From 062bdfd68cad4fec1742a419501c2142ea10ea76 Mon Sep 17 00:00:00 2001 From: Zhirik1337 Date: Tue, 22 Sep 2026 21:25:39 +0300 Subject: [PATCH 1/2] =?UTF-8?q?=D0=B0=D1=83=D0=B3=D0=BC=D0=B5=D0=BD=D1=82?= =?UTF-8?q?=D0=B0=D1=86=D0=B8=D0=B8=20=D0=B1=D0=B5=D0=BD=D1=87=D0=BC=D0=B0?= =?UTF-8?q?=D1=80=D0=BA=D0=B0,=20=D0=B7=D0=BE=D0=BD=D0=BD=D1=8B=D0=B9=20?= =?UTF-8?q?=D0=BF=D0=BE=D0=BB=20=D0=B2=20=D0=BA=D0=BE=D0=BB=D0=B5=D0=B5,?= =?UTF-8?q?=20=D1=84=D0=B8=D0=BB=D1=8C=D1=82=D1=80=20=D0=BF=D0=BB=D0=B0?= =?UTF-8?q?=D1=82=D1=84=D0=BE=D1=80=D0=BC=D1=8B,=20=D1=8D=D0=BA=D1=81?= =?UTF-8?q?=D0=BF=D0=BE=D1=80=D1=82=20RViz?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - tools/make_benchmark.py: аугментации спавна d_start ∈ [40, 200] м, боковой дрейф v_lat, шум продольной координаты δs (устранение инверсии s_std), сценарии стоянки; - flyguard/lobula.py: зонный пол h_lo_core = 0.16 м в межрельсовой колее, динамическое расширение габарита в кривых W_eff(d) по Corridor.sigma(d), отсечение плоскости настила платформы; - flyguard/central_complex.py: поддержка лежащих препятствий в колее без штрафа за вытянутость формы; - flyguard/synth.py: добавлен класс «человек_лежа» (1.8×0.5×0.3 м); - flyguard/descending.py: дальний мягкий канал предупреждения на дистанциях >90 м; - flyguard/export.py: экспорт детекций в 3D BBox, уровни угрозы, маркеры RViz MarkerArray; - tests/test_pipeline.py, tests/run_tests.py: 38 юнит-тестов и автономный раннер. --- docs/IMPROVEMENT_PLAN.md | 254 +++++++++++++++++++++++++++++++++++ flyguard/central_complex.py | 9 +- flyguard/descending.py | 21 ++- flyguard/export.py | 258 ++++++++++++++++++++++++++++++++++++ flyguard/lobula.py | 53 +++++++- flyguard/pipeline.py | 20 ++- flyguard/synth.py | 2 + tests/run_tests.py | 83 ++++++++++++ tests/test_pipeline.py | 164 +++++++++++++++++++++++ tools/make_benchmark.py | 112 ++++++++++++++-- 10 files changed, 946 insertions(+), 30 deletions(-) create mode 100644 docs/IMPROVEMENT_PLAN.md create mode 100644 flyguard/export.py create mode 100644 tests/run_tests.py diff --git a/docs/IMPROVEMENT_PLAN.md b/docs/IMPROVEMENT_PLAN.md new file mode 100644 index 0000000..b4dd304 --- /dev/null +++ b/docs/IMPROVEMENT_PLAN.md @@ -0,0 +1,254 @@ +# Комплексный план развития FlyGuard · Хакатон ЛЦТ-2026 (Кейс 05) + +Документ фиксирует согласованную архитектурную стратегию и детальный план доработок ядра `FlyGuard` для максимизации качества решения на хакатоне ЛЦТ-2026 («Обнаружение посторонних объектов в тоннеле метро по данным 3D-лидара»). + +--- + +## 1. Контекст и текущее состояние + +Система [`FlyGuard`](../flyguard/pipeline.py) построена на принципах зрительной системы и грибовидных тел дрозофилы: +``` +облако точек 0.3–0.9 млн, 10 Гц + │ + ├─ RETINA омматидиальная решётка → дальностный образ 128 × N + ├─ HALTERES плоскость рельсов: крен, тангаж, высота сенсора + ├─ LAMINA диспаритет 1/R → ON/OFF, центр-окружение на 3 масштабах + ├─ MEDULLA / LP T4/T5 → LPTC: скорость поезда без одометрии + ├─ LOBULA LC11: кандидаты; разрез компоненты по контрасту + ├─ MUSHROOM BODY KC → APL → MBON: новизна формы (без меток) + │ + обученное считывание MBON (с метками из физики) + ├─ FAN-SHAPED BODY накопление лучей в координатах пути + ├─ CENTRAL COMPLEX накопление улик в координатах пути, треки + └─ DESCENDING два порога с гистерезисом → решение +``` + +### Текущие измеренные показатели (Ryzen 7600X, Hesai Pandar128): +* **Реальный объект на 55 м (