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（v1.1.0）

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 / v1.1.0（BV04 追補修訂；v1.0 原稿另行保留）
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： v1.1.0

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

本文依據原先提供的兩份封存檔：《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，以及其後補交的 BV04_Research(1).zip。本版屬於已完成第一篇的追補修訂，不另創新篇號。

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。原先 RGC 主包的生物視覺分支包含 BV01、BV02、BV03、BV05、BV06，欠缺的 BV04 後由獨立研究包補交，故現已具備 BV01–BV06 的連續前置研究。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；BV04 在理想 Stokes 模型中研究旋轉線偏振分析器、資訊零空間、Fisher 條件數、不同觀測目的與時間別名；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。BV04 具有自身的數學及合成驗證，並非螳螂蝦神經或眼球的直接實測。

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]。新補交的 RGC-BV04 不直接重建其視覺神經機制，而以已標定、理想線偏振分析器的 Stokes 模型，分開研究「旋轉後可辨識哪些量」、「哪些量永遠位於零空間」與「掃描時間是否破壞定常假設」。

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

BV04 給出更具體的光學反例：依序改變感測角度時，定常偏振場景可能與逐時變化的非偏振光強產生完全相同的讀值。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、BV04	受器偏振方向及眼球扭轉可變；理想 Stokes 模型還明確區分線／圓偏振	共同旋轉規範、純線感測對 $S_3$ 的盲區、掃描期間場景漂移	受器軸、眼球姿態、相位元件、時間、任務目標與偏振通道可觀測性
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。

7.3 BV04 補充結果：感測基底變換不能製造不存在的物理通道

本節為追補資料 RGC-BV04（v1.0.0）的條件化工程轉譯。它不是螳螂蝦神經系統的反演演算法，而是已知理想光學前向式與參數域上的可檢查案例。給定物理可行的 Stokes 狀態 $S=(S_0,S_1,S_2,S_3)$ ，理想線偏振分析器的讀數為

I_\theta(S)=\frac12\left(S_0+S_1\cos(2\theta)+S_2\sin(2\theta)\right).

案例 A｜任務內可補正、任務外不可補正。 若 $S_0$ 已知、場景定常、感測方向已標定，於 $0$ 與 $\delta$ 取得的兩筆讀數可唯一決定 $(S_1,S_2)$ ，若且唯若 $\sin(2\delta)\ne0$ 。但對任何數量的純線偏振角度，量測均不包含 $S_3$ 。例如兩個物理可行狀態

S^+=(1,0.35,0.15,0.30),\qquad S^-=(1,0.35,0.15,-0.30)

對所有理想線偏振角度具有完全相同的讀數，但圓偏振手性不同。故「估計線偏振」任務可因旋轉而變得可補正；「估計圓偏振」任務卻無法由同一純線測量族精確補正。依定理 3.1，後一任務的目標量在觀測等價類上不是常數；依定理 4.1，將所有線偏振觀察列堆疊也不能消除 $S_3$ 方向的核。只有增加相位敏感、經校準的適當新通道（例如四分之一波片組合），才有機會改變這個結論。

案例 B｜補正存在，但測量設計的任務最佳解不同。 在已知 $S_0$ 、獨立等方差誤差、兩方向量測的條件下，相對角度 $45^\circ$ 可使兩個線偏振分量的 Fisher 資訊均衡、反演條件數為 1。但若任務只是最大化某個已知目標與背景的偏振對比，單分析器方向應對準差分偏振向量，其最佳角度一般不必是 $45^\circ$ 。因此接口不能只聲明「已校準的偏振感測」，還需聲明「本次優化的是偵測對比、狀態反演、任務成功率，或其他目的」。BV04 的有效關係參與比 $D_{\mathrm{PR}}=2/(1+\cos^2(2\delta))$ 為在指定參數度量與誤差條件下的資訊指標，不能寫成動物實測的 1.8 維空間。

案例 C｜順序讀取的時間別名。 BV04 構造一個定常偏振光場，在 $0^\circ,45^\circ,90^\circ$ 依序測得 $(0.725,0.600,0.275)$ ；若光場在三次讀取間分別變成光強 $1.45,1.20,0.55$ 的無偏振場景，仍得到完全相同的讀值。即使靜態矩陣的秩足夠，資料也不能僅因「列數足夠」便被認定可以反演。補正契約必須檢查量測是否指向同一物理時刻、是否有同步參考、是否能使用已驗證的動態模型進行校正。

