cbb/Robot_Arm
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs(训练方案 v2): 改为无老师闭环部署（每周期重算 + 安全层/刹停），删除回落原规划器；新增具身智能主流方案调研与差异/优化分析（MπNets/Neural MP/DRP/ELMP），后训练主力改为 APG 可微微调；新增 HTML 版

Browse Source
This commit is contained in:
Hark
2026-10-17 12:39:19 +00:00
parent c51f8f9d1f
commit fecc59b0af
2 changed files with 1548 additions and 284 deletions
Download Patch File Download Diff File Expand all files Collapse all files
docs/Transformer轨迹拟合训练方案.html
+1253
View File
File diff suppressed because it is too large Load Diff
docs/Transformer轨迹拟合训练方案.md
+295 -284
View File
@@ -1,7 +1,11 @@
# Transformer 拟合避障轨迹规划：训练方案（审查稿）
# Transformer 避障运动策略：无老师闭环部署方案（审查稿 v2）
> 2026-10-17 起草，基于 `main@3c7c814`（贴立柱修复后的规划器）。本文只是方案，代码尚未编写。
> 审查时重点看：§0 定位、§2 数据分布、§3 表示方式、§5 训练配置、§5A 后训练循环、§7 验收标准。
> - v1（2026-10-17 20:06，`40af3b4`）：模型一次生成整条 32 点路径，失败回落到原规划器（"有老师部署"）。
> - v1.1（20:25，`c51f8f9`）：加入后训练挖错循环。
> - **v2（本稿）**：按用户决定改为 **无老师部署 + 每个控制周期重算（闭环）**，删除全部"回落原规划器"设计；
> 加入具身智能领域主流做法的调研与对比（§1–§2），并据此调整模型输出、后训练方法和验收标准。
> - 基于 `main@3c7c814`（贴立柱修复后的规划器）。本文只是方案，代码尚未编写。
> - 审查重点：§0 定位、§2 差异与优化、§5 输出表示、§7 后训练（APG）、§8 闭环部署与安全层、§9 验收。
---
@@ -9,25 +13,88 @@
| 项目 | 决定 |
|---|---|
| 模型角色 | **提议器**：给出若干条候选关节轨迹，由现有 `collideFree` + 半格复验把关，全部不合法时回落 `routeRT` / `solveDyn` |
| 不做的事 | 不让模型直接驱动电机；不替代碰撞检测；不学习动力学（速度/加速度仍由 `animTo` 时间参数化） |
| 老师 | 当前 JS 规划器（`webapp/js/ik-solver.js`）：松手口径用 `S.solveDyn(T, opt)`，拖拽口径用 `S.solveRoute(T, {quick:true,...})` |
| 收益目标 | 实时拖拽重规划 P99 ≈ 321 ms → **< 50 ms**；首次全量 IK 尖峰（最差约 2 s）→ < 100 ms |
| 底线 | 「模型+验证+回落」整体的到达率、路径合法率**不得低于**现有规划器（任何基准上都不允许退化） |
| 部署形态 | **无老师**：运行时只有「神经策略 + 碰撞安全层」，不加载 IK 大表、PRM 路网、A*/RRT，也不调用 `solveDyn` / `routeRT` |
| 运行方式 | **闭环滚动重算**（MPC 式）：每个控制周期（默认 50 Hz，20 ms）读当前关节角和目标，重新推理一段短动作块，只执行最前面一小段，下一周期再算。某一周期算错，下一周期有机会纠正 |
| 碰撞安全层 | **保留**。它不是老师：不做搜索，只对模型给出的下一小段做胶囊碰撞检查（已有 `collideFree` + 包围球预筛），不安全就换候选或刹停 |
| 老师的角色 | 只在**离线训练**时出现：生成预训练数据。后训练阶段用可微碰撞代价（§7），基本不再需要老师 |
| 不做的事 | 不学动力学（速度/加速度上限由插补器保证）；不用相机/点云（环境固定：台架 + P01 立柱，几何已知） |
| 收益目标 | 冷启动（新目标到第一个动作）< 10 ms；每周期推理 + 安全检查 < 10 ms；拖拽重规划 P99（现状约 321 ms）不再存在 |
| 底线 | 实时拖拽**碰撞帧 = 0**（安全层保证）；到达率、行程在 §9 的指标上不低于现有规划器 |
为什么必须保留验证：碰撞是"硬约束"，神经网络只能做到高概率满足。验证器把"偶尔撞一下"变成"偶尔慢一下"。
为什么安全层必须保留：调研里最好的神经运动策略在静态场景里仍有约 10% 的轨迹发生碰撞（§1 DRP 附录表 6、ELMP 表 I）。
我们的环境几何完全已知、检查只要几毫秒，保留它代价极小，却把"偶尔撞一下"变成"偶尔停一下"。
---
## 1. 训练环境
## 1. 业界调研：具身智能里的神经运动规划
以下数据均来自论文原文（链接见 §13）。
| 工作 | 年份 / 会议 | 输入 | 输出 | 老师与数据量 | 关键做法 | 运行方式 |
|---|---|---|---|---|---|---|
| **MπNets**（NVIDIA） | 2022 CoRL | 点云 + 当前关节角 + 目标位姿 | 下一步关节位置 | 规划器生成 300 万+ 问题、50 万+ 环境；8×V100 训练一周 | 端到端行为克隆 | 闭环 9 Hz，每次执行约 70% 推出的路径，1 kHz PD 跟踪 |
| **Neural MP**（CMU） | 2024 / IROS 2025 | 点云 + 关节角 + 目标 | GMM（LSTM） | AIT* 等，100 万–300 万条 | **测试时优化（TTO）**：采样多条，选与场景穿透最少的 | 开环为主；冷启动约 2970 ms |
| **MπFormer / Avoid Everything**（NVIDIA） | 2024 CoRL WS | 点云 | 关节动作 | 规划器数据 | 师生微调 + **困难负样本挖掘** | 闭环 |
| **DRP / IMPACT**（CMU） | 2025 CoRL | 点云 + 当前关节角 + **目标关节角** | **动作块**：10 步关节增量，MSE 回归 | cuRobo 生成 **1000 万条**；4090 训练 3 天 | ① 大规模预训练 ② **迭代师生微调**（局部控制器 Geometric Fabrics 当老师，不用全局规划器，因为每步都规划太贵）③ 局部反应层 DCP-RMP 改写目标 ④ 加入"目标被挡→停在最近安全处"的数据 | 闭环；4.67 M 参数，300 Hz（4090），冷启动 3.48 ms |
| **ELMP**（ETH） | 2026 arXiv | 点云 + 关节角 + 目标位姿（12 维） | 关节增量 | AIT* 约 60 万条 | 行为克隆后做 **APG 微调**：可微运动学展开，碰撞/到达/平滑三项损失直接反传，**不再需要老师数据** | MPC 式闭环 30 Hz；冷启动 7.8 ms |
