Transformer 避障运动策略：无老师闭环部署方案（审查稿 v2）

• 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。

0. 定位与边界

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. 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）。

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

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

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

conda create -n armtf python=3.11 -y && conda activate armtf
pip install torch --index-url https://download.pytorch.org/whl/cu121   # 按本机 CUDA 版本选
pip install numpy pyarrow tqdm tensorboard onnx onnxruntime

4. 第一步：离线造预训练数据（老师只在这里出现）

4.1 新增文件

复用 tests/route_bench_setup.cjs 装配求解器（关节表、docs/travel.json、docs/collide.json）。

4.2 一条原始样本

{
  "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"
}

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]。

• 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。

4.4 过滤

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）。

4.5 时间参数化 → 闭环训练样本（v2 新增，关键）

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：

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。

4.6 耗时与存储

• 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。

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

5. 第二步：表示与预处理

文件 ml/prep/build_dataset.py → train/val/test.parquet、norm.json。

5.1 输入（条件）

5.2 输出（动作块）

• 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）。

5.3 连续轴

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。

6. 第三步：模型与预训练（行为克隆）

6.1 结构（参考 IMPACT，去掉点云部分）

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

6.2 预训练损失

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

6.3 训练配置

6.4 对拍与验证（每 epoch）

• 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。

7. 第四步：后训练（无老师为主）

7.1 主力：APG 可微微调（借鉴 ELMP）

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：

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

• 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。

7.2 辅助：闭环挖错 + 门禁（v1.1 循环的无老师版）

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。

7.3 可选：拒绝采样自蒸馏

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。

8. 第五步：无老师闭环部署

8.1 每个控制周期做什么（默认 50 Hz）

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）

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

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）。

9. 第六步：评估与验收

9.1 测试集合

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。

9.2 验收标准（部署形态 = 策略 + 安全层）

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。

10. 风险与维护

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）。

11. 目录规划

ml/
  gen/        gen_dataset.cjs  sampler.cjs  run_parallel.sh
  data/       （不入库）shard_*.jsonl  stats.json  *.parquet  norm.json
  prep/       build_dataset.py
  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-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

12. 里程碑

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. §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）。