feat(actpred): log_range 归一化——spk 两列对数尺度修正精度错配

fixed_range 线性 min-max 下常用值挤在低端（10Hz→0.002），闭环反馈
中小绝对误差=大相对误差（模型 C/D 发散根因）。新增 normalize_mode=
log_range：spk.F/spk.delay 用 log10(1+x) 对数尺度（10Hz→0.27），
舵机列保持线性。全链路接入（dataset/pretrain/predict/onnx/hailo/
calibration/export），与 v3 审计 none 模式/元数据自动识别合并。

actpred/dataset.py

@@ -11,7 +11,7 @@ from torchvision import transforms
 from torchvision.transforms import functional as TF
 
 from imu_norm import imu_scales
-from action_norm import normalize_action
+from action_norm import normalize_action, is_range_mode
 
 
 def _natural_key(p):
@@ -29,8 +29,11 @@ class ActionDataset(Dataset):
                  imu_dim: int = 0, normalize_mode: str = "zscore"):
         self.history_len = history_len
         self.action_dim = action_dim
-        # 固定物理范围归一化（免 stats 文件）；仅 normalize_actions=True 生效
-        self._fixed_range = normalize_actions and normalize_mode == "fixed_range"
+        # 固定范围类归一化（fixed_range / log_range，免 stats 文件）；
+        # 仅 normalize_actions=True 生效
+        self._range_mode = (normalize_mode
+                            if (normalize_actions and is_range_mode(normalize_mode))
+                            else None)
         # R2 方案一：>0 时样本带 "imu" 键（归一化姿态向量，缺失 episode 补零）
         self.imu_dim = imu_dim
         self.image_width = image_width
@@ -87,7 +90,7 @@ class ActionDataset(Dataset):
 
         self._action_mean = None
         self._action_std = None
-        if normalize_actions and not self._fixed_range:
+        if normalize_actions and not self._range_mode:
             if action_stats_path:
                 if not os.path.exists(action_stats_path):
                     raise FileNotFoundError(
@@ -119,11 +122,11 @@ class ActionDataset(Dataset):
     def _norm(self, a):
         """动作归一化（numpy → torch 前在 numpy 空间做，保持 float32）
 
-        fixed_range：固定物理范围 min-max → [0,1]（clamp 防御，免 stats）；
+        fixed_range / log_range：固定物理范围 → [0,1]（clamp 防御，免 stats）；
         否则 z-score（_action_mean 为 None 时直通原始值）。
         """
-        if self._fixed_range:
-            return normalize_action(a, self.action_dim)
+        if self._range_mode:
+            return normalize_action(a, self.action_dim, mode=self._range_mode)
         if self._action_mean is None:
             return a
         return (a - self._action_mean) / self._action_std