| Diffusion Policy / ACT 一类 | 2023– | 视觉 + 本体 | 动作块（扩散 / CVAE） | 人类示教 | 动作块 + 滚动执行（receding horizon）+ 时间集成 | 闭环 |
几个关键数字：
- DRP：迭代师生微调使成功率比纯预训练**提高 45%**；纯预训练的 IMPACT "经常有轻微碰撞"。
- ELMP：只用 1 万条老师轨迹 + APG（成功率 72.0%、碰撞 19.4%）就超过 60 万条纯行为克隆（57.9%、31.9%），**老师数据少 60 倍**；APG 把环境碰撞率降到原来的 1/3 以下。新环境下，采样 20 万个 APG 问题约 4.5 CPU 小时，而生成同样数量的老师轨迹要 1194 CPU 小时以上。
- 即便最好的方法，静态场景碰撞率也约 9–10%（ELMP-APG 8.9%，DRP 10.16%）——所以实际部署都配有某种检查或反应层。
**行业共识**：
1. 都是**闭环**策略，每个周期根据当前状态重新出动作，而不是一次性出整条路径。
2. 输出**短动作块**（10 步左右）并滚动执行，兼顾平滑和反应速度。
3. 老师只用于离线造数据；微调阶段倾向于**便宜的老师**（局部控制器）或**不要老师**（可微代价）。
4. 纯模仿有"分布偏移、误差累积"问题，必须做后训练（DAgger / 师生微调 / APG）。
---
## 2. 我们的方案和主流的差异，以及据此做的优化
### 2.1 我们的独特条件
| 条件 | 主流（DRP/ELMP 等） | 本项目 | 意味着 |
|---|---|---|---|
| 环境 | 未知、多变，靠点云感知 | **固定且精确已知**（台架 + 立柱，1936 个胶囊） | 不需要点云编码器；模型可以小很多；碰撞检查是**精确**的 |
| 机器人 | Franka 7 轴 | 自研 6 轴，J1/J3/J6 连续转 | 需处理连续轴展开 |
| 碰撞模型 | SDF / 球近似，有感知噪声 | 胶囊解析距离，可微 | 可以直接做 APG；安全层可信 |
| 运行平台 | 台式 GPU | 浏览器（后续真机） | 模型要小，ONNX + WebGPU/wasm |
结论：我们的问题比主流**窄得多也"干净"得多**，主流用来对付感知噪声和环境泛化的大部分复杂度（点云、千万级数据、多环境）都可以省掉，资源应投在**闭环稳定性、多解选择和安全层**上。
### 2.2 v1 方案与主流的差异 → v2 的调整
| # | v1 做法 | 主流做法 | v2 调整 | 理由 |
|---|---|---|---|---|
| 1 | 一次生成整条 32 点路径，开环执行 | 闭环 + 短动作块滚动执行 | **改为动作块策略**：每周期输出未来 16 步（320 ms），只执行前 2–4 步 | 用户要求每周期重算；可纠错、可应对拖拽目标变化 |
| 2 | 失败回落原规划器 | 无回落；靠后训练提升 + 局部反应/检查 | **删除回落**，改为安全层：换候选 → 刹停保持 → 下周期重算 | 用户决定无老师部署 |
| 3 | 512 桶离散化 + 自回归 186 token | DRP 用 MSE 回归动作块；Neural MP 用 GMM | **K 个模式的动作块头（K=4）+ 模式分类**，非自回归一次前向 | 闭环下多峰主要出现在"刚出发选左绕还是右绕"，K 模式足够；一次前向比 186 步自回归快一个数量级 |
| 4 | 以目标位姿为条件 | DRP 用目标关节角（IK 另算）；ELMP 用目标位姿 | **用目标位姿**（位置 + 6D 旋转 + 模式标志），末段可选局部牛顿精修 | 无老师就没有全量 IK；位姿条件让模型连 IK 一起学。局部牛顿精修只是梯度下降几步，不属于搜索 |
| 5 | 后训练：挖错 + 老师重标（每轮 1–2 小时老师计算） | DRP：便宜局部老师；ELMP：APG 无老师 | **主力换成 APG**（可微胶囊碰撞），挖错循环保留但不再需要老师重标 | 我们的胶囊模型可微且精确，正好适合 APG；省掉绝大部分老师计算 |
| 6 | 拒判头（REJECT） | DRP：目标被挡时学会"停在最近安全处" | **改为"停靠"行为**：目标不可达时，数据里老师路径停在离目标最近的安全位形 | 闭环下"停在最近处"比"拒绝"更有用（目标常在拖拽中短暂进入立柱区） |
| 7 | 20 万条老师数据 | 主流百万–千万条，但它们要泛化到任意环境 | **降到 5 万条**（+ 切片增广），其余靠 APG | ELMP 显示 APG 下 1 万条已胜过 60 万条纯克隆；我们的环境固定，需求更小 |
| 8 | 无 | DRP 的 DCP-RMP 局部反应层 | 暂不做；安全层已覆盖静态环境。未来真机有人/动态障碍时再加 | 当前环境静态 |
### 2.3 v2 相对主流的额外优化点
1. **精确安全层**：主流因感知噪声做不到精确检查，我们可以。每周期对即将执行的动作段做 1° 细验 + 半格复验，保证**只执行检查过的动作**。
2. **可刹停不变式**：只有当"执行这一段之后，仍存在一条已检查过的刹停轨迹"时才执行（见 §8.3），保证任何周期推理失败都能安全停住。
3. **模式粘滞**：闭环每周期重算最怕左右摇摆（这一帧选左绕、下一帧选右绕）。部署时对"切换模式"加代价，除非当前模式不安全（§8.2）。
4. **APG 损失直接用我们的胶囊距离**（`segSegDist` 的可微版本），训练和部署检查同一套几何，消除"训练用球、检查用网格"的口径差（ELMP 的做法有这个差）。
5. **数据便宜**：环境固定，老师离线 5 万条在沙箱约 5 小时即可，不需要集群。
---
## 3. 训练环境
| 阶段 | 在哪里跑 | 说明 |
|---|---|---|
| 数据生成 | Hark 沙箱（2 vCPU / 7 GB，Node） 或 用户机器 | 纯 JS，无需 GPU；可多进程并行 |
| 训练 | **用户的 GPU 机器** | 沙箱无 GPU、无 PyTorch。最低建议 8 GB 显存（RTX 3060 级别） |
| 部署推理 | 浏览器（onnxruntime-web，WebGPU 优先，wasm 兜底） | 与现有查看器同页运行 |
Python 环境（训练机）：
| 预训练数据生成 | Hark 沙箱（2 vCPU / 7 GB，Node）或用户机器 | 纯 JS，无需 GPU |
| 预训练 + APG 微调 | **用户的 GPU 机器** | 沙箱无 GPU、无 PyTorch。建议 ≥ 8 GB 显存（RTX 3060 级别） |
| 部署推理 | 浏览器（onnxruntime-web，WebGPU 优先，wasm 兜底）；后续真机控制器 | 与现有查看器同页 |
```bash
conda create -n armtf python=3.11 -y && conda activate armtf
@@ -37,385 +104,329 @@ pip install numpy pyarrow tqdm tensorboard onnx onnxruntime
---
## 2. 第一步：生成数据（规划器当老师）
## 4. 第一步：离线造预训练数据（老师只在这里出现）
### 2.1 新增文件
### 4.1 新增文件
| 文件 | 作用 |
|---|---|
