blackbird/actpred

actpred — 动作预测模块

输入多帧摄像头图像 + 历史动作序列，预测下一时间步的连续动作（回归）。

纯神经网络实现（PyTorch）：轻量 CNN 或 MobileNetV2 逐帧编码，图像/动作 token 进轻量 Transformer（pre-LN）自注意力融合，取 [PRED] token 回归下一步动作。 默认配置总参数量 ~450K。

架构

F 帧图像 (F×3×H×W) ─► 共享 CNN 编码器 ─► F 个 token ─► proj → d_model ┐
                                                                          ├─► [img×F, act×H, (IMU), PRED]
动作历史 (H×D)      ─► Linear proj → d_model ─► H 个 token ────────┤        │        + 位置编码
IMU 姿态 (imu_dim) ─► Linear proj → 1 个 token（R2，可选）────────┤        ▼
可学习 [PRED] token ────────────────────────────────────────┘  TransformerEncoder (pre-LN, 2 层, 4 头, d_model=128)
                                                                                 │
                                             取 PRED 位置输出 ─► MLP 头 ─► 预测动作 (action_dim)

token 序列长度固定为 F+H+1（默认 3+5+1=9；--imu-dim>0 时 IMU token 插到 PRED 之前，长度 F+H+2），除 batch 外无动态 shape，对 NPU（如树莓派 AI 扩展板）部署友好。

快速开始

# 安装（默认 CPU-only；如需 GPU 支持，编辑 _set.sh 按注释说明操作）
cd actpred && bash _set.sh

# 训练
bash _run.sh train --data-dir ./data --epochs 100 --action-dim 18

# 断点续训练（从 last.pt 恢复 model/optimizer/scheduler/epoch）
bash _run.sh train --data-dir ./data --epochs 100 --resume checkpoints/last.pt

# R1 改进：残差预测 + 多步展开训练（可叠加）
# --predict-delta  预测 Δ=actions[t]-actions[t-1]（惯性先验，平滑动作；推理端自动加回 a_{t-1}）
# --rollout-len K  多步展开训练（K>1 时 scheduled sampling，治 exposure bias）
# --ss-prob P      scheduled sampling 真实历史概率（默认 1.0=全真；0.5 表示半数步用自预测回传）
bash _run.sh train --data-dir ./data --epochs 100 --action-dim 18 \
    --predict-delta --rollout-len 4 --ss-prob 0.7

# R2 姿态反馈：--imu-dim 8 启用独立 IMU token（数据需含 imu.npy，见"数据格式"）
bash _run.sh train --data-dir ./data --epochs 100 --action-dim 18 --imu-dim 8

# 归一化+逐列加权：固定物理范围归一化（免 stats 文件）+ 舵机列损失权重上浮
bash _run.sh train --data-dir ./data --epochs 100 --action-dim 18 \
    --normalize-actions --normalize-mode fixed_range
# 自定义列权重（逗号分隔 action_dim 个浮点；默认舵机1.0/spk0.2/保留位0.0）
bash _run.sh train --data-dir ./data --epochs 100 --normalize-actions \
    --normalize-mode fixed_range --column-weights "1,1,1,1,1,1,1,1,1,1,0.2,0.2,0,0,0,0,0,0"

# 推理（--images 按时间顺序旧→新传入 frame_len 个图像路径，冷启动时可重复传同一帧；
#      --action-history 格式：冒号分隔各步，每步 action_dim 个值，共 history_len 步）
bash _run.sh --model checkpoints/best_inference.pt \
    --images frame_t-2.jpg frame_t-1.jpg frame_t.jpg \
    --action-history "45,0,45,0,45,0,45,0,90,90,10,200,0,0,0,0,0,0:45,0,45,0,45,0,45,0,90,90,0,20,0,0,0,0,0,0:45,0,45,0,45,0,45,0,90,90,0,0,0,0,0,0,0,0:45,0,45,0,45,0,45,0,90,90,0,0,0,0,0,0,0,0:45,0,45,0,45,0,45,0,90,90,0,0,0,0,0,0,0,0"

# 导出 ONNX（如安装了 onnxruntime，导出后自动验证一致性）
bash _run.sh export --model checkpoints/best_inference.pt --output model.onnx

# R4 离线评估：开环滚动预测，量化闭环代理指标（误差发散/平滑度/越界率）
python evaluate.py --model checkpoints/best_inference.pt --data-dir ./data
# A/B 对比两个 checkpoint（负值 = 主模型更优）
python evaluate.py --model checkpoints/r1.pt --compare checkpoints/baseline.pt \
    --data-dir ./data --episodes 3 --horizon 50 --output report.json

# 运行单元测试
python test_actpred.py

注意：torch ≥ 2.12 的 ONNX 导出依赖 onnxscript，_set.sh 已一并安装； 如单独使用 requirements.txt 安装，请额外执行 pip install onnxscript onnxruntime。

