真机那组 RMS 误差我互相除了一遍，对最强对手最大的提升是 1.7%。
一、硬件是真的，湿滑是贴出来的
GVR-Bot 履带车，带钟摆和 30% 水位的液罐，Jetson AGX Orin，控制环 50Hz、水位传感 18Hz。但「湿滑」是履带缠低摩擦胶带模拟的，不是真实低附着路面；30% 水位属训练集外插值。
二、提升量级：1.7% / 1.3% / 0.0%
Table I：角速率 RMS 0.449 / 0.414 / 0.468 / 0.407 rad/s，速度 0.151 / 0.160 / 0.156 / 0.149 m/s，位置 0.085 / 0.078 / 0.081 / 0.078 m。对最强对手（非 PD）是 1.7% 和 1.3%；位置一项原文用词是 ties——打平，不是优于。转述写成「均优于」，方向没错，程度夸了。
三、一条轨迹，单次运行
这三个数来自一条指令轨迹、每个控制器各跑一次（Fig.4 caption：Tracking runs under four controllers）。无重复次数、无误差棒、无显著性检验。论文自己承认 PD 基线 already provides strong overall tracking, particularly in the forward-velocity channel——收益主要集中在偏航通道。
四、27% 在仿真里
唯一有量的数字（reduced tracking MSE by 27% compared to the closest competitor）出现在纯仿真的耦合 Duffing 振子上，30 条参考轨迹 × 20s、σ=0。真机和仿真的收获差了一个量级，摘要把两者并列，读起来像同一档。
五、「指数收敛」是存在常数式的结论
‖q − q_d‖ ≤ c₁e^(−c₂t) + c₃ 的形态成立，但 c₃ 的大小全文没数值化——它取决于动力学表示的质量，等于把问题又还给了表示学习。结论也列出未完成项：hard E-step 的训练动力学、协方差估计的演化，都留给了 future work。
下一根钉子：同一辆车、三条不同指令轨迹、各跑五次，看 1.7% 还在不在。Duffing 上那 27% 反倒是可信的——问题只在于它不在硬件上。