| `ml/gen/gen_dataset.cjs` | 采样任务 → 调用规划器 → 校验 → 写分片 |
| `ml/gen/sampler.cjs` | 起点/目标采样器（三类分布，见 2.3） |
| `ml/gen/run_parallel.sh` | 按 CPU 核数起 N 个进程，每个进程不同随机种子 |
| `ml/data/shard_XXXX.jsonl` | 原始样本分片（每片 5000 条） |
| `ml/gen/gen_dataset.cjs` | 采样任务 → 调老师 → 校验 → 时间参数化 → 写分片 |
| `ml/gen/sampler.cjs` | 起点/目标采样（4.3） |
| `ml/gen/run_parallel.sh` | 多进程，不同种子 |
| `ml/data/shard_XXXX.jsonl` | 原始样本（不入库） |
复用 `tests/route_bench_setup.cjs` 装配求解器（关节表、`docs/travel.json`、`docs/collide.json`，无需网格）。
复用 `tests/route_bench_setup.cjs` 装配求解器（关节表、`docs/travel.json`、`docs/collide.json`）。
### 2.2 单条样本的字段
### 4.2 一条原始样本
```json
{
"id": "s0003_000127",
"mode": "pos" | "pose",
"teacher": "dyn" | "rt",
"q0": [6 个关节角, 度],
"T": [x, y, z], // 目标 TCP 位置, mm
"R": [[3x3]] | null, // 目标姿态（pose 模式）
"tool": 0,
"path": [[6], [6], ...], // 老师给出的折线: q0 → via... → q
"q_goal": [6],
"ok": true, // 到达 (误差<1mm, pose 另需<0.5°) 且 1° 细验无干涉
"poseRelaxed": false,
"travel_deg": 123.4,
"plan_ms": 812.0,
"fp": "collide.json 指纹" // modelFingerprint()，碰撞模型变了旧数据作废
"id": "s0003_000127", "mode": "pos" | "pose",
"q0": [6], "T": [x,y,z], "R": [[3x3]] | null, "tool": 0,
"path": [[6], ...], // 老师折线 q0 → via... → q_end
"reached": true, // false = 目标不可达，q_end 为离目标最近的安全位形（"停靠"）
"travel_deg": 123.4, "plan_ms": 812.0,
"fp": "collide.json 指纹"
}
```
### 2.3 采样分布（目标 20 万条原始任务）
### 4.3 采样分布（5 万条任务）
关节限位（`docs/travel.json`）：J1/J3/J6 连续 ±180°；J2 [-92, 9]，J4 [-111, 16]，J5 [-93, 34]。
关节限位（`docs/travel.json`）：J1/J3/J6 连续 ±180°；J2 [−92, 9]，J4 [−111, 16]，J5 [−93, 34]。
| 类别 | 占比 | 采样方式 |
|---|---:|---|
| A 均匀 | 50% | 起点 q0、目标位形 b 均在限位内均匀采样且本身无干涉；目标取 `fk(b)`（pose 模式加 `orient(b)`） |
| B 直线被挡 | 30% | 同 A，但要求 q0→b 关节直线 1° 细验有干涉（route_bench 的生成口径） |
| C 贴立柱 | 15% | b 满足 `nearColumn`（J1/J2/J3 任一 ±4° 即撞立柱），q0 在立柱另一侧（near_column_bench 口径） |
| D 不可达/无安全解 | 5% | 目标在工作空间外或所有 IK 分支都撞；标签为"拒绝"，教模型说"到不了" |
| A 均匀 | 45% | q0、目标位形 b 均匀采样且无干涉；目标 = `fk(b)`（pose 模式加 `orient(b)`） |
| B 直线被挡 | 30% | q0→b 关节直线 1° 细验有干涉（route_bench 口径） |
| C 贴立柱 | 15% | b 满足 `nearColumn`，q0 在立柱另一侧（near_column_bench 口径） |
| D 目标不可达 | 10% | 目标在立柱内/所有分支都撞/工作空间外；老师标签 = 停在离目标最近的安全位形 |
- `mode`：pos 与 pose 各 50%。
- 老师：每条任务用 `solveDyn` 求一次（松手口径，质量更高）；其中 30% 额外用 `routeRT` 拖拽口径求一次，作为"快速路径"风格的辅助样本（`teacher:"rt"`），训练时可按需过滤。
- **测试集隔离**：用固定种子另生成 2000 条留作测试集，且排除与训练目标距离 < 5 mm 的样本；`route_bench` / `near_column_bench` / `rt_drag_bench` 的案例**不进入训练集**。
- pos / pose 各半；老师用 `solveDyn`（松手口径）。
- **测试集隔离**：固定种子另造 2000 条留出；三个基准案例不进训练集。
### 2.4 质量过滤
### 4.4 过滤
1. `ok == false` 的样本：A/B/C 类丢弃；D 类保留为"拒绝"标签。
2. 整条路径 1° 细验（`segOK`）+ 半格复验，任一段干涉即丢弃。
3. `poseRelaxed == true` 的样本单独打标签，训练时只当作 pos 模式样本用（避免模型学到"姿态随便放"）。
4. 关节行程超过同任务 `routeRT` 结果 1.5 倍的视为老师绕远，丢弃（可选，先统计比例再决定）。
1. 整条路径 1° 细验 + 半格复验，任一段干涉即丢弃。
2. `poseRelaxed` 样本只当 pos 模式用。
3. 行程 > 同任务 `routeRT` 1.5 倍的视为绕远（先统计，再定是否丢弃）。
### 2.5 数据增广（不需要重新规划）
### 4.5 时间参数化 → 闭环训练样本（v2 新增，关键）
- **后缀切片**：合法路径的任意后半段也是合法路径。从每条路径中按弧长取 2–4 个中间点作为新 q0，得到新样本（目标不变）。约 ×3。
- **连续轴平移**：J1 绕立柱对称性**不成立**（立柱在固定位置），不做 J1 旋转增广；J6 若与碰撞无关可加 ±360° 等价表示，归一化时统一处理。
- 增广后预计约 60 万条训练样本。
闭环策略学的是"在某个状态下，接下来 16 步怎么走"，所以要把整条路径切成很多个"状态 → 动作块"样本：
### 2.6 耗时与存储估算
1. 按现有 `animTo` 的轴速比 `VREL = [0.6, 0.6, 0.9, 0.9, 1.2, 1.8]` 做时间参数化（与查看器动画同口径），控制周期 **dt = 20 ms**。
2. 得到状态序列 q_0, q_1, …, q_N。对每个 t（每隔 3 步取 1 个，减少冗余）生成样本：
- 输入：当前 q_t、目标 (T, R, mode)
