RGC–DPIED-01｜跨觀察者視覺補正的可實現性：生物載體幾何、任務充分性與具身智能的條件式接口（v1.0.0）

English title: Cross-Observer Visual Correction and Task Sufficiency: Biological Carrier Geometry, Identifiability, and Conditional Interfaces for Embodied Intelligence
研究系列： RGC × DPIED 交叉橋接研究，第 01 篇；獨立於 RGC-P01–P12、RGC-BV01–BV06、DPIED-01–09 的既有編號。
日期／版本： 2026-11-05 / v1.0.0
研究原始問題與跨系列連接構想： Neo.K
文獻核對、形式化、反例、測試及原稿協作： GPT-6
成果性質： 有限定理、可重現的有限／合成驗證、候選系統接口與待實驗假說；非生物神經機制的直接測量，非實體機器人部署驗證。
Canonical source： 本 UTF-8、LF、無 BOM Markdown。正式數學原始碼只使用 $...$ 和 $$...$$，聊天視圖不是正式原稿。
關鍵詞： 跨觀察者、視覺補正、載體幾何、感測校準、觀測等價類、任務充分性、可辨識性、主動感知、負轉移、具身智能。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-11-05
版本： v1.0.0

摘要

不同觀察者將同一實體世界映射成不同視覺資料時，即使最後被編碼為相同像素格式或相同張量形狀，也不必具有可互換的幾何、光學、時間與物理作用語義。人類視覺的觀察者中心 2.5D 表示、跳蛛分層視網膜的離焦深度線索、扇貝反射式雙視網膜、口足類的偏振感測與眼球旋轉，以及主動線掃描系統，提供了檢驗「感測載體決定可觀測關係」的多種對照。關鍵問題不只是如何整合多模態資料，而是：何種補正可以被證明有效；何種補正在原理上不存在；何種補正雖存在卻不穩定；何時應先額外觀察而非強行轉換？

本文結合 RGC 的投影、Gram 配準與生物視覺可辨識性研究，以及 DPIED 的影片—物理作用落差，建立「觀察者條件化、任務相依的視覺補正」形式框架。核心結果包括：任務量在來源觀測等價類上保持常數，是確定性補正算子存在的充分必要條件；有限維線性情形可用核空間包含與矩陣秩判定補正存在性，並以算子範數描述噪音放大；額外感測是否有益取決於它是否消除任務相關的未辨識方向；缺少觀察來源條件時，異質資料混合可能構成確切的標籤衝突。基於此，本文提出候選「觀察者條件化視覺契約」及可反駁的實驗方案。

本文不聲稱發現跨所有生物與機器的普遍視覺不變量，不把生物感測的有效關係維度解釋為非整數物理空間維度，也不宣稱現有大模型或實機的性能已改善。真正需要實驗驗證的是：有條件的資訊補正與任務充分性判定，能否比僅使用影像張量的接口更穩定、更經濟地支持跨載體學習與行動。

0. 研究定位：承接既有成果，不重寫舊命題

本文依據本輪提供的兩份封存檔：《關係幾何與載體展開：三線成方問題》.zip 及 《數位—實體智能演化解耦論》.zip。

RGC-P01–P12 已完成載體折疊與投影、局部關係場、無標記配準、多觀察者 Gram 圖冊及鏡射障礙等研究。生物視覺分支檔案實際包含 BV01、BV02、BV03、BV05、BV06；未包含 BV04。其中 BV02 證明限定雙接收平面模型中的反演與未知增益反例；BV03 研究反射式雙層的折返歧義；BV05 研究逐行掃描秩與未知掃描位置；BV06 研究掃描資訊設計與場景運動補償。

DPIED-01–09 已分析數位與實體能力解耦。尤其 DPIED-04 已指出被動影片可能無法區分需要不同安全動作的物理狀態，並建立觀測等價類的共同安全動作交集；DPIED-05 建立時序、技能與安全契約，DPIED-06 研究 Sim-to-Real 及跨本體可供性。本篇不把這些命題改名後冒充創新，而是研究其共同缺口：如何定義一個跨觀察者的補正算子，如何判斷它可否存在、可否穩定使用，以及如何把拒絕條件顯式傳給學習與具身控制系統。

1. 生物視覺與現有工程證據

1.1 人類的 2.5D 是觀察者中心表示，不是所有視覺的終極形式

Marr 的 2½-D sketch 指觀察者中心的可見表面深度、方向與不連續性中間表示，與以物體為中心的完整三維模型不同 [R1]。這說明「感官輸入是二維排列」與「觀察者能建立的幾何關係」不可混為一談，卻不足以證明人類神經系統只具有唯一的 2.5D 表示。本文將 2.5D 作為視覺計算術語，而非物理空間維數或主觀體驗斷言。