OCVC 對接判準。 從 BV04 可額外取得三項與第 8 節接口直接相關的要求：其一，聲明可觀測子空間或已知零空間，而不只是資料型別；其二，聲明測量方案對哪個任務目標最佳化；其三，聲明依序擷取時的定常假設與時鐘依據。它們是定理 3.1、4.1 與 5.1 的具體實例，不增加無條件的普適性主張。

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、線掃描等物理通道、其前向模型與可用測量基底	不得默認普通透視成像，亦不得將線偏振與圓偏振視為同一通道
`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、相位／姿態基準與缺失列表	保留剩餘歧義及估計不確定性
`observability`	指定任務的可觀測量、已知核方向、恢復所依賴的先驗與局部穩定度	不得把缺失的物理量當作模型已恢復的真值
`measurement_goal`	偵測對比、參數反演、估計精度、控制安全等優化目的與計算成本	不得用某個目的的最佳測量配置冒稱所有目的最佳
`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 BV04 對應的偏振接口示例

下列假設性封套顯示：同一筆資料可支援線偏振反演，卻必須拒絕單靠該資料宣稱圓偏振手性。nullspace 是針對明定的理想前向模型，而非對所有真實感測器自動適用。

{
  "contract": "OCVC-research-0.2-proposal",
  "source": {"kind": "ideal_linear_polarimeter", "data_origin": "synthetic"},
  "observation_model": {"channels": ["linear_polarization"], "basis_degrees": [0, 45]},
  "calibration": {"S0": "known", "analyzer_axes": "known", "phase_sensitive_channel": false},
  "temporal": {"stationarity": "assumed", "verification": "required_before_use"},
  "observability": {"identifiable_under_assumptions": ["S1", "S2"], "nullspace": ["S3"]},
  "measurement_goal": {"objective": "recover_linear_Stokes_components"},
  "decision": {
    "status_for_linear_components": "CONDITIONAL",
    "status_for_circular_handedness": "NONIDENTIFIABLE",
    "missing": ["phase_sensitive_measurement"],
    "prohibited_claim": "S3 recovered from linear channels alone"
  }
}

8.3 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
BV04：線偏振盲區	不同 $S_3$ 產生相同任意角度純線讀值	PASS
BV04：任務依賴與秩	已知 $S_0$ 、兩方向判準，及 $S_3$ 無法由同一測量族恢復	PASS
BV04：時間別名	定常偏振與三時刻無偏振場景有相同順序讀值	PASS

results/verification.json 存放原有 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 提供原有 9 個單元測試。另以 src/verify_bv04_bridge.py 補做 5 項 BV04 交叉橋接檢查，tests/test_bv04_bridge.py 補做 5 項單元測試；它們是相同理想模型上的重現與一致性測試，不得與原 BV04 的 17 項測試及 31 項符號檢查相加後冒稱彼此獨立的生物實驗。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；依 BV04 區分線偏振與圓偏振、任務優化目標，以及順序掃描的定常／動態假設。
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。BV04 的 Stokes 反例亦為已知物理定律下的理想分析器模型，而非口足類眼球神經計算的直接實測。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 7.3 節藉 BV04 具體區分可改變測量基底的資訊與必須增加新物理通道的資訊；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 原稿及後補 BV04 則以三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–BV06（BV04 後補）	不把異質受器當成普通 RGB 透視相機；具體呈現線偏振零空間及時間別名
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、src/verify_bv04_bridge.py、tests/test_verify_interface.py、tests/test_bv04_bridge.py、results/verification.json、results/bv04_bridge.json、results/unit_tests.txt、references/RGC_BV04_Original_Research.zip（補交的 BV04 原包原樣保留）、SHA256_MANIFEST.json、validation_report.json 及 README.md。重現方式：

python src/verify_interface.py
python src/verify_bv04_bridge.py
python -m unittest discover -s tests -v

證據等級聲明： 第 3–5、7.3 節定理與反例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。

附錄 C｜v1.1 修訂紀錄（原稿追補而非新研究篇次）

增補後交付的 RGC-BV04，將生物偏振旋轉與理想 Stokes 觀測零空間納入正式論證。
第 7.3 節新增線／圓偏振不可辨識反例、時間別名與任務優化目標差異；第 8 節 OCVC 增補可觀測子空間、測量基底、量測目標及定常證據欄位。
擴充可重現的 5 項限定模型檢查與 5 項單元測試，並將補交的原始 BV04 研究包收錄為來源證據。
原先定理 3.1、4.1、4.2 與第 5.1 節判準的假設與結論不變；未實測任何動物或機器人。