feat(right_arm): force, camera↔polso offset, cluster filter sul centroide

Tre miglioramenti al move-toward dopo il primo uso live:

1. checkbox "force" accanto a "Muovi": bypassa max_step_m quando
   l'utente sa che il delta richiesto e' grande ma corretto (es. primo
   avvicinamento all'oggetto).

2. camera_offset_wrist_mm: il modello assumeva camera e TCP coincidenti
   (sole sign flips). La camera Nuwa e' invece montata con traslazione
   costante rispetto al polso. La formula diventa:
       delta_wrist = sign * (centroid_cam - offset_cam) + t_wrist_cam
   Esposto in config (default 0,0,0), GUI (3 input "Camera rispetto a
   polso (mm)") e in /state. Il termine compensa il fatto che muovere
   il polso porta la camera, non il TCP, sul punto di presa.

3. filter_nearest_cluster: il centroide era media di tutti i punti
   SAM21 della mask. In presenza di sfondo lontano visibile attraverso
   buchi della depth del primo piano la media veniva trascinata a
   metri di distanza. Ora si tiene il cluster piu' vicino:
       z_near = p5(Z)
       keep   = punti con Z <= z_near + cluster_depth_window_m
   Default window 0.20 m, configurabile. La risposta di /detect/wrist
   espone n_sam21_points, n_centroid_points e z_near/z_cutoff per
   diagnosi.

Aggiornata anche la persistenza: /offset accetta camera_offset_wrist_mm.
GUI: i campi Offset/Sign/CamOff rispettano "user touched" (refresh non
li cancella mentre l'utente digita).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

tests/test_right_arm_cluster.py

@@ -0,0 +1,56 @@
+"""Unit test del filtro cluster sui punti SAM21."""
+from __future__ import annotations
+
+import numpy as np
+
+from presa_mano.right_arm.cluster import filter_nearest_cluster
+
+
+def test_empty_input_returns_empty():
+    out, diag = filter_nearest_cluster(np.zeros((0, 3)), window_m=0.2)
+    assert out.shape == (0, 3)
+    assert diag["n_input"] == 0 and diag["n_kept"] == 0
+    assert diag["z_near_m"] is None
+
+
+def test_bimodal_keeps_only_near_cluster():
+    # 100 punti vicini (Z ~0.25 m) + 50 background lontano (Z ~4.0 m).
+    near = np.column_stack([np.zeros(100), np.zeros(100),
+                            np.random.uniform(0.22, 0.28, 100)])
+    far = np.column_stack([np.zeros(50), np.zeros(50),
+                           np.random.uniform(3.8, 4.2, 50)])
+    pts = np.vstack([near, far])
+    out, diag = filter_nearest_cluster(pts, window_m=0.20)
+    # Tutti i punti vicini, nessun punto lontano
+    assert diag["n_kept"] == 100
+    assert out[:, 2].max() < 0.30
+    assert diag["z_near_m"] < 0.25  # p5 ~= 0.22
+
+
+def test_single_cluster_keeps_all():
+    # Unica nuvola compatta: tutto rientra nella window.
+    pts = np.column_stack([np.zeros(100), np.zeros(100),
+                           np.random.uniform(0.20, 0.30, 100)])
+    out, diag = filter_nearest_cluster(pts, window_m=0.20)
+    assert diag["n_kept"] == 100
+
+
+def test_window_too_small_keeps_only_nearest():
+    pts = np.array([
+        [0.0, 0.0, 0.20],
+        [0.0, 0.0, 0.30],
+        [0.0, 0.0, 0.40],
+        [0.0, 0.0, 4.00],
+    ])
+    out, diag = filter_nearest_cluster(pts, window_m=0.05)
+    # z_near = p5 di [0.20,0.30,0.40,4.00] ≈ 0.215 → cutoff ≈ 0.265 → solo 0.20
+    assert out.shape[0] == 1
+    assert out[0, 2] == 0.20
+
+
+def test_diag_reports_inputs_and_kept():
+    pts = np.array([[0.0, 0.0, 0.25]] * 20 + [[0.0, 0.0, 4.0]] * 5)
+    out, diag = filter_nearest_cluster(pts, window_m=0.10)
+    assert diag["n_input"] == 25
+    assert diag["n_kept"] == 20
+    assert diag["z_cutoff_m"] == diag["z_near_m"] + 0.10