad/s 统计，不能不经尺度说明就与线速度相加成一个数。

例如单轴误差为 0.1 和 -0.1 m/s，平均有符号误差为零，但 RMSE 为 0.1 m/s。因此平均偏差与误差幅度应区分。

指令切换还可以记录响应与稳定时间。例如规定“误差进入某容差并连续保持一段时间”的首次时刻作为稳定时间；容差、保持时长和未达到条件的处理必须事先定义。未达标的片段应记为未达到，而非从平均值中悄然去除。

力矩平方不是能耗。若记录机械功率，可基于 $P=\sum_j\tau_j\dot q_j$ ，但净功、正功和绝对功积分各有不同含义，也不能直接等同于电池消耗。

提前失败会缩短误差统计的时间窗。一个很快摔倒的策略可能恰好在存活片段内误差较低，因此应同时报告完成率和失败信息。重置后的数据不应被拼接成一个看似完整的成功回合。

评估随机性可能来自初始状态、场景和动作采样；训练随机性还来自初始化、数据及优化。报告时应区分“同一策略的多回合评估”与“多个独立训练策略”。

对比方法时，可以为各策略使用相同的初始条件和指令集合，减少条件差异。先按场景和回合计算指标，再按明确的规则汇总；不要把相邻时间步视为大量独立实验样本。

可以报告均值与标准差、中位数与分位数；样本足够且方法明确时再计算置信区间。统计表应说明独立训练种子数、每个策略的评估回合数和汇总层级。仅有一个训练种子时，结论应限定为该次训练的观察结果。

训练过程中可以使用固定的验证场景选择检查点，例如先满足完成率门槛，再比较跟踪误差与执行指标。选择规则应预先记录，避免只根据某一段观感较好的视频选模型。

最终报告尽量使用未参与调参和检查点选择的测试条件。若不断根据同一批测试结果修改参数，这批条件实际上已参与开发，不能再将其描述为完全独立测试。

训练奖励配方改变后，总奖励数值通常不能直接横向比较。仍可在共同评估协议下比较物理指标，但需确认任务条件与指标计算一致。

每份评估记录至少应包含以下项目：

结论应对应证据。例如“在指定平地和指令集合下完成了规定测试”只支持这些条件下的表现，不能进一步推断已具备复杂地形或实机能力。视频用于解释现象，不能代替完整的失败统计。