预训练（从 .mt 脚本，无需图像）

从 bot4cj 的 .mt 动作脚本中提取 @Action 矩阵，用全零多帧图像占位预训练动作动力学（history → next action）， 保存的 checkpoint 与正常训练格式完全兼容，可直接用于推理或作为微调起点。

# 预训练（解析 ../bot4cj/scripts/*.mt）
bash _run.sh pretrain --mt-dir ../bot4cj/scripts --epochs 200 --noise-std 1.0

# 预训练断点续训
bash _run.sh pretrain --mt-dir ../bot4cj/scripts --epochs 200 --noise-std 1.0 \
    --resume checkpoints/pretrain_last.pt

# 用预训练权重作为微调起点（pretrain 也支持 --init-from，行为同 train）
bash _run.sh train --data-dir ./data --epochs 50 \
    --init-from checkpoints/pretrain_best_inference.pt

参数	说明
--mt-dir	.mt 脚本目录（如 ../bot4cj/scripts）
--noise-std	高斯噪声标准差（数据增强，建议 0.52.0；与 --normalize-actions 联用时按 z-score 单位，建议 0.050.2）
--random-images	用 ImageNet 归一化均匀噪声替代全零图像占位，恢复 BN 统计（详见下方警告）
--init-from	预训练 checkpoint 路径，作为微调起点（strict=False；与当前运行动作空间不一致时打印 WARNING）

注意：.mt 脚本列数（12）与 action_dim（18）不一致时自动补零。预训练保存到 checkpoints/pretrain_best_inference.pt。 预训练与微调必须使用同一动作空间（--normalize-actions 同时开或同时关）， 否则输入分布与权重不匹配，预训练收益会大打折扣。

警告（2026-08-13 实测）：全零图像占位会让 BN running_var 停在初始小值， 推理时特征放大到 ±1e6，HEF uint8 量化不可行（输出对输入不敏感）。 面向 NPU 部署的预训练/微调请务必使用 --random-images（或真实数据微调）， 导出时 export_deploy.py 的 check_token_ranges 会拦截退化的 checkpoint。 详见 根因分析报告。 建议同时开启 --normalize-actions：z-score 后 act_tokens 与 img_tokens 同量级， 避免 HEF merge 点共享量化 scale 粗量化图像路径。

数据格式

data/
    episode_001/
        images/
            0000.jpg
            0001.jpg
            ...
        actions.npy       # shape: (T, action_dim) float32
        imu.npy           # 可选，shape: (T, 8×N) float32（N 个 MPU6050 姿态拼接，R2）
    episode_002/
        ...

每个 timestep 的样本：帧 [t-frame_len+1, t]（旧→新）+ 前 history_len 步动作 → 当前步动作。 采样起点为 max(history_len, frame_len-1)。

imu.npy 每传感器占 8 槽 [roll, pitch, ax, ay, az, gx, gy, gz]（roll/pitch 角度制，其余为 MPU6050 原始 int16），多传感器（最多 4 个）按脚本 @MPU6050_BIND 行顺序拼接，由 pybot --record 逐帧同步落盘。旧 episode 没有姿态数据，训练 IMU 模型需用新版 pybot 重新录制；--imu-dim>0 时缺失 imu.npy 的 episode 按零向量兜底（向后兼容，但无姿态先验收益）。 姿态归一化按物理量程固定缩放（roll/pitch ÷180，原始 int16 ÷32768，8 槽模式 按传感器数平铺），训练与推理共用 imu_norm.py，无需统计文件。 录制/训练/闭环脚本的传感器行顺序必须一致，否则槽位错位。

数据采集

from dataset import DataRecorder

recorder = DataRecorder("./data", action_dim=18)
for image, action in robot_loop():
    recorder.record(image, action)
recorder.flush()

