blackbird

823 Commits 2 Branches 0 Tags

3 Commits

Include renames

Author	SHA1	Message	Date
qing	85bf68f505	feat(actpred): 固定范围归一化 + 逐列加权损失，附 pybot*actpred 审计修复新增 action_norm.py 固定物理范围 min-max 归一化，无 stats 文件零状态部署；train.py 引入 _weighted_mse 逐列加权（舵机 1.0/spk 0.2/保留位 0.0）。审计修复: P0-1 pybot 读 normalize_mode, R2-1 NaN 阻断 best, P2-a 后端大小写不敏感, P1-3 utf-8-sig BOM, R1-1 data_dir 覆盖, R2-7 _run.sh 报错, R2-3 空 val 存 best.pt, P2-a2 误报警, R1-2 合并 parse_action_history, P2-b 合并 numpy import。评估修正 oob 物理界+error_growth 按 episode 中位数。推理部署全链支持 fixed_range。	2026-08-14 18:26:03 +08:00
qing	a2ba797410	feat(pybot×actpred): R2 姿态反馈方案一——MPU6050 独立 IMU token 全链路 - pybot：recorder 逐帧落盘 imu.npy（T×8，roll,pitch,ax,ay,az,gx,gy,gz，与帧/动作同调用对齐）；run_loop 对声明 imu_dim 的 predictor 以 predict(..., imu=) 调用（鸭子类型，旧两参调用向后兼容） - actpred：新增 --imu-dim；model 序列 [img×F, act×H, (IMU), PRED]（imu_dim>0 时 F+H+2，IMU token 位于 PRED 前）；dataset/train 读 imu.npy（缺失按零向量兜底）；predict/ONNX/Hailo 三后端与 export/gen_calibration/dfc_compile/_npu_test 部署链适配 imu 输入 - 姿态按物理量程固定缩放归一化（imu_norm.py，训练/推理共用，零状态） - 测试：actpred 128 passed / pybot loop+recorder 28 passed	2026-08-14 09:07:24 +08:00
qing	cc2f7bca79	feat(actpred): R1 残差预测+多步展开训练与 R4 离线评估基准 R1（可选开关，默认关，向后兼容）： - --predict-delta：残差预测，target=Δ=a[t]-a[t-1]（归一化空间），推理端 predict 自动加回 a_{t-1}（惯性先验平滑动作） - --rollout-len K + --ss-prob：多步展开 + scheduled sampling，首步真历史、后续步按概率用真历史或自预测回传（detach 截断），治 exposure bias；dataset 多步样本返回 {steps:[...]}，自定义 collate - 旧 checkpoint getattr 默认 False 兼容；pybot 闭环/部署链零改动 R4（新增 evaluate.py）： - 留出 episode 开环滚动预测，复刻闭环口径（图像真值滚动、动作自预测回写） - 5 个闭环代理指标：overall_mse/error_growth(发散)/error_curve/ smoothness_ratio(平滑)/oob_rate(越界，数据经验界 min/max+margin) - 支持 --compare A/B 对比与 --output JSON 报告 - 端到端验证：正确捕捉开环发散(单步 MSE 盲区)与残差平滑收益新增 17 用例（R1×10 + R4×7），全量 100 passed 无回归	2026-08-14 07:52:22 +08:00

Author

SHA1

Message

Date

qing

85bf68f505

feat(actpred): 固定范围归一化 + 逐列加权损失，附 pybot*actpred 审计修复

新增 action_norm.py 固定物理范围 min-max 归一化，无 stats 文件零状态部署；train.py 引入 _weighted_mse 逐列加权（舵机 1.0/spk 0.2/保留位 0.0）。审计修复: P0-1 pybot 读 normalize_mode, R2-1 NaN 阻断 best, P2-a 后端大小写不敏感, P1-3 utf-8-sig BOM, R1-1 data_dir 覆盖, R2-7 _run.sh 报错, R2-3 空 val 存 best.pt, P2-a2 误报警, R1-2 合并 parse_action_history, P2-b 合并 numpy import。评估修正 oob 物理界+error_growth 按 episode 中位数。推理部署全链支持 fixed_range。

2026-08-14 18:26:03 +08:00

qing

a2ba797410

feat(pybot×actpred): R2 姿态反馈方案一——MPU6050 独立 IMU token 全链路

- pybot：recorder 逐帧落盘 imu.npy（T×8，roll,pitch,ax,ay,az,gx,gy,gz，与帧/动作同调用对齐）；run_loop 对声明 imu_dim 的 predictor 以 predict(..., imu=) 调用（鸭子类型，旧两参调用向后兼容）

- actpred：新增 --imu-dim；model 序列 [img×F, act×H, (IMU), PRED]（imu_dim>0 时 F+H+2，IMU token 位于 PRED 前）；dataset/train 读 imu.npy（缺失按零向量兜底）；predict/ONNX/Hailo 三后端与 export/gen_calibration/dfc_compile/_npu_test 部署链适配 imu 输入

- 姿态按物理量程固定缩放归一化（imu_norm.py，训练/推理共用，零状态）

- 测试：actpred 128 passed / pybot loop+recorder 28 passed

2026-08-14 09:07:24 +08:00

qing

cc2f7bca79

feat(actpred): R1 残差预测+多步展开训练与 R4 离线评估基准

R1（可选开关，默认关，向后兼容）：
- --predict-delta：残差预测，target=Δ=a[t]-a[t-1]（归一化空间），
  推理端 predict 自动加回 a_{t-1}（惯性先验平滑动作）
- --rollout-len K + --ss-prob：多步展开 + scheduled sampling，
  首步真历史、后续步按概率用真历史或自预测回传（detach 截断），
  治 exposure bias；dataset 多步样本返回 {steps:[...]}，自定义 collate
- 旧 checkpoint getattr 默认 False 兼容；pybot 闭环/部署链零改动

R4（新增 evaluate.py）：
- 留出 episode 开环滚动预测，复刻闭环口径（图像真值滚动、动作自预测回写）
- 5 个闭环代理指标：overall_mse/error_growth(发散)/error_curve/
  smoothness_ratio(平滑)/oob_rate(越界，数据经验界 min/max+margin)
- 支持 --compare A/B 对比与 --output JSON 报告
- 端到端验证：正确捕捉开环发散(单步 MSE 盲区)与残差平滑收益

新增 17 用例（R1×10 + R4×7），全量 100 passed 无回归

2026-08-14 07:52:22 +08:00