"""Считывание по ТРЕКУ — тот же контур MBON, но на входе накопленная история.

Считывание в `mbon_readout.py` смотрит на один кадр: контур кандидата, его
тень, яркость, опору накопителя. Этого хватает вблизи и не хватает вдали —
за 120 м предмет даёт пять-шесть лучей, и по одному кадру он неотличим от
куска стены, попавшего в габарит.

Но у трека есть то, чего у кандидата нет в принципе: **история**. Поезд
проехал двадцать метров, а предмет, если он настоящий, остался на том же
месте в тоннеле. Воронка потерь (EXPERIMENTS п. 12) показывает, что именно
здесь и теряется дальнее обнаружение: на 120…160 м трек заводится в 62 %
наблюдений, а до решения доходит 38 % — улика есть, порога не набирает.

Поэтому вход здесь другой: сводки за всю жизнь трека, а не последнее
значение, — средний и максимальный вес наблюдения, средний и максимальный
покадровый отсчёт MBON, наклон числа лучей по времени, разбросы положения.

**ЧЕМ ЭТО КОНЧИЛОСЬ.** Обученная модель не обгоняет ни один из признаков,
которые ей же и скормили: leave-one-bag-out AUC 0.873 против 0.880 у одного
среднего веса наблюдения и 0.895 у среднего отсчёта считывания. Причина — не в
схеме: наблюдений 9 299, но это сотни кадров подряд по одному и тому же треку,
и независимых примеров тут сотни, а не тысячи. Поэтому в решении участвует
**не модель, а прямо среднее** (`descending.track_score`, по умолчанию
`w_mean`), а всё в этом файле — инструмент замера. Разбор — EXPERIMENTS п. 15.

Отдельно: `s_std` и `u_std` в решении использовать нельзя. На полигоне разброс
привязки к месту выглядит лучшим признаком дальней полосы (AUC 0.869 за 160 м),
а на настоящем объекте он перевёрнут (0.223): вставка ставится на дальность,
посчитанную из той же оценки собственного движения, что двигает мировую
координату, и разброса у неё нет по построению. Признаки оставлены в
дескрипторе нарочно — чтобы проверку можно было повторить (п. 15.4).
"""
from __future__ import annotations

import numpy as np

from .central_complex import Track, expected_rays
from .mbon_readout import MbonConfig, MbonReadout

TRACK_FEATURES = (
    "log_d",        # дальность сейчас
    "evidence",     # накопленная улика — то, чем решают сегодня
    "hits",         # подтверждений
    "age",          # возраст, кадров
    "hit_rate",     # подтверждений на кадр жизни
    "misses",       # промахов подряд
    "closed",       # log(первая дальность / нынешняя): насколько подъехали
    "novelty",      # сглаженная новизна из памяти тоннеля
    "width", "height", "h",
    "speed_lat",    # модуль поперечной скорости
    "rays_now",     # лучей к ожидаемым для этой дальности
    "rays_mean",    # то же, в среднем за жизнь
    "rays_slope",   # и наклон по времени
    "w_mean", "w_max",      # вес наблюдения
    "p_mean", "p_max",      # покадровый отсчёт считывания
    # Оба разброса — ТОЛЬКО для замеров: на синтетике сильны, на реальном
    # объекте перевёрнуты. См. шапку файла и EXPERIMENTS п. 15.4.
    "s_std",        # разброс места в тоннеле, м
    "u_std",        # разброс поперечного положения, м
)


def _std(n: int, s: float, sq: float) -> float:
    """Разброс по накопленным суммам. Отрицательную дисперсию даёт
    округление, а не данные, поэтому она просто отсекается."""
    if n < 2:
        return 0.0
    var = sq / n - (s / n) ** 2
    return float(np.sqrt(var)) if var > 0.0 else 0.0


def describe_track(t: Track, s_now: float) -> np.ndarray:
    """Вектор трека для считывания. Порядок — как в `TRACK_FEATURES`."""
    d = max(t.distance(s_now), 1.0)
    n = max(t.n_obs, 1)
    den = t.n_obs * t.i_sq - t.i_sum * t.i_sum
    slope = ((t.n_obs * t.ri_sum - t.i_sum * t.r_sum) / den
             if t.n_obs > 1 and abs(den) > 1e-9 else 0.0)
    return np.array((
        np.log(d),
        t.evidence,
        float(t.hits),
        float(t.age),
        t.hits / max(t.age, 1),
        float(t.misses),
        np.log(max(t.first_d, 1.0) / d),
        t.novelty,
        t.width, t.height, t.h,
        abs(t.speed_lat),
        t.last_n_rays / expected_rays(d),
        t.r_sum / n,
        slope,
        t.w_sum / n, t.w_max,
        t.p_sum / n, t.p_max,
        _std(t.n_obs, t.s_sum, t.s_sq),
        _std(t.n_obs, t.u_sum, t.u_sq),
    ), np.float32)


class TrackReadout(MbonReadout):
    """Тот же разрежённый код, другой вход и другой учитель.

    Ёмкость меньше, чем у покадрового считывания: примеров тут на порядок
    меньше (треков, а не кандидатов), и восемь тысяч клеток на такой выборке
    заучивают её наизусть. Значение выбирается развёрткой в
    `tools/train_track.py`, а не на глаз.
    """

    def __init__(self, cfg: MbonConfig | None = None,
                 n_pn: int = len(TRACK_FEATURES)):
        super().__init__(cfg or MbonConfig(n_kc=2_000, seed=20260922),
                         n_pn=n_pn)

    def annotate_tracks(self, tracks: list[Track], s_now: float) -> None:
        """Проставить каждому треку отсчёт в `extra`-поле `p_track`."""
        if not tracks:
            return
        X = np.stack([describe_track(t, s_now) for t in tracks])
        p = 1.0 / (1.0 + np.exp(-self.logit(X)))
        for t, pp in zip(tracks, p):
            t.p_track = float(pp)