配置

所有超参数通过 CLI 参数覆盖，默认值见 config.py：

参数	默认值	说明
--image-width	640	图像缩放宽度
--image-height	480	图像缩放高度
--action-dim	18	动作向量维度（对齐 bot4cj 18 列：10 舵机 + 2 云台 + 扬声器频率 + 延时 + 4 预留）
--history-len	5	历史动作窗口长度
--frame-len	3	输入图像帧数（含当前帧，旧帧在前）
--imu-dim	0	R2 姿态输入维度（>0 启用独立 IMU token；8×N，N=传感器数≤4）
--backbone	simple	CNN 类型 (simple/mobilenet)
--attn-dim	128	注意力 token 维度 d_model（须能被 attn-heads 整除）
--attn-heads	4	注意力头数
--attn-layers	2	TransformerEncoder 层数
--epochs	100	训练轮数
--lr	0.001	学习率
--batch-size	4	批次大小（默认分辨率 640×480；更高分辨率需调小，小分辨率可调大）
--normalize-actions	True	动作归一化（--no-normalize-actions 关闭；2026-08-14 起默认开启——复现旧行为需显式关闭）
--normalize-mode	zscore	归一化方式：zscore=数据统计（依赖 action_stats.npy）；fixed_range=固定物理范围 min-max→[0,1]（常量表见 action_norm.py，免 stats 文件，越界 clamp 防御）
--column-weights	舵机1.0/spk0.2/保留位0.0	逐列损失权重（逗号分隔 action_dim 个浮点；仅影响训练损失，推理端无感知；始终生效——包括 --no-normalize-actions 的未归一化训练）
--dropout	0.1	Dropout 率
--weight-decay	0.0001	权重衰减
--val-split	0.15	验证集比例
--patience	15	早停耐心值
--max-grad-norm	1.0	梯度裁剪上限
--seed	42	随机种子
--num-workers	2	DataLoader 工作进程数
--checkpoint-dir	./checkpoints	检查点保存目录
--init-from	无	预训练 checkpoint 路径，作为微调起点（strict=False）
--resume	无	从 last.pt 断点续训练（恢复 model/optimizer/scheduler/epoch；scheduler 的 T_max 一并恢复，resume 时改 --epochs 不影响 LR 余弦曲线，只影响循环边界）
--save-config	无	保存配置到 JSON 文件
--predict-delta	False	R1-C 残差预测（target 改 Δ，推理端自动加回 a_{t-1}）
--rollout-len	1	R1-B 多步展开步数 K（>1 时 scheduled sampling）
--ss-prob	1.0	scheduled sampling 真实历史概率（仅 rollout-len>1 生效）

离线评估（R4）

evaluate.py 在留出 episode 上开环滚动预测（复现 pybot 闭环口径：图像用真值滚动、 动作用自预测回写），输出闭环代理指标。单步 MSE（teacher forcing）看不见闭环误差累积， 本评估补上这一盲区：

指标	含义	判读
overall_mse	全部滚动步的平均 MSE	越低越好
error_growth	末段(后25%)误差 / 首段(前25%)误差（按 episode 分别计算后取中位数）	>1 表示误差随步数发散（闭环不稳）
error_curve	误差随步数的增长曲线	看发散拐点
smoothness_ratio	预测平滑度 / 真值平滑度	<1 表示比真值更平滑（残差模式的预期收益）
oob_rate	预测落在物理范围外的比例	越高越危险（舵机越界风险）

越界判定用固定物理界（action_norm.py 常量表：舵机 [0,180]、spk.F [0,5000] 等）， "越物理界"比"越经验界"更符合安全语义，且恒值列不会使经验界退化。--compare 用于 A/B 对比（如 R1 开/关）。 滚动复现闭环口径：模型带 imu 输入时按 episode 的 imu.npy 真值姿态逐步喂入 （缺失则零向量，与 pybot 闭环无 @MPU6050_BIND 块时的行为一致）。

部署注意

• 启用 --normalize-actions 且 --normalize-mode zscore（默认）训练的模型，其 action_stats.npy 保存在 checkpoint 同目录；部署时必须将 stats 文件与 checkpoint 一起拷贝（推理端优先按 checkpoint 内记录的路径查找，找不到时回退到 checkpoint 同目录的 action_stats.npy）。
• --normalize-mode fixed_range 用固定物理范围 min-max→[0,1]（常量表见 action_norm.py）， 免 stats 文件，消除 stats 路径类 bug 的整类风险；推理端（predict/onnx_infer/hailo_infer） 从 checkpoint/ONNX 元数据自动识别归一化方式（含 predict_delta 残差模式），无需额外参数。 注：旧版导出的 ONNX 无元数据，onnx_infer 回退 zscore + 非残差，需显式 --normalize-mode/--predict-delta 或重新导出。
• actions.npy 的列数必须与 --action-dim 一致；图像与动作帧数不一致时训练会打印 WARNING 并按较少者使用。

编程 API

from predict import ActionPredictorInference

predictor = ActionPredictorInference("checkpoints/best_inference.pt")
print(predictor.action_dim, predictor.history_len, predictor.frame_len)  # 公共属性
# images: 长度为 frame_len 的 RGB 图像列表（旧→新，末帧为当前帧；冷启动可重复同一帧）
action = predictor.predict(images, action_history)  # np.ndarray (action_dim,)
# action_history 形状须为 (history_len, action_dim)
# 模型含 IMU 输入时（predictor.imu_dim 非 None）可传 imu= 原始姿态向量
# （roll,pitch,ax,ay,az,gx,gy,gz；内部自动归一化，None 等价零向量）
action = predictor.predict(images, action_history, imu=imu_vec)