- 标签：未来 S = 16 步的增量 Δq_{t+1..t+16} = q_{t+k} − q_t（到终点后补零，即"停住"）
3. 每条路径平均约 50–150 个样本 → 5 万条任务约 300 万个训练样本。
4. **路径后缀天然覆盖"从半路出发"**，等于免费的 DAgger 种子数据。
- `solveDyn` 约 0.7 s/条，沙箱 2 进程约 1 万条/小时 → 20 万条约 20 小时；用户机器 8 核约 5 小时。
- 每条约 1–2 KB，全部原始数据约 300 MB；转 Parquet 后约 80 MB。
### 4.6 耗时与存储
### 2.7 本步检查点（审查时可看）
- `solveDyn` 约 0.7 s/条：5 万条在沙箱 2 进程约 5 小时；用户 8 核机器约 1.5 小时。
- 300 万样本 × 约 0.5 KB ≈ 1.5 GB 原始；Parquet 约 300 MB。
- [ ] `ml/data/stats.json`：各类别数量、ok 率、平均行程、路径点数分布、规划耗时分布
- [ ] 随机抽 20 条在查看器里回放（新增 `?replay=shard_0000.jsonl#127` URL 参数）
- [ ] 测试集与 3 个基准案例和训练集无重叠
### 4.7 检查点
- [ ] `ml/data/stats.json`：类别、到达率、行程、样本数分布
- [ ] 抽 20 条在查看器回放（新增 `?replay=` URL 参数）
- [ ] 测试集与训练集、基准案例无重叠
---
## 3. 第二步：预处理（Python）
## 5. 第二步：表示与预处理
文件：`ml/prep/build_dataset.py` → 输出 `ml/data/train.parquet`、`val.parquet`（95/5 划分）、`test.parquet`、`norm.json`。
文件 `ml/prep/build_dataset.py` → `train/val/test.parquet`、`norm.json`。
### 3.1 路径重采样
1. 连续轴（J1/J3/J6）先做展开（`unwrapTo` 同口径），保证相邻点差 < 180°。
2. 按**加权关节空间弧长**重采样为固定 **K = 32** 个点，第 0 点 = q0，第 31 点 = q_goal。权重默认各轴 1（可改成按连杆长度加权）。
3. 记录原始弧长 `L`（模型额外回归它，用于早停与排序）。
### 3.2 条件输入（编码器一侧）
### 5.1 输入（条件）
| 量 | 维度 | 编码 |
|---|---:|---|
| q0 | 6 | 每轴 (sin, cos) → 12；限位轴再加归一化值 (q−lo)/(hi−lo) → +3 |
| 目标位置 T | 3 | 除以 600 mm 归一化 |
| 目标姿态 R | 6 | 旋转矩阵前两列（6D 表示）；pos 模式填 0 |
| 当前 q_t | 6 | 每轴 (sin, cos) → 12；限位轴另加归一化值 → +3 |
| 当前 TCP 位置与姿态 | 3 + 6 | `fk(q_t)`、`orient(q_t)` 的 6D 表示（给模型笛卡尔线索） |
| 目标位置 T | 3 | /600 mm |
| 目标姿态 R | 6 | 6D 表示；pos 模式填 0 |
| 目标 − 当前 TCP | 3 | 位置差，/600 mm |
| 模式 | 2 | one-hot [pos, pose] |
| 工具号 | 1 | 目前恒 0，留位 |
| 起点 TCP | 3 | `fk(q0)` 归一化（给模型一个笛卡尔线索） |
| 上一周期选的模式 k_prev | K+1 | one-hot（含"无"），用于模式粘滞 |
| 关键胶囊对最小距离 | 8 | 当前位形下臂各段到立柱的胶囊距离（cheap，现成函数），给模型"离柱子多近"的直接信号 |
### 3.3 输出表示（解码器一侧）——离散化
### 5.2 输出（动作块）
- 每个关节值相对 q0 的**增量** Δq = q_k − q0 离散化：连续轴范围 [−360, 360]，限位轴范围 [lo−hi, hi−lo]，均分 **512 个桶**（约 1.4°/桶）。
- 每个桶再回归一个桶内偏移 ∈ [−0.5, 0.5]（细化到亚度级）。
- 序列：K−1 = 31 个路径点 × 6 轴 = **186 个 token**（第 0 点即 q0，不需要预测）。
- 额外 1 个 `[REJECT]/[OK]` 分类 token 放在序列最前：D 类样本只训练这个 token。
- **K = 4 个模式**，每个模式一整块 16 步 × 6 轴的关节增量 Δq（连续值，按每轴最大步长归一化）。
- 一个模式分类头：4 类 logits。
- 训练时 **winner-takes-all**：只对与标签最接近的那个模式回归，分类头学"选哪个"（MTR / 多模态轨迹预测的常用做法）。这样左绕、右绕会落到不同模式里，不会被平均到穿过立柱。
- 附加头：到达剩余时间估计（帮助排序和早停）。
**为什么不用直接回归（MSE）**：立柱两侧绕行（左绕/右绕、J3 翻转/不翻转）是多峰分布，MSE 会输出两条路径的平均——恰好穿过立柱。离散化 + 自回归采样能保留多峰。
### 5.3 连续轴
### 3.4 归一化文件 `norm.json`
记录桶边界、K、权重、碰撞模型指纹 `fp`；部署端必须校验 `fp` 一致，否则拒绝加载模型。
J1/J3/J6 统一用 `unwrapTo` 口径展开后再做增量；预处理和部署共用一份实现，§6.4 对拍时一并验证。
---
## 4. 第三步：模型结构
## 6. 第三步：模型与预训练（行为克隆）
文件：`ml/model/traj_transformer.py`
### 6.1 结构（参考 IMPACT，去掉点云部分）
```
条件向量 (≈37 维)
└─ MLP → 8 个条件 token (d=256) ← 编码器：4 层 Transformer encoder
目标序列: [BOS][OK] (j1,j2,...,j6)×31
└─ 嵌入 = 桶嵌入 + 轴嵌入(6) + 路径点位置嵌入(32)
└─ 6 层 Transformer decoder（因果自注意力 + 对条件 token 的交叉注意力）
输出头:
├─ 桶分类头 (512 类 / token)
├─ 桶内偏移回归头 (1 / token)
├─ OK/REJECT 头 (2 类)
└─ 路径弧长回归头 (1)
条件特征（约 60 维）──MLP──▶ 8 个条件 token (d=192)
│
4 层 Transformer encoder
│ (memory)
K×16 个可学习动作 token ──▶ 4 层 Transformer decoder（非自回归，一次前向）
│
├─ 动作头：每 token 输出 6 维 Δq
├─ 模式分类头：K=4
└─ 剩余时间头：1
```
| 超参 | 值 |
|---|---|
| d_model | 256 |
| 头数 | 8 |
| FFN | 1024，GELU |
| 编码器/解码器层数 | 4 / 6 |
| Dropout | 0.1 |
| 参数量 | 约 7 M（fp32 约 28 MB，fp16 约 14 MB） |
| d_model / 头数 / FFN | 192 / 8 / 768 |
| encoder / decoder 层数 | 4 / 4 |