1.2 生物眼睛不是只有解析度不同的攝影機

Nagata 等的跳蛛研究支持分層視網膜、波長與離焦結合形成深度線索 [R2]。Palmer 等描述扇貝以凹面反射鏡形成影像 [R3]；Speiser 等的光線追跡研究說明雙視網膜的聚焦情形遠比「同時取得兩張清晰照片」複雜 [R4]。Daly 等記錄口足類藉眼球扭轉改變偏振受器方向以提高對比 [R5]；後續研究也支持其色彩處理具有比早期單一路線更複雜的機制 [R6]。

文獻可以支持「載體光學、受器方向及主動掃描改變可用關係資訊」，但不能支持「本文的線性校正矩陣就是動物真正的神經解碼演算法」。對昆蟲複眼與烏賊偏振視覺，本文採用 RGC-BV01 已辨析的生物參照，不從有限文獻直接斷言其主觀視覺形狀。

1.3 既有統一接口並非不存在

ROS 2 CameraInfo 已提供相機內參、畸變及投影資訊；tf2 追蹤時變座標系 [R7, R8]。Open X-Embodiment 展示跨機器人資料標準化與正向遷移 [R9]。DROID 展示多場景真實操作資料及相機校準工作 [R10]。這些是本研究應繼承的工程基礎，而非應否定的先例。真正的研究缺口是：統一資料欄位和座標轉換，仍不自動構成對任意異質感測器、任務資訊缺失、時間失配及物理可供性的普遍保證。

2. 基本模型：來源觀測、目標任務與等價類

令 $X$ 為物理狀態空間， $c$ 為觀察條件，包含感測載體、光學傳輸、受器方位、投影、尺度、時間、位姿、標定與雜訊。固定來源條件後，以確定性算子表示理想量測：

O_c:X\to Y_c,\qquad y=O_c(x).

真實含噪觀測更適合表示為機率核 $P_c(dy\mid x)$ 。以下先對確定性、已知條件下的存在性建立定理，再分別檢查噪音、校準與安全，不將一項數學存在性偷換成實機保證。

令 $T$ 為任務、 $b$ 為目標具身系統， $g_{T,b}:X\to Z$ 表示該任務真正需要的目標量，例如形狀標籤、某個幾何距離、接觸類別或有明確單位的控制參數。來源的任務補正函數為：

F_{c,T,b}:Y_c\to Z.

要求它在指定狀態域 $X_0\subseteq X$ 上滿足：

F_{c,T,b}(O_c(x))=g_{T,b}(x),\qquad x\in X_0.

若欲轉換成另一觀察者的完整量測，可取 $g_{T,b}=O_{c'}$ ；若任務只要辨認一種形狀，則可取較粗的 $g$ 。兩者的存在性可能不同。

定義觀測等價：

x\sim_c x'\quad\Longleftrightarrow\quad O_c(x)=O_c(x').

等價類為 $[x]_c=\{x'\in X_0:O_c(x')=O_c(x)\}$ 。屬於同一類的狀態對該觀察者不可區分，但其真正的物性、距離、姿態或行動風險未必相同。

3. 定理一：精確補正存在的充分必要條件

定理 3.1｜來源觀測等價類上的任務常數性

給定非空集合 $X_0$ 、確定性觀測 $O_c:X_0\to Y_c$ 及目標 $g:X_0\to Z$ （ $Z$ 非空），存在 $F:Y_c\to Z$ 使得對所有 $x\in X_0$ 均有 $F(O_c(x))=g(x)$ ，若且唯若：

O_c(x)=O_c(x')\quad\Longrightarrow\quad g(x)=g(x'), \qquad x,x'\in X_0.

證明。 必要性：若 $F$ 存在，相同的觀測值經同一個 $F$ 必得到相同的 $g$ 。充分性：對每個落在來源像集 $O_c(X_0)$ 的觀測值 $y$ ，任選一個滿足 $O_c(x)=y$ 的狀態，定義 $F(y)=g(x)$ ；因 $g$ 在該觀測等價類上保持常數，此定義與代表元的選擇無關。對像集以外的 $y$ 可指定 $Z$ 中任一預設值。證畢。

推論 A。 要精確生成另一觀察者的量測 $O_{c'}(x)$ ，目標量測必須在來源 $O_c$ 的每個等價類上相同。若兩個物理載體呈現相同的三線成方投影，但從其他角度觀察的形狀不同，則不存在只依賴單張原投影、對兩者都正確的完整目標視角重建算子。生成高逼真畫面可作為機率預測，但不等於唯一反演。

推論 B。 即使無法恢復完整三維狀態，只要所有相容狀態具有相同的任務標籤，就能完成該任務所需的補正。因此真正必要的不是「全世界可逆」，而是「目前任務充分」。這是任務相依接口的數學基礎。