ONNX Runtime 后端（CPU 加速）

onnx_infer.py 的 OnnxPredictor 走 ONNX Runtime CPU 推理，接口与 ActionPredictorInference 对齐（含可选 imu= 入参），维度从 ONNX 输入元数据 自动推导（无需 checkpoint）。Pi 5 实测（224×224，2026-08-13 复测）11.4ms/次含预处理 （纯推理 10.7ms），PyTorch 21ms，约 2 倍加速，与 torch 前向输出差异 <1e-5。数据见 测速报告 §6。

bash _run.sh export --model checkpoints/best_inference.pt --output model.onnx

from onnx_infer import OnnxPredictor

with OnnxPredictor("model.onnx") as predictor:    # stats_path= 仅归一化模型需要
    action = predictor.predict(images, action_history)

python3 onnx_infer.py --model model.onnx --images f1.jpg f2.jpg f3.jpg \
    --action-history "45,0,...:45,0,..." [--stats action_stats.npy]

Hailo 部署（AI HAT 2 / Hailo-10H）

模型需先经 Hailo DFC（仅 x86 Linux，venv_dfc）编译为 HEF。 训练态 ONNX（5D 输入、AdaptiveAvgPool、MultiheadAttention 的 head reshape）无法被 DFC 解析，必须用 export_deploy.py 的部署版导出 （按帧展开 CNN、固定 kernel AvgPool、注意力按头展开为独立 Linear、 全程 (1,1,S,d) 无 transpose 布局，权重数值不变）。

当前 NPU 目标分辨率为 224×224（pretrain checkpoint 配置），HEF 输入 为 frame0~2 各 (1,224,224,3) NHWC + action_history (1,1,5,18) + pred_token (1,1,1,128)（--imu-dim>0 时追加 imu (1,1,1,imu_dim)，共 6 输入）， 形状与量化参数由 hailo_infer.py 从 vstream info 自动推导，不硬编码。

# x86 主机（venv_dfc 内已装 hailo-sdk 5.3）：
# 1. 导出部署版 ONNX + 学习到的 pred_token（推理端喂入用）
python3 export_deploy.py --model checkpoints/pretrain_best_inference.pt \
    --pred-token-out checkpoints/actpred_deploy_pred_token.npy
# 2. 生成校准集（pred_token 按学习值 ±30% 抖动，避免常量量化退化）
python3 gen_calibration.py --deploy --model checkpoints/pretrain_best_inference.pt
# 3. 一键编译（parser → optimize → compiler，各步自动做输入连通性检查）
python3 dfc_compile.py            # 产物 checkpoints/actpred_pretrain.hef
# 4. 将 HEF + actpred_deploy_pred_token.npy 拷回树莓派

已验证：完整 110 层网络（含 matmul/softmax/layernorm 注意力）解析、 量化、编译全部通过；hailo10h 目标。 编译要点与踩坑记录见 dfc_compile.py 文档字符串。

验证记录（2026-08-13 树莓派实测）：归一化轮次（--normalize-actions

• --random-images 预训练，224×224）重编译的 HEF 已通过 _npu_test.py 实机复验：img 敏感性 22.3、hist 敏感性 38.9（阈值 0.1），HEF vs torch max_diff 0.37（原始动作空间），约 12ms/次（含预处理）。此前两轮失败的 根因与修复均已闭环：

• BN 统计退化 → --random-images 预训练 + export_deploy.py check_token_ranges 导出前拦截
• pred_token 常量校准退化（scale=18571.7）→ 抖动校准，推理端喂学习值
• 输入层断连 → dfc_compile.py parser/optimize 后连通性检查
• vstream 报告顺序乱序 → hailo_infer.py 按 input_layerN 排序绑定
• 帧归一化判定错误（把归一化帧当原始像素喂，图像路径饱和破坏）→ 按量化网格 dequant(0) 判定，见 hailo_infer.py 注释

验证链：export_deploy.py（token 量级）→ _onnx_validate.py（ONNX 数值）→ dfc_compile.py（输入连通性）→ _npu_test.py（4 角敏感性）。 遗留：全零历史角（z≈-3.5）超出校准输入范围（-2.7）会被截断， 该角仅作连通性验证，非真实部署场景。

hailo_infer.py 的 HailoPredictor 适配 5/6 输入 HEF（含可选 imu 输入， 按形状自动归类绑定），输入布局与量化 参数（帧归一化由量化网格 dequant(0) 自动判定）从 vstream info 自动推导， 单元测试含 fake hailo_platform 的 5 输入与乱序报告顺序用例。CLI 支持 --pred-token 喂入学习值、--stats 喂入归一化统计、--imu 喂入姿态。 环境调研与 API 踩坑记录见 docs/reports/actpred_hailo_hat2_inference_research_20260813.md。