# STELLAR 论文图表生成

本目录包含用于生成期刊论文图表的 Python 脚本。

## 快速开始

```bash
# 1. 解析训练日志 → CSV
python -m Plots.parse_training_logs

# 2. 运行模型评估 → .npz 轨迹数据
python -m Plots.run_evaluation --n_episodes 50

# 3. 生成全部图表
python -m Plots.generate_all --plot_only

# 或一键完成全部流程
python -m Plots.generate_all --full
```

## 图表清单

| 编号 | 文件 | 内容 | 数据来源 |
|------|------|------|----------|
| 图 1 | `fig1_training_curves.py` | 训练收敛（成功率、回报、熵、介入率） | CSV / TB CSV |
| 图 2 | `fig2_trajectory_3d.py` | 3D 轨迹 + 安全约束可视化 | `.npz` |
| 图 3 | `fig3_state_convergence.py` | 位置/速度时间历程 | `.npz` |
| 图 4 | `fig4_control_decomposition.py` | 控制分解（u_nom, u_res, u_applied） | `.npz` |
| 图 5 | `fig5_safety_analysis.py` | HOCBF 约束值 (h_c, h_a, h_ℓ) | `.npz` |
| 图 6 | `fig6_ablation.py` | 消融实验对比柱状图 | 消融评估 |
| 图 7 | `fig7_monte_carlo.py` | 蒙特卡洛统计（误差散点/分布/奖励） | `.npz` |
| 图 8 | `fig8_error_convergence.py` | 误差收敛包络 | `.npz` |

## 基础设施

- `plot_config.py` — 全局样式（字体、颜色、尺寸）
- `parse_training_logs.py` — 训练日志解析（多阶段文本 + TensorBoard）
- `run_evaluation.py` — 模型评估与轨迹数据采集
- `generate_all.py` — 一键流水线

## 数据位置

- **训练日志**: `Logs/contv3_hybrid40h_v2_20260316_140251/train.log`
- **最佳检查点**: `Checkpoint/contv3_hybrid40h_v2_20260316_140251/phase2/best_model.pt`
- **TB 导出 CSV**: `Plots/tb_exports/tb_scalars_all.csv`
- **中间数据**: `Plots/data/` (解析后的 CSV 和评估 .npz)

## 输出格式

每张图同时输出 PDF（矢量）和 PNG（300 dpi），保存于 `Plots/` 根目录。