限制。 此定理是函數分解的基本性質，數學本身並非首創；本文的研究增量在於將其明確用來判定跨觀察載體資料的任務接口。它僅對已宣告的 $X_0$ 與 $O_c$ 有效，不提供開放世界、含噪感測、錯誤校準或實體操作的無條件保證。

4. 定理二：有限維線性補正的秩判準與穩定度

4.1 可操作的線性條件

假設在指定的局部狀態域中有 $x\in\mathbb R^n$ ，來源量測與任務需求分別是：

y=Ax,\qquad z=Lx,

其中 $A\in\mathbb R^{m\times n}$ 、 $L\in\mathbb R^{r\times n}$ ，且其幾何單位和座標已明確標定。這可以是獨立的線性模型，亦可作為非線性感測在某狀態附近的局部線性化；不能將局部結論直接推成全域反演。

定理 4.1｜任務線性可補正的等價條件

存在 $B\in\mathbb R^{r\times m}$ 使 $L=BA$ ，若且唯若：

\ker A\subseteq\ker L.

亦等價於：

\operatorname{rank}\begin{pmatrix}A\\L\end{pmatrix} =\operatorname{rank}(A).

證明。 若 $L=BA$ ，則 $Ax=0$ 必推出 $Lx=0$ ，故核空間包含成立。反過來，該包含意味 $L$ 的每列向量均在 $A$ 的 row space 內，因而存在 $B$ 令 $L=BA$ 。把 $L$ 疊在 $A$ 下方不增加秩，恰與列空間包含等價。證畢。

最小實例。 設：

A=\begin{pmatrix}1&0&0\\0&1&0\end{pmatrix}, \quad L_1=\begin{pmatrix}1&1&0\end{pmatrix}, \quad L_2=\begin{pmatrix}0&0&1\end{pmatrix}.

$A$ 無法恢復第三個狀態自由度，但任務 $L_1x$ 可以由 $B_1=(1,1)$ 精確取得。任務 $L_2x$ 則不可能由 $A$ 補正。如果新增感測通道 $C=(0,0,1)$ ，則聯合量測可以恢復 $L_2x$ 。這是「任務需要哪些關係資訊」而非「感測器有幾個通道」的精確區分。

定理 4.2｜精確存在不代表噪音下可靠

在定理 4.1 的條件下，使用 Moore–Penrose 廣義逆 $A^\dagger$ 令 $B=LA^\dagger$ ，可得 $L=BA$ 。若實際量測為 $\widetilde y=Ax+e$ ，則：

\|B\widetilde y-Lx\|_2 \leq\|B\|_2\|e\|_2.

證明。 $A^\dagger A$ 是投影至 $A$ 的 row space 的正交投影。因 $L$ 的所有列均位於其中， $LA^\dagger A=L$ 。所以 $B\widetilde y-Lx=Be$ ；套用矩陣算子範數不等式即可。證畢。

精確病態反例。 設：

A_\delta=\begin{pmatrix}1&0\\1&\delta\end{pmatrix}, \qquad L=\begin{pmatrix}0&1\end{pmatrix}, \qquad\delta\ne0.

目標可精確由下式恢復：

z=\frac{y_2-y_1}{\delta}.

若 $\delta=1/100$ 、第二通道量測誤差為 $1/1000$ 且第一通道無誤差，則目標補正誤差是 $1/10$ ；該補正算子的二範數為 $100\sqrt2\approx141.421356$ 。無噪音下可逆，不代表微小噪音下實用。此數值是合成例，不是動物眼球或工業相機的實測。

4.2 雅可比與全域歧義

若來源觀測是非線性 $O_c(\theta)$ ，局部雅可比 $J_c(\theta)$ 與任務導數 $J_g(\theta)$ 可以用來檢查任務未辨識方向：若某方向對來源觀測的一階變動為零，卻會改變目標量的一階值，就不能由一個局部平滑補正精確解決。局部秩條件不是全域唯一性的充分條件。RGC-BV03 的幾何折返歧義、RGC-P12 的全域鏡射規範，便提醒我們需同時檢查全域等價類與局部條件數。

5. 定理三：額外感測的價值是解除任務相關的核方向

5.1 新量測不只是多一張照片

對同一個靜態、已標定的線性狀態，令既有量測為 $A$ ，新增觀測為 $C$ 。聯合前向模型是：

\widetilde A=\begin{pmatrix}A\\C\end{pmatrix}, \qquad\ker\widetilde A=\ker A\cap\ker C.

因此新增資訊能讓任務 $Lx$ 精確可辨識，若且唯若：

\ker A\cap\ker C\subseteq\ker L.

