筋肉、ステージ3：パンチ

パンチ環境は、5つのパンチ（ジャブ、クロス、左右のフック、アッパーカット）を学習したときのものです。合図に応じて空中の目標と重いサンドバッグに打ち、その合間に押されます。拳が3.5 m/s以上で目標から5 cm以内を通れば、パンチは命中とみなします。どのランも、その体自身の構えから始めます。サーボの体が基準です。最初のランの前に、筋肉モードをパンチ環境と survive 環境に CPU と GPU の両方で組み込み、GPU 版を CPU 版と両方の体で1ステップずつ照合しました（muscle3check、ポッド6つ）。

ラン

ラン	体、開始点	変更点	結果
jab3s	サーボ、その構え	押しは最大	145 Mステップ：転倒 3%未満、命中 4% → 9%、ずれ 25 → 10 cm
jab3sc	サーボ	押しを段階的に強める（カリキュラム）	141 Mステップ：命中 5% → 8%。サーボの体にはカリキュラムの効果なし
jab3m	2aの筋肉、muscle2S-33.1M	押しは最大	転倒 52%、命中なし。31 Mで停止
jab3c	2aの筋肉	押しのカリキュラム	転倒約20%のあと崩壊。命中なし、ずれ 51〜68 cm（腕がガードに残ったまま）。69 Mで停止
jab3r	2aの筋肉	+ 伸張反射	腕は出る（ずれ 28〜31 cm）が、その下の構えは反射なしで学習したもの：転倒 25〜30%、命中なし。39 Mで停止
muscle2R	反射ありで2aの構えを一から		56.0 Mステップで解けた、姿勢 0.93（採用）
jab3R	2a、muscle2R	最初から最後まで反射あり	転倒約22%、命中なし、拳は 0.5〜2.9 m/s。42 Mで停止
muscle2A	脱力した腕：腕の筋肉の静止時の興奮を50%ではなく10%に	反射ありで構えを一から	47.1 Mステップで解けた、姿勢 0.92（採用）
jab3A	脱力した腕、muscle2A		3.6 Mステップで筋肉の体の初命中（アッパーカット、4.3 m/s）。その後133 Mまで遅く安全なパンチ：転倒約24%、命中 0.1〜0.6%
jab3N	脱力した腕、muscle2A	探索ノイズを3分の1に	最初から転倒約95%。22 Mで停止

わかったこと

• 筋肉のパンチは遅すぎて命中に数えられませんでした。 jab3R の拳は0.5〜2.9 m/sで、サーボの体の3〜11に及びません。各腕の筋肉ペアはどちらも半分の興奮で休んでいました。他は何も変えずにジャブの筋肉を強制的に働かせると、拮抗する筋肉を切った状態で拳は8.6 m/sに達し、拮抗筋を半分にした状態では3.0 m/sでした。拮抗筋が腕にブレーキをかけているのです。
• 脱力した腕で直ったのはブレーキであって、パンチではありませんでした。 腕の筋肉の静止時を10%にすると、パンチの間は拮抗する筋肉が切れ、4 Mステップ以内に筋肉の体の初命中が出ました。その後、方策（ポリシー）は倒れずにいられる遅いパンチを選び、そこにとどまりました。探索ノイズなしでは20回中0回の転倒、ありではエピソードの約4分の1で転倒しました。
• ここで止めました。次の一歩は、さらにステップを重ねることではなく、もっと大きな仕組み（腕のための教師、あるいは最初はもっと低い速さの基準）です。

すべてのラン

kakuto-mlのラン記録から作成しています。各ランのマシン、課金された時間とコストです（EC2のランはランのログからの推定値です）。この作業ログに含まれるテストとレンダリングも載せています。

• muscles stage 3 shakedown: GPU parity of the survive and punch envs in muscle mode (and the servo body unchanged), a 3-iteration skill-trainer smoke run, 28 October: マシン6台、0.6時間、$0.69

← 「モーターの代わりに筋肉で」のすべての作業ログ