| 参数量 | 约 3–4 M（DRP 为 4.67 M，含点云编码） |
| 推理 | 一次前向得到 4 条候选动作块 |
备选（第一版不做）：同一骨干改为 flow matching，直接输出 31×6 连续值，推理 8–16 步；在自回归版精度不够时再试。
---
## 5. 第四步：训练
文件：`ml/train.py`，配置 `ml/configs/base.yaml`。
### 5.1 损失
### 6.2 预训练损失
```
L = CE(桶) 权重 1.0（label smoothing 0.05）
+ L1(桶内偏移) 权重 0.5
+ CE(OK/REJECT) 权重 0.5
+ L1(弧长 L) 权重 0.1
+ 平滑项 ‖q_{k+1} − 2q_k + q_{k−1}‖²（用期望桶值计算） 权重 0.05
+ 终点项 ‖q_31 − q_goal‖（期望值） 权重 0.5
L = WTA-L1(动作块, 最近模式) 权重 1.0
+ CE(模式分类) 权重 0.5
+ FK 损失：预测与标签位形下各连杆胶囊端点的位置差 权重 0.5 ← 借鉴 ELMP
+ 平滑：二阶差分 权重 0.05
+ L1(剩余时间) 权重 0.1
```
### 5.2 训练配置
### 6.3 训练配置
| 项 | 值 |
|---|---|
| 优化器 | AdamW，β=(0.9, 0.95)，weight decay 0.05 |
| 学习率 | 3e-4，前 2000 步线性预热，余弦退火到 3e-6 |
| batch | 256（显存不够用梯度累积） |
| 精度 | bf16/fp16 混合精度 |
| 轮数 | 最多 40 epoch，验证集"合法率"连续 5 次不升即早停 |
| 教师强制 | 全程 teacher forcing；第 20 epoch 后 10% 概率用模型自己的预测（scheduled sampling），减轻曝光偏差 |
| 预计耗时 | RTX 3060：约 1.5–3 小时（估算，跑完第一轮后校正） |
| 优化器 | AdamW，β=(0.9, 0.95)，wd 0.01 |
| 学习率 | 1e-3，预热 1000 步，余弦退火（同 DRP 量级） |
| batch | 512 |
| 精度 | bf16 混合精度 |
| 步数 | 约 20 万步（300 万样本约 30 epoch），验证集闭环成功率不再上升即停 |
| 预计耗时 | RTX 3060 约 3–5 小时（估算，跑完首轮校正） |
### 5.3 训练中验证（每个 epoch）
### 6.4 对拍与验证（每 epoch）
在 `val` 抽 1000 条，**自回归采样**生成路径后用 Python 版碰撞检查器评估：
- 用 `ml/eval/collide_py.py`（从 `collide.json` 读胶囊，与 JS 同口径；先用 JS 结果对拍 1 万个位形，误差必须为 0）。
- 指标：合法率（1° 细验无干涉）、终点误差、行程比（模型/老师）、REJECT 准确率。
- 保存最优 checkpoint 依据 = **合法率**，其次终点误差。
### 5.4 一条命令运行
```bash
python ml/prep/build_dataset.py --in ml/data --out ml/data
python ml/train.py --config ml/configs/base.yaml --run runs/v1
tensorboard --logdir runs
```
- `ml/eval/collide_torch.py`：胶囊距离的 PyTorch 批量版（**可微**，§7 要用），先与 JS `collideFree` 对拍 10 万个位形，判定 0 误差。
- 验证用**闭环仿真**而不是单步误差：从 1000 个验证任务的 q0 出发，每 20 ms 推理一次、执行前 3 步、直到到达或 6 s 超时，统计到达率、碰撞步数（安全层关闭时）、行程比。
---
## 5A. 第四步半：后训练——验算、挑错、针对性再训练（循环）
## 7. 第四步：后训练（无老师为主）
> 2026-10-17 用户补充：一轮监督训练不够，要"模型结果逐条验算 → 挑出错的 → 针对性训练 → 周而复始"。
> 下面把它做成固定流程，每一轮都可复现、可回滚。
### 7.1 主力：APG 可微微调（借鉴 ELMP）
### 5A.1 为什么光和老师数据对比不够
监督训练只在**老师走过的状态**上学习。模型上线后会走到老师没走过的状态（自己的路径稍微偏一点，下一帧的起点就偏了），
误差会累积——这是模仿学习的"分布偏移"。所以后训练要同时做两件事：
1. **困难样本挖掘**：在新任务上让模型出结果，逐条验算，错的交给老师重新标注。
2. **DAgger（数据聚合）**：在**模型自己走到的状态**上请老师给答案，再加回训练集。拖拽场景尤其需要这一条。
### 5A.2 一轮的完整流程（第 r 轮）
不再请老师标注，直接让模型在可微仿真里闭环展开，用代价反传：
```
┌──────────────────────────────────────────────┐
模型 M_r ──▶ ①出题 ──▶ ②模型作答 ──▶ ③逐条验算 ──▶ ④错题分类
│
M_{r+1} ◀── ⑦门禁 ◀── ⑥针对性微调 ◀── ⑤老师重标 + 邻域扩增 ◀┘
for 每个 batch（随机采样 q0 和目标，82 ms 级别的便宜采样，不需要老师）:
q = q0
for t in 0..H-1 (H = 60 个周期 ≈ 1.2 s，长任务分段展开):
chunk, logits = π(obs(q, 目标))
Δq = chunk[选中模式][0:3] # 执行前 3 步，与部署一致
q = clamp(q + Δq) # 限位
累计 L_col(q), L_smooth(Δq)
L = w_tgt·L_target(q_H) + w_col·ΣL_col + w_smooth·ΣL_smooth (+ w_len·行程)
反传（BPTT），梯度裁剪 ≤ 1.0
```
**① 出题（挖掘池，每轮新抽）**
- 每轮用新种子生成 5 万条任务，分布同 §2.3，但把 B/C 类（直线被挡、贴立柱）提到 60%。
- 另跑 2000 段"模型在环"拖拽仿真（同 rt_drag_bench 口径，但每帧由模型规划、走模型给的路径），记录模型实际经过的状态，作为 DAgger 状态池。
- **挖掘池与测试集严格分开**：§2.3 的留出测试集和三个基准永远不进挖掘池，否则门禁失效。
- **碰撞项** L_col = Σ_胶囊对 ReLU(margin − 胶囊距离)，margin 取 `collide.json` 的 `margin_mm` 基础上再加 5 mm 训练余量；包含臂×立柱、臂×台架、臂×臂（非相邻段）。
- **到达项**：位置误差² + λ_rot·‖R − R*‖_F²（弦距离，ELMP 同款，避免四元数梯度消失）。
- **平滑项**：速度² + 加速度²。
- 可加 **行程项**，直接把"关节行程短"写进目标（ELMP 用笛卡尔路径长度项做过同类事情）。
- 模式选择不可导：用 Gumbel-Softmax，或对 K 个模式都展开 1 步再取最小代价（K=4，代价可接受）。
- 采样任务分布同 §4.3，但 B/C/D 类提到 60%。