證明。 堆疊矩陣的核為兩個核空間的交集，再對 $\widetilde A$ 套用定理 4.1。證畢。

若 $C$ 重複已知量測方向，獨立噪音的重複測量可能提高估計精度，但不會補出尚未被觀測的自由度。若 $C$ 正好對任務所缺的方向敏感，則可能將無法辨識轉為可辨識。RGC-BV02 的接收層、BV05 的掃描列覆蓋與 BV06 的資訊導向位置設計，可以分別從此觀點重新解讀。

5.2 已知姿態的假設不可偷偷省略

BV05 已指出未知掃描位置會產生重參數化歧義；BV06 指出未知場景運動可能與掃描路徑混淆。若新增測量 $C$ 本身帶有未知姿態、速度、獨立增益或時鐘誤差，就不能將它當成已知矩陣直接堆疊。此時必須先擴張狀態向量，把未知校準一同納入，重新判斷全域可辨識性及穩定性。

5.3 作用本身可以是觀察，但受到風險與成本約束

對具身 AI，新增訊息可能來自改變視角、切換光照、旋轉偏振受器、觸覺探測、接觸力測量或小幅的物理試探。這不意味主動感測在所有情況都值得執行。研究必須比較其資訊收益與計算、時間、磨損和安全成本；不可把破壞物體的「測試」當成免費資訊，也不能把 BV06 的固定線性高斯次模性結論直接套用到不確定的非線性接觸動力學。

6. 同張量、不同來源：資料混合衝突的精確反例

6.1 有限分布構造

令來源域 $d\in\{0,1\}$ 、觀測特徵 $q\in\{-1,1\}$ ，兩者獨立且皆均勻分布。定義標籤：

\ell(q,d)= \begin{cases} 1,&d=0\;\text{且}\;q=1,\\ 1,&d=1\;\text{且}\;q=-1,\\ 0,&\text{其他情況}. \end{cases}

此例抽象模擬來源在座標方向、投影符號或預處理語義上相反、卻被錯誤視為同一欄位的情形。它不宣稱真實跨物種影像必然出現這種對立比例。

如果分類器只能看到 $q$ ，在每個 $q$ 下正負標籤各占一半，因此：

\sup_{f(q)}P(f(q)=\ell)=\frac12.

若合法地傳入 $d$ ，則 $f(q,d)=\ell(q,d)$ 可達正確率 $1$ 。這個反例說明：若不同來源的相同數值確實表示相反的任務關係，且來源無法從其他特徵推斷，就無法單靠增加相同格式的資料消除衝突。需正確的來源標記、標定轉換或更合適的條件式模型。

6.2 這不是「所有多模態混合都會傷害 AI」

Open X-Embodiment 已提供跨本體訓練可產生正向遷移的實證 [R9]。如果觀察條件可由上下文推斷、任務語義本來一致，或新來源提供互補線索，多來源資料可能更有幫助。本篇只否定「張量格式相同就必然語義相同」與「不附條件地增加資料必然改善任務」兩種無條件主張。

6.3 四種不同的錯位

跨來源資訊至少有四層需要分開處理：幾何錯位（視角、內外參、鏡射、尺度）；物理量錯位（RGB、離焦、光譜、偏振、深度）；時間錯位（曝光、掃描、運動及控制時鐘）；作用錯位（相同影像軌跡未必具有相同的力學與可供性）。補正其中一層，不代表其他層自動正確；尤其視覺可辨識不等於物理動作可執行。

7. 生物視覺轉化成任務補正的可檢驗需求

下表是生物光學事實到工程研究問題的映射；不表示任何生物真正使用下述軟體接口。

觀察載體／RGC 前置論文	可觀察的關鍵差異	任務相關的隱變量或歧義	條件式補正要求
跳蛛分層主要眼；BV02	波長、層距與離焦共同攜帶深度線索	深度、場景對比度、獨立通道增益混淆	已知光學層與頻譜響應；限定共同訊號假設；校準增益
扇貝鏡面雙視網膜；BV03	凹面鏡改變光路，雙接收面量測不同	絕對模糊與差分模糊的折返歧義	已知鏡面、接收層位置與量測性質；檢查全域重解
口足類偏振視覺；BV01、BV06	受器偏振方向及眼球扭轉可變	外界偏振方向與受器方向的聯合規範	受器軸、眼球姿態、時間與偏振標定
昆蟲複眼；BV01	曲面上分散的小眼取樣方向不同	局部視場的對應與遮蔽	小眼方位、接收角、局部校準與時間配準
烏賊偏振感知；BV01	偏振對比可成為目標線索	普通 RGB 不必具有偏振可辨識性	必須保有偏振量測或其他可核實的恢復資訊
理想線掃描；BV05–BV06	以時間位移組織局部一維讀取	漏掃、未知位姿、場景動態	已知掃描路徑、足夠資訊覆蓋及運動補償

7.1 偏振觀測的觀察者規範自由度

考慮一個理想化方向性受器響應：

y=\cos\bigl(2(\phi-\alpha)\bigr),

其中 $\phi$ 是外界線偏振方向、 $\alpha$ 是受器軸方向。對任意共同旋轉 $\delta$ ：

\cos\bigl(2((\phi+\delta)-(\alpha+\delta))\bigr) =\cos\bigl(2(\phi-\alpha)\bigr).

