roverslip op• 資料種類:signal × signal → table
• 呼叫: import fullseye as fs; fs.ledger.slip_quantile_fit(slopes, slips, quantiles=None, n_knots: 'int' = 6, smooth: 'float' = 0.001, iters: 'int' = 200, calibrate: 'float' = 0.25, level: 'float' = 0.9, seed: 'int' = 0) -> 'dict'(要直接呼叫實作,import roverslip; roverslip.slip_quantile_fit(slopes, slips, quantiles=None, n_knots: 'int' = 6, smooth: 'float' = 0.001, iters: 'int' = 200, calibrate: 'float' = 0.25, level: 'float' = 0.9, seed: 'int' = 0) -> 'dict';從台帳取用則 opsdrive.get("slip_quantile_fit"))
坡角 → 滑移率的分位數迴歸(分段線性基底，以 IRLS 求解 pinball 損失，對 2 階差分加弱懲罰)。
quantiles 的預設值為 0.05, 0.10, …, 0.95 共 19 段。節點在角度的分位點上放置 n_knots 個(不在資料稀疏的兩端放置過多節點)。擬合後,對每個角度將分位數曲線重新排序以消除交叉(rearrangement)。即使雜訊隨角度變化,該角度處的帶寬也會隨之變化 —— 這是與高斯過程的均勻雜訊的區別。calibrate > 0 時,取出該比例的資料用於校準(由 seed 決定的隨機劃分),用其餘資料擬合, 並用共形預測校正雙側 level 帶的寬度(Romano, Patterson & Candès 2019 的 CQR:對每個校準點取 E = max(下端 − y, y − 上端),並依其 ⌈(n + 1) level⌉ / n 分位數將帶向兩側加寬 / 收窄)。對於可交換的資料,帶的覆蓋率在有限樣本下不低於 level(是整體覆蓋率的保證,而非逐角度的覆蓋率)。IRLS 的分位數迴歸在樣本內傾向於把帶估計得過窄(試作量測中名目 90 % 得到 82~91 %),因此預設啟用。回傳 {"kind": "quantile", "quantiles", "knots", "coef": (段, 節点), "conformal": {level: 幅の補正}}。
• 範例資料目錄(下載 URL / 授權) —— 2-D 用 skimage.data(BSD/公有領域)加合成圖,3-D 給出真實資料源(Stanford/PDS 等)的下載 URL。
• 運算子來歷與參考文獻 —— 該運算子族所依據的研究/方法出處。
• 演算法的正典(作者、年份)與用途見上面的族使用指南。
• poc_rover_slip_risk_path — py -3.11 examples/poc_rover_slip_risk_path.py
table 作為輸入)course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same
roverslip)bekker_pressure · bekker_wheel_sinkage · wheel_forces · wheel_sinkage · wheel_traction_curve · slope_slip_curve · ground_shift_track · odometry_slip
*Provenance: roverslip.py — DRIVE 運算子登記表。本條目由 tools/opdocs.py md 自動產生(請勿手動編輯)。*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.