- 预期：参照 ELMP，APG 主要降低碰撞率、提高末端精度；**不需要任何老师计算**。
**② 模型作答**
- 每个任务采样 B = 8 条（与部署一致：贪心 + 不同温度）。GPU 批量推理，5 万任务约几分钟。
### 7.2 辅助：闭环挖错 + 门禁（v1.1 循环的无老师版）
**③ 逐条验算**（新增 `ml/eval/verify_batch.py`，GPU 批量版碰撞检查器）
- 每条候选：1° 细验 + 半格复验无干涉；终点 TCP 误差 < 1 mm（pose 另需姿态 < 0.5°）；关节不越限位。
- 同一任务调用老师（已有标签或现算）得到老师行程 `L*`。
- 验算口径必须与 JS 完全一致：`verify_batch.py` 先与 JS `collideFree` 对拍 10 万个位形，0 误差才允许用于挖掘。
- 为什么要 GPU 版：5 万任务 × 8 条 × 约 100 个采样位形 = 4000 万次位形检查，JS 单核约 20 小时，GPU 批量约几分钟。
每轮：
1. **出题**：新种子 5 万任务 + 2000 段模型在环拖拽仿真（目标沿随机曲线移动）。
2. **闭环作答**：完全按部署方式运行（含模式粘滞，**关闭安全层**以暴露真实错误）。
3. **验算**：GPU 批量胶囊检查；记录到达、碰撞、行程、摇摆次数。
4. **错题分类**：E1 撞了 / E2 没到（超时或卡在局部极小）/ E3 绕远（> 1.2× 参考）/ E4 末端精度差 / E5 模式来回切换 ≥ 3 次 / E6 拖拽失稳。
5. **针对性训练**：错题的起点和目标（以及 ±5 mm / ±3° 的 10 个邻居）加入 APG 的采样池，按类别加权（E1、E6 ×2）。
- 只有 E2（卡在局部极小——可微代价本身解决不了的"需要绕远路"问题）才可选地请老师离线给一条路径做行为克隆补充。这是唯一残留的老师用途，量很小，可以在沙箱慢慢跑。
6. **门禁**：留出集闭环到达率上升、三个基准不退化、上一轮修好的错题 95% 仍对；否则回滚。
7. **停止**：连续 2 轮提升 < 0.5 个百分点，或满 6 轮，或达到 §9 全部标准。
**④ 错题分类**（写入 `ml/mining/round_r/errors.parquet`）
### 7.3 可选：拒绝采样自蒸馏
| 类别 | 判定 | 典型原因 |
|---|---|---|
| E1 全错 | 8 条全部不合法 | 没学会这一类绕行 |
| E2 部分错 | 有合法的，但贪心那条不合法 | 置信度校准差 |
| E3 绕远 | 最优合法候选行程 > 1.2 × `L*` | 选错同伦类（该左绕却右绕） |
| E4 终点偏 | 路径合法但终点误差超限 | 离散化/精修不足 |
| E5 拒判错 | 可达却判 REJECT，或不可达却给路径 | OK 头没学好 |
| E6 拖拽失稳 | 模型在环仿真中出现碰撞帧或 3 s 内未到达 | 分布偏移 |
| G 比老师好 | 合法且行程 < 0.9 × `L*` | 老师没找到更短的路 |
对每个任务采样多条闭环轨迹（不同模式、不同温度），只保留验算通过且最短的一条做行为克隆标签——模型自己当老师。适合 APG 收敛后进一步缩短行程。
同时记录每个错题撞的是哪对部件（`collideDetail`），便于看是不是集中在立柱上段等特定区域。
---
**⑤ 老师重标 + 邻域扩增**
- E1–E5：用 `solveDyn` 重新求解（已有标签直接复用），得到正确标签。
- E6（DAgger）：取模型路径**撞前最后一个安全状态**、以及拖拽中途的若干状态作为新起点 q0，请老师从这里规划到目标。
- 邻域扩增：每个错题再造 10 个邻居（目标 ±5 mm、q0 各轴 ±3°），老师标注，过滤后加入——一个错题往往代表一片区域没学会。
- G 类：模型的更短路径通过验算后**直接作为新标签**（替换老师标签），模型可以反过来超过老师。
- 老师耗时：每轮错题约 2000–5000 条 × 11（含邻居）× 0.7 s，8 核机器约 1–2 小时。
## 8. 第五步：无老师闭环部署
**⑥ 针对性微调**
- 从 M_r 的权重继续训练，**不从头训**。
- 训练集 = 新错题样本 50% + 历史数据回放 50%（防止学了新的忘了旧的）。
- 错题按类别加权：E1、E6 权重 2.0，E3 权重 1.5，其余 1.0。
- 学习率 1e-4，预热 500 步，余弦退火，3–5 epoch。
### 8.1 每个控制周期做什么（默认 50 Hz）
**⑦ 门禁（不通过就回滚）**
```
每 20 ms:
1. 读当前 q（真机读编码器；查看器读当前插补位形）和最新目标（拖拽时每周期都在变）
2. 推理一次：得到 K=4 条 16 步动作块 + 模式概率 ≈ 2–5 ms（估算）
3. 按"模式概率 − 切换代价"排序（§8.2）
4. 安全层依次检查候选的前 n=3 步（60 ms 的运动）+ 刹停段（§8.3）
第一个通过的 → 送插补器执行这 3 步；记下 k_prev
5. 全部不通过 → 进入刹停：按已验证的刹停轨迹减速停下，保持；下一周期继续推理
6. 到达判据：TCP 误差 < 1 mm（pose 另需 < 0.5°）且速度≈0 → 结束；
接近目标（< 5 mm）时可选做 1–3 次局部牛顿精修（solveTo 单步，不是全量 IK）
```
| 检查 | 要求 |
插补器在两个周期之间做平滑过渡（下一块与正在执行的块做时间集成/交叉淡入，ACT 的 temporal ensembling 思路），避免每 20 ms 一顿。
### 8.2 模式粘滞（防左右摇摆）
- 排序分数 = log p(k) − c·[k ≠ k_prev]，c 初值 2.0（在 §7.2 的 E5 统计上调）。
- 训练时 k_prev 作为输入（§5.1），模型自己也学会"保持当前绕行方向"。
### 8.3 安全层（唯一的硬保证）
- 检查内容：候选前 3 步的连续运动做 1° 细验 + 半格复验（与现有 `pathFine` 同口径），外加关节限位。
- **可刹停不变式**：执行前还要检查"从第 3 步末状态按最大减速度停下"的刹停段也无干涉。于是任何时候系统都处在"有一条已验证的停车路线"的状态，下一周期就算模型完全失效，也只会停下、不会撞。
- 耗时：3 步 × 4 候选，最坏约 4 × 10 个采样位形 × 约 1.8 ms ≈ 70 ms（太慢）→ 实际做法：
- 先用现有包围球预筛（大多数位形直接判安全，见 2026-10-15 记录 collideFree 2.9→1.8 ms）；
- 按排序**逐个**检查，第一个通过就停（多数周期只检查 1 条）；
- 目标：每周期安全检查 < 5 ms（需在 M6 实测；不达标则把检查放到 Web Worker 与推理流水线并行）。
- 现有 `ik-glue.js` 的"每帧碰撞守卫"保留，作为第二道保险。
### 8.4 部署包里有什么、没有什么
| 有 | 没有 |
|---|---|
| 留出测试集模型命中率 | 比 M_r 高（≥ +0.3 个百分点） |
| 留出测试集合法率、行程比 | 不得比 M_r 差 |
| route_bench / near_column_bench / rt_drag_bench | 「模型+验证+回落」任何一项不得退化 |
| 上一轮已修好的错题（回归集） | 至少 95% 仍然正确 |
| `traj_v2.onnx`（fp16，约 7 MB）+ `norm.json` | PRM 路网（`collide.json.roadmap`）、IK 候选大表 |