因此此讀值只約束兩者的相對方向，而非絕對世界座標中的 $\phi$ 。若額外取得對世界座標已校準的眼球姿態，則可能解除相應規範自由度。這是簡化幾何示範，不是口足類的完整神經處理模型；它與 RGC-P12 的共同正交規範與鏡射障礙在形式上互相呼應。

7.2 「觀察者維度不變量」不應預先當成已發現的東西

可能的研究對象包括：對特定觀測變換群不變且對任務足夠的不變量；隨觀察者變換但具有已知規則的等變量；以及無法由當前來源決定、但可能影響動作的殘留等價類。如果容許某個觀察器對所有狀態只輸出常數，那麼任意非恆定的目標量都無法從它精確還原。因此，在不約束感測能力及任務的前提下，不能先假設存在足以恢復所有世界資訊的通用不變量；而某個限定任務族是否具有共同關係表示，仍可嚴格研究與實測。

8. 候選「觀察者條件化視覺契約」：不是萬能 RGB 格式

本文將候選資訊封套暫稱 OCVC（Observer-Conditioned Visual Contract）。它只是研究提案，不是已發布的產業標準，也不取代 ROS 2 相機與座標訊息。主要目標是讓模型或轉換器不只收到內容，還收到「內容的物理及證據條件」。

契約欄位	應聲明的最小資訊	資訊缺失的後果
`source`	來源類別、裝置／模擬器、資料版本	不得冒稱所有來源具同一觀測模型
`observation_model`	RGB、深度、光譜、偏振、事件、線掃描或其他感測，以及其傳輸模型	不得默認普通透視成像
`geometry`	投影、內外參、受器方向、單位、座標系及畸變	不得宣稱精確的絕對尺度或機體座標
`temporal`	擷取時間、曝光／掃描區間、同步與延遲	動態場景需要補量測或降級使用
`calibration`	參數、版本、有效域、誤差、缺失列表	保留剩餘歧義及估計不確定性
`provenance`	實測、模擬、生成或推斷；資料及轉換來源	生成影片不得冒稱真實物理實驗
`task`	目標機體、任務、精度、時效、安全限制	任務未定時不得宣稱可直接控制
`decision`	可補正性、穩健性、風險、允許用途、剩餘缺口	不能只輸出一個無條件「成功」標籤

完全假設性的資料封套示例：

{
  "contract": "OCVC-research-0.1",
  "source": {"kind": "camera", "data_origin": "measured", "id": "camera-A"},
  "observation_model": {"channels": ["rgb"], "projection": "pinhole"},
  "geometry": {"frame_id": "camera_optical", "metric_scale": "unknown"},
  "temporal": {"timestamp_ns": null, "synchronization": "unknown"},
  "calibration": {"intrinsics": "known", "extrinsics": "unknown"},
  "task": {"id": "metric_grasp_planning", "embodiment": "robot-B"},
  "decision": {
    "status": "NONIDENTIFIABLE",
    "missing": ["metric_scale", "camera_to_robot_transform"],
    "allowed_use": ["image_classification"],
    "disallowed_use": ["metric_grasp_execution"]
  }
}

這只是「目前沒有提供尺度與機體配準證據」的範例，不是宣稱所有 RGB 影像在任何先驗下都不可能估計尺度。

8.1 五種狀態，不把不確定性偽裝成精確答案

狀態	意義
`EXACT`	在明定狀態域與已核實前向模型下，任務量可精確補正
`CONDITIONAL`	補正依賴明示的先驗、校準或來源域，超出條件即失效
`ESTIMATED`	只有帶誤差或後驗不確定性的統計估計，不可宣稱唯一還原
`NONIDENTIFIABLE`	來源資訊不足以唯一確定任務量；須補觀察、改任務或保留候選
`UNSAFE_OR_STALE`	時效、安全或權限不允許直接執行，即使幾何可解亦然

