roverslip op• 数据种类:signal × signal → table
• 调用: 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'(要直接调用实现,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';从台账取用则 opsdrive.get("slip_quantile_fit"))
坡角 → 滑移率的分位数回归(分段线性基，用 IRLS 求解 pinball 损失，对 2 阶差分加弱惩罚)。
quantiles 的默认值为 0.05, 0.10, …, 0.95 共 19 段。节点在角度的分位点上放置 n_knots 个(不在数据稀疏的两端放置过多节点)。拟合后,对每个角度将分位数曲线重新排序以消除交叉(rearrangement)。即使噪声随角度变化,该角度处的带宽也会随之变化 —— 这是与高斯过程的均匀噪声的区别。calibrate > 0 时,取出该比例的数据用于校准(由 seed 决定的随机划分),用其余数据拟合, 并用共形预测校正双侧 level 带的宽度(Romano, Patterson & Candès 2019 的 CQR:对每个校准点取 E = max(下端 − y, y − 上端),并按其 ⌈(n + 1) level⌉ / n 分位数将带向两侧加宽 / 收窄)。对于可交换的数据,带的覆盖率在有限样本下不低于 level(是整体覆盖率的保证,而非逐角度的覆盖率)。IRLS 的分位数回归在样本内倾向于把带估计得过窄(试作测量中名义 90 % 得到 82~91 %),因此默认启用。返回 {"kind": "quantile", "quantiles", "knots", "coef": (段, 節点), "conformal": {level: 幅の補正}}。
• 示例数据目录(下载 URL / 许可证) —— 2-D 用 skimage.data(BSD/公有领域)加合成图,3-D 给出真实数据源(Stanford/PDS 等)的下载 URL。
• 算子来历与参考文献 —— 该算子族所依据的研究/方法出处。
• 算法的正典(作者、年份)与用途见上面的族使用指南。
• poc_rover_slip_risk_path — py -3.11 examples/poc_rover_slip_risk_path.py
table 作为输入)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 算子登记表。本条目由 tools/opdocs.py md 自动生成(请勿手工编辑)。*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.