| 胶囊碰撞检查（现有 `collideFree`、包围球预筛、`pair2d` 表） | `solveDyn` / `routeRT` / RRT / A* |
| 正运动学 `fk` / `orient`、局部牛顿精修 `solveTo` 单步 | 全量 IK 枚举 |
不通过：丢弃 M_{r+1}，检查错题标签质量后调整权重/回放比例重做本轮。
### 5A.3 停止条件
- 连续 2 轮命中率提升 < 0.5 个百分点，或
- 达到 6 轮，或
- 达到 §7.2 全部验收标准。
### 5A.4 进阶选项（循环稳定后再考虑）
1. **验算过的自我采样微调**（expert iteration / 拒绝采样）：对每个任务采样 32 条，只保留验算通过且最短的一条作为标签，不需要老师参与，适合 G 类多的时候。
2. **偏好训练**（DPO 类）：同一任务的"合法路径"和"撞了的路径"组成一对，让模型提高前者概率、降低后者，直接针对"别撞"优化。
3. **碰撞惩罚项**：在损失里加可微的胶囊最小距离惩罚（从 `collide.json` 的胶囊参数计算），距离 < 安全余量时罚。
### 5A.5 新增文件
```
ml/mining/
mine_round.py ①–④ 出题、作答、验算、分类
relabel.cjs ⑤ 调老师重标 + 邻域扩增（Node）
finetune.py ⑥ 回放混合 + 加权微调
gate.py ⑦ 门禁与回滚
loop.sh 一条命令跑 N 轮：bash ml/mining/loop.sh --rounds 6
round_r/ 每轮的错题、新标签、指标、checkpoint（不入库）
ml/eval/verify_batch.py GPU 批量碰撞验算（与 JS 对拍）
```
每轮输出 `round_r/report.md`：错题分布、门禁结果、命中率曲线，方便逐轮审查。
`collide.json` 指纹写进模型；不一致时前端**拒绝运行并提示重训**（不再回落旧规划器）。
---
## 6. 第五步：推理与集成
## 9. 第六步：评估与验收
### 6.1 导出
`ml/export_onnx.py`：导出带 KV cache 的解码器（opset 17），fp16 量化；输出 `webapp/models/traj_v1.onnx` + `traj_v1.norm.json`。
### 6.2 推理流程（新增 `webapp/js/ik-learned.js`，在 `routeRT` 之前调用）
1. 编码条件 → 一次 batch 采样 **B = 8** 条（温度 {0, 0.5, 0.8, 1.0} 各 2 条，0 为贪心）。
2. 若 OK 头判 REJECT 概率 > 0.9 → 直接走原规划器（不信任模型的"到不了"，只用来省时间排序）。
3. 每条候选：终点用 `solveTo` 做 1–3 次牛顿精修 → 整条 `collideFree` 1° 细验 + 半格复验。
4. 选合法且行程最短的一条；**全部不合法 → 原 `routeRT` / `solveDyn` 回落**。
5. 拖拽中热启动：把上一帧路径剩余部分作为解码前缀，只重新生成后半段。
### 6.3 延迟预算（目标）
| 环节 | 目标 |
|---|---:|
| 模型推理（8 条 × 186 token，WebGPU） | < 15 ms |
| 碰撞验证（8 条） | < 15 ms（已有包围球预筛） |
| 合计（命中时） | < 30 ms |
---
## 7. 第六步：评估与验收
### 7.1 测试集合
### 9.1 测试集合
| 集合 | 来源 |
|---|---|
| route_bench | `tests/route_bench.cjs`，60 例 |
| near_column_bench | `tests/near_column_bench.cjs`，30 例（pos / pose / rt） |
| rt_drag_bench | `tests/rt_drag_bench.cjs`，12 例 |
| held-out | §2.3 的 2000 条留出测试集 |
| rt_drag_bench | `tests/rt_drag_bench.cjs`，12 例（改为模型在环逐周期运行） |
| held-out | §4.3 留出 2000 条 |
新增 `tests/learned_bench.cjs`：对同一批案例分别跑 ①原规划器 ②仅模型 ③模型+验证+回落，输出对比表。
新增 `tests/policy_bench.cjs`：①现有规划器 ②策略（关安全层）③策略 + 安全层（部署形态），输出对比表。
### 7.2 验收标准
### 9.2 验收标准（部署形态 = 策略 + 安全层）
| 指标 | 仅模型（参考） | 模型+验证+回落（必须） |
| 指标 | 要求 | 现状参考 |
|---|---|---|
| 路径合法率 | ≥ 90% | = 100%（与现状一致） |
| 到达率 | ≥ 95% | ≥ 现状（route 60/60，near pos 30/30，rt 30/30） |
| 关节行程 | ≤ 老师 × 1.1 | ≤ 现状 × 1.05 |
| 拖拽重规划 P99 | — | < 50 ms（现状约 321 ms） |
| 拖拽碰撞帧 | — | 0 |
| 模型命中率（不需回落） | — | ≥ 85% |
| 实际执行的碰撞帧 | **= 0** | rt_drag_bench 0 |
| 到达率（6 s 内） | route ≥ 60/60，near pos ≥ 29/30，near rt ≥ 29/30，held-out ≥ 97% | 60/60、30/30、30/30 |
| 关节行程 | ≤ 现有规划器 × 1.10 | route 平均 467° |
| 冷启动（新目标→第一个动作） | < 10 ms | 首次全量 IK 最差约 2 s |
| 每周期耗时（推理+安全层）P99 | < 15 ms | 拖拽重规划 P99 约 321 ms |
| 刹停发生率 | < 2% 的周期 | — |
| 模式摇摆（≥3 次切换）| < 1% 的任务 | — |
| 策略单独（关安全层）碰撞率 | < 3%（参考：ELMP-APG 8.9%，DRP 10.16%） | — |
不达标的处理：命中率低 → 加数据（重点补失败类别）/ 加大模型；行程差 → 加大行程 loss 或过滤老师绕远样本；延迟不降 → 减少 B 或改 flow matching。
说明：允许 near_column 少 1 例，因为无老师时最难的贴柱案例可能要靠多次刹停-重算才能到达，6 s 超时内可能失败；这一条请审查时确认能否接受。
---
## 8. 风险与维护
## 10. 风险与维护
1. **碰撞模型/立柱变动 = 重训**：`collide.json` 指纹写进数据和模型，不一致时前端自动禁用模型，回落原规划器，不会出错只会变慢。重训流程 = §2 → §5，约半天。
2. **老师的缺陷会被学走**：例如 `ci27` 姿态根枚举漏分支（姿态偏差约 97.5°）。数据里 `poseRelaxed` 样本已隔离；老师修好后再重造数据。
3. **分布外目标**：模型在工作空间边缘可能乱给；有验证+回落兜底，只影响速度。
4. **J3/J6 连续轴展开**：预处理与部署必须同一套 `unwrapTo` 口径，§3 对拍时一并验证。