EXACT 是有條件的數學聲明，不等於現場安全證書。ESTIMATED 必須有估計方法、支援域與可評估的不確定度，不能以憑空生成的信心百分比取代測量。

8.2 最小推論流程

receive(observation, source_contract, target_task, embodiment):
    validate_source_provenance()
    validate_frames_units_clock_and_calibration()
    define_task_relevant_quantities()
    verify_forward_model_scope_and_support()
    if safety_or_freshness_contract_failed:
        return UNSAFE_OR_STALE
    if task_correction_is_identifiable_and_stable:
        return EXACT_or_CONDITIONAL_with_validity_scope
    if supported_probabilistic_estimator_exists:
        return ESTIMATED_with_uncertainty_and_usage_limits
    if an_additional_observation_is_safe_and_worth_its_cost:
        return request_active_observation
    return NONIDENTIFIABLE_with_safe_fallback_or_abstention

此為接口決策描述，不是完整實機控制程式。對何謂「安全」、「穩定」及「值得主動觀察」，仍需按任務制定可稽核的數值門檻。

9. 從補正到物理作用：兩道不同的門

即使已取得可靠的任務幾何量，也須獨立滿足 DPIED-05、DPIED-06 所要求的機體可供性、時效性與安全性。若對某觀測 $y$ 仍存在多個相容物理候選狀態 $\Theta(y)$ ，單步直接執行、且對全部候選都安全成功的動作必須落在：

\mathcal A_\cap(y)=\bigcap_{x\in\Theta(y)}\mathcal A_T(x,b,e).

這個強健動作交集的核心結果已在 DPIED-04 建立，本文只將它放進補正契約後端，不再次宣稱新證明。若交集為空，只能推出在現有資料及固定任務條件下沒有共同的安全成功動作；不能推出所有未來策略都不可能成功。可考慮安全的新視角、觸覺或力覺探測、柔順控制、換工具、調整環境，或拒絕當前動作。

因此，候選閉環應為：

來源量測 + 視角／光學／時間／標定條件
    -> 任務量可辨識性、穩定度及證據有效域
    -> 補正／保留歧義／要求補量測
    -> 當前機體的可供性、控制時效及安全驗證
    -> 執行／降級／拒絕
    -> 回饋、重新標定及版本化驗收

重新標定不等於允許控制策略在未經審查下直接線上更新；部署中的策略版本隔離與故障修復仍需遵守 DPIED-05、DPIED-07 的獨立約束。

10. 可重現的有限驗證與研究假說

10.1 已執行的數學及程式檢查

為避免形式化停留在敘述，本文提供 src/verify_interface.py 與 tests/test_verify_interface.py。以 Python 標準函式庫及有理數消去法進行有限維矩陣秩、觀測等價類、來源標籤衝突及病態補正的驗證。這些是對明定反例和有限構造的檢查，並不是一般定理的自動形式證明、實際影像模型或實體機器人的行為測試。

檢查	目的	本次執行
有理數矩陣秩	避免浮點秩誤判	PASS
可見任務的線性補正	全狀態不可逆而任務仍可解	PASS
隱藏變量不可補正	資訊缺失不能憑空恢復	PASS
新增獨立感測	任務相關核空間收縮	PASS
同觀測、異目標	精確補正不存在	PASS
主動探測區分來源	新觀測可解除指定歧義	PASS
終態行動交集為空	無一個共同安全成功的終態動作	PASS
遺漏來源域的標籤衝突	最佳有限分類正確率為 $1/2$	PASS
加入來源域條件	最佳有限分類正確率為 $1$	PASS
精確但病態的補正	雜訊 $1/1000$ 可造成誤差 $1/10$	PASS
偏振共同旋轉	相對角的規範不變性	PASS

results/verification.json 存放 10 個主要檢查（其中部分表列是檢查的不同描述層級），tests/test_verify_interface.py 提供 9 個單元測試；後者部分重複檢驗前者，不可把它們加總成 19 個獨立實驗。所有結果僅為程式執行當下的合成／精確樣本結果；完整版型態及 SHA256 雜湊以封裝內容為準。

10.2 實驗設計：先用生物啟發的合成光學模型

將來源觀測族至少分成四組：

投影族： 透視、正交、鏡射、未知尺度、畸變；刻意放入相同畫面但不同物理載體的案例。
分層／反射族： 已校準、錯校準或含獨立增益的雙接收面、離焦及鏡面光路；分別測唯一性與穩定性。
偏振／多方向族： 已知或未知受器方向、RGB 未記錄的偏振差異、曲面多方向取樣。
主動掃描族： 已知／未知掃描姿態、靜態／動態場景、不同時間同步及掃描預算。

每組都應包含「不需完整三維卻可完成任務」與「現有觀察根本不足」兩類，避免只挑選容易補正的樣本。前兩組可與 RGC-P 系列和 BV02–BV06 程式對照，但本篇尚未執行完整影像／機器人訓練實驗，因此不能把設計寫成已測得的性能。