1. **局部极小**：可微代价和闭环策略都可能卡在立柱前"想直穿过去又被安全层挡住"。对策：B/C 类数据加权、模式头学左右绕、E2 错题少量老师补数据（§7.2）。这是无老师方案最大的风险。
2. **碰撞模型/立柱变动 = 重训**：指纹不一致即拒绝运行。重训流程：§4（约 5 h）→ §6（约 4 h）→ §7（约 2–4 h）。
3. **安全层耗时**：最坏周期可能超 5 ms，见 §8.3 的流水线方案。
4. **老师缺陷**：`ci27` 姿态根枚举漏分支（姿态偏差约 97.5°）会进入预训练数据；APG 的姿态到达项可以部分纠正，必要时先修老师。
5. **真机迁移**：浏览器的"执行"是理想插补；真机需加速度/力矩限制（TOPP 类时间参数化）和跟踪误差余量（把 margin 再加大）。
---
## 9. 目录规划
## 11. 目录规划
```
ml/
gen/ gen_dataset.cjs sampler.cjs run_parallel.sh
data/ shard_*.jsonl stats.json train/val/test.parquet norm.json (不入库，.gitignore)
data/ （不入库）shard_*.jsonl stats.json *.parquet norm.json
prep/ build_dataset.py
model/ traj_transformer.py
eval/ collide_py.py eval_paths.py
configs/ base.yaml
model/ policy_transformer.py
sim/ closed_loop.py # 闭环仿真（训练验证、挖错、APG 展开共用）
eval/ collide_torch.py # 可微胶囊距离，与 JS 对拍
apg/ apg_finetune.py
mining/ mine_round.py gate.py loop.sh
configs/ base.yaml apg.yaml
train.py export_onnx.py README.md
webapp/js/ik-learned.js
webapp/models/traj_v1.onnx traj_v1.norm.json
tests/learned_bench.cjs
webapp/js/ik-policy.js # 闭环推理 + 模式粘滞 + 安全层 + 刹停
webapp/models/traj_v2.onnx traj_v2.norm.json
tests/policy_bench.cjs
```
## 10. 里程碑
## 12. 里程碑
| # | 内容 | 产出 | 在哪跑 |
|---|---|---|---|
| M1 | 数据生成器 + 1000 条试跑 + stats | `ml/gen/*`、stats.json | 沙箱 |
| M2 | Python 碰撞检查器对拍 | `collide_py.py`，1 万位形 0 误差 | 沙箱 |
| M3 | 全量 20 万条数据 | Parquet | 沙箱（约 20 h）或用户机器 |
| M4 | 训练工程 + 小数据过拟合测试（1000 条能背下来） | `train.py` 等 | 沙箱 CPU 验证代码可跑 |
| M5 | 正式训练 | checkpoint、TensorBoard | **用户 GPU** |
| M5A | 后训练循环：GPU 批量验算器 + 挖掘/重标/微调/门禁，跑 3–6 轮 | 每轮 report.md | 用户 GPU（老师重标可分到沙箱） |
| M6 | 导出 ONNX + 前端集成 + learned_bench | 对比表 | 沙箱 + 浏览器 |
| M1 | 数据生成器 + 时间参数化 + 1000 条试跑 | `ml/gen/*`、stats.json | 沙箱 |
| M2 | 可微胶囊距离（PyTorch）与 JS 对拍 | `collide_torch.py`，10 万位形 0 误差 | 沙箱（CPU 即可） |
| M3 | 5 万条老师数据 → 约 300 万闭环样本 | Parquet | 沙箱约 5 h 或用户机器 |
| M4 | 模型 + 训练工程 + 闭环仿真；小数据过拟合测试 | `train.py`、`closed_loop.py` | 沙箱 CPU 验证可跑 |
| M5 | 预训练（行为克隆） | checkpoint | **用户 GPU** |
| M6 | APG 微调 + 挖错循环 3–6 轮 | 每轮 report.md | **用户 GPU** |
| M7 | 导出 ONNX + `ik-policy.js` 闭环部署 + 安全层实测 + `policy_bench` | 对比表 | 沙箱 + 浏览器 |
| M8 | 移除查看器里对 `solveDyn`/`routeRT`/路网的运行时依赖（保留在 `ml/gen` 离线使用） | 部署包瘦身 | 沙箱 |
## 11. 需要用户确认
## 13. 参考文献
- Fishman et al., *Motion Policy Networks*, CoRL 2022. https://arxiv.org/abs/2210.12209 ；闭环细节见补充材料 https://proceedings.mlr.press/v205/fishman23a/fishman23a-supp.pdf
- Dalal et al., *Neural MP: A Generalist Neural Motion Planner*, 2024 / IROS 2025. https://arxiv.org/abs/2409.05864
- Yang, Liu et al., *Deep Reactive Policy: Learning Reactive Manipulator Motion Planning for Dynamic Environments*, CoRL 2025. https://arxiv.org/abs/2509.06953
- Fishman et al., *Avoid Everything: Model-Free Collision Avoidance with Expert-Guided Fine-Tuning*, CoRL 2024 Workshop（DRP 文中引用为 MπFormer）
- Li et al., *ELMP: Efficient Learning for Motion Planning via Analytical Policy Gradients*, arXiv 2607.00215, 2026. https://arxiv.org/abs/2607.00215
- Ross, Gordon, Bagnell, *A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning*（DAgger），AISTATS 2011
## 14. 需要用户确认
1. 训练机显卡型号与显存。
2. 定位：只做加速器（本文默认），还是希望最终能脱离规划器。
3. 数据生成在沙箱跑（约 20 h），还是你的机器跑更快。
2. §9.2 中 near_column 允许 29/30（无老师下最难案例可能超时）是否接受。
3. 控制周期 50 Hz、每周期执行 3 步（60 ms）作为默认值是否合适（真机控制器频率如有要求请告知）。