10.3 固定模型、資料及任務的對照組

方案	使用條件
B0：純張量混合	不額外提供來源條件
B1：附來源標記	加入感測／資料域 ID，但不執行顯式幾何補正
B2：標定轉換	使用可校準的座標、投影、時間與量測轉換
B3：任務條件補正	在 B2 上加入任務充分性判定、未知項、穩健性及拒絕條件
B4：有界主動補觀察	在 B3 上新增事先允許的低風險補充感測

B4 的額外資訊不能免費取得：須計算時間、能耗、感測成本、風險與控制時效。B0 必須允許合理容量與上下文學習，不能刻意削弱為注定失敗的弱模型。另需採相同資料量與相同總成本兩種公平比較，以分離補正品質與資料取得成本。

10.4 指標與可反駁假說

主要指標應至少含：任務量估計誤差、機器人安全成功率、高信心錯誤比例、拒絕／補觀察率及完整試次分母。次要指標含：不確定性校準、傳輸與推論延遲、標定成本、跨域遷移增益及物理資源損耗。需按來源、生物啟發類型、觀測缺失程度、機體與任務分層報告，不應只給單一平均準確率。

H1｜來源條件假說。 在真有觀察語義衝突、且來源不能由張量推斷的受控分布中，B1 可比 B0 降低錯誤；對語義本就一致的資料，差異可能為零。

H2｜任務充分性假說。 在不需重建所有空間自由度的任務中，B3 可能以較低計算／資料成本達到與完整三維反演接近的任務品質；若完整模型能服務大量共享任務，這項優勢可能消失。

H3｜校準穩健性假說。 對接近奇異的觀測模型，僅檢查可逆性會產生高信心誤差；加入條件數、殘差與有效域檢查可以減少高信心錯誤，但可能提高拒絕率。

H4｜主動補觀察假說。 在安全且補充感測確實提供相關資訊的有限環境中，B4 可降低部分因不可辨識引起的失敗；如果探索成本過高、環境動態失配或可觀測方向無關，B4 反而可能更差。

H5｜跨本體接口假說。 將物理可供性、感測時效與機體條件一併檢查的 B3／B4，可能比只做視覺校準更能預測實體安全完成率；其效益必須在匹配控制器和任務條件下測定。

H0｜競爭解釋。 夠強的多模態模型可能直接從影片、外觀、時間與資料特徵推得需要的來源條件，使顯式 OCVC 只有稽核價值而沒有顯著準確率收益。若公平實驗持續支持 H0，應將框架定位為資料品質與安全契約，而非宣稱其能力必勝。

11. 失效條件與研究邊界

11.1 生物證據不等於工程演算法實測

跳蛛、扇貝、口足類、昆蟲及烏賊提供的是異質光學載體的自然界參照；本文的 $A$ 、 $L$ 、 $B$ 及 OCVC 是獨立的人為工程模型。不能將合成秩變化、Fisher 譜或關係參與度直接當成物種的神經演算法、主觀體驗或非整數物理座標軸。

11.2 已有跨觀察者方法，不能假裝過去從未有人研究

投影幾何、多視角標定、SLAM、深度恢復、域適配、模態對齊和跨本體訓練，都已經在各自條件下取得成果。本文不否定它們，而是主張每一項跨來源轉換都應明確聲明其任務、可觀測性、校準有效域及剩餘未知。當成熟的專用方法已經足夠，額外通用層可能徒增成本；此情況必須納入實驗。

11.3 五道邏輯界線

全域可辨識不等於有噪音時穩健；穩健不等於校準與時間同步正確；任務量可恢復不等於物理作用可行；單次作用可行不等於長程執行可靠；模擬正確不等於部署條件未改變。因此，本篇只作為 RGC 與 DPIED 之間的感測—作用接口研究，不取代完整的機器人控制驗證。

11.4 尚未證實現役 AI 因視覺混合而普遍受損

第 6 節只證明存在一類明確的資料語義衝突，不代表任意現有視覺模型都會因此失效。真實模型可能在視覺紋理、語言敘述或上下文中自行辨識來源，也可能受不當混合拖累。需要經對照實驗測量此現象的發生條件及大小，不可把數學可能性冒稱為已觀察到的普遍負遷移。

12. 結論：從統一影像格式，改問何時能合法使用該資訊

本篇提出一個跨 RGC 與 DPIED 的正式研究起點：不同觀察者的視覺資料之間，真正需要統一的未必是影像像素，而是來源條件、任務需求、可恢復的關係、殘留的不可辨識性與物理作用的合法邊界。

定理 3.1 使補正存在性轉化成觀測等價類上的函數問題；定理 4.1–4.2 提供線性秩判準及誤差上界；第 5 節說明額外感測何時補得上任務缺口；第 6 節給出同張量卻存在來源衝突的有限構造；第 7–9 節則把生物視覺的載體差異轉為可檢查的資料契約與具身行動約束。

不必先找到所有視覺存在共享的維度不變量，也不必要求重建全部世界。只要能辨識「此載體在此條件下，能為此任務提供哪些可驗證的關係」，就可以建立局部有效、逐步擴張的跨觀察者接口。當資訊不足，不能用更漂亮的生成畫面代替不存在的測量；應保留歧義、增加合法觀察，或承認當前動作無法被安全決定。

世界不必為每個觀察者呈現同一張影像；需要彼此相容的，是觀察所能支持的關係，以及作用所必須承擔的真實。

參考文獻與可核對來源

本篇公開文獻與工程規格如下；RGC 與 DPIED 原稿則以本輪兩份封存檔為前置內部研究，不冒充第三方出版成果。

[R1] Marr, D. (1977). Representing Visual Information. MIT AI Memo AIM-415. https://dspace.mit.edu/entities/publication/de6ecdbc-779e-4159-a523-e8177a321a8c 。
[R2] Nagata, T., et al. (2012). Depth perception from image defocus in a jumping spider. Science, 335(6067), 469–471. DOI: https://doi.org/10.1126/science.1211667 。https://pubmed.ncbi.nlm.nih.gov/22282813/ 。
[R3] Palmer, B. A., et al. (2017). The image-forming mirror in the eye of the scallop. Science, 358, 1172–1175. DOI: https://doi.org/10.1126/science.aam9506 。https://pubmed.ncbi.nlm.nih.gov/29191905/ 。
[R4] Speiser, D. I., et al. (2016). Examining the Effects of Chromatic Aberration, Object Distance, and Eye Shape on Image-Formation in the Mirror-Based Eyes of the Bay Scallop Argopecten irradians. Integrative and Comparative Biology, 56(5), 796–808. DOI: https://doi.org/10.1093/icb/icw099 。https://pmc.ncbi.nlm.nih.gov/articles/PMC5886045/ 。
[R5] Daly, I. M., et al. (2016). Dynamic polarization vision in mantis shrimps. Nature Communications, 7, 12140. DOI: https://doi.org/10.1038/ncomms12140 。
[R6] Behavioural evidence of spectral opponent processing in the visual system of stomatopod crustaceans (2025). Journal of Experimental Biology. DOI: https://doi.org/10.1242/jeb.247952 。https://pmc.ncbi.nlm.nih.gov/articles/PMC11744319/ 。
[R7] ROS 2 sensor_msgs/CameraInfo 介面定義（rolling 分支，可能更新）. https://github.com/ros2/common_interfaces/blob/rolling/sensor_msgs/msg/CameraInfo.msg 。
[R8] ROS 2 tf2 文件（rolling 分支，可能更新）. https://github.com/ros2/ros2_documentation/blob/rolling/source/ROS-Framework/interfaces/About-Tf2/About-Tf2.rst 。
[R9] Open X-Embodiment Collaboration (2024). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. ICRA 2024. https://arxiv.org/abs/2310.08864 。
[R10] DROID: A Large-Scale In-the-Wild Robot Manipulation Dataset (2024). https://arxiv.org/abs/2403.12945 。專案與相機校準資訊：https://droid-dataset.github.io/ 。

附錄 A｜與既有研究的直接對接

本篇內容	前置研究	承接的問題
第 3 節，補正的等價類常數性	RGC-P03、P12；DPIED-04	從投影及動作歧義轉到任務補正存在性
第 4 節，核空間與穩定度	RGC-BV02、BV03	將雙層反演、增益歧義與折返抽象成條件判準
第 5 節，新增觀測	RGC-BV05、BV06	將掃描與資訊設計接到任務核方向收縮
第 7 節，生物案例	RGC-BV01、BV02、BV03、BV05、BV06	不把異質受器當成普通 RGB 透視相機
第 8 節，來源契約	DPIED-04、05、06	將校準、缺失與時效要求傳入具身接口
第 9–10 節，實驗設計	DPIED-06、07、09	從視覺補正連到可靠性、可供性與再耦合

附錄 B｜重現性、驗證邊界與檔案

本篇發行 ZIP 包含正式 Markdown 原稿、src/verify_interface.py、tests/test_verify_interface.py、results/verification.json、results/unit_tests.txt、SHA256_MANIFEST.json、validation_report.json 及 README.md。重現方式：

python src/verify_interface.py
python -m unittest discover -s tests -v

證據等級聲明： 第 3–5 節定理為明定假設下的數學論證；Python 檢查為可重現的有限與合成示範；生物視覺前提由相關文獻支持；OCVC 的訓練收益與實機效能仍屬未驗證假說。這四類證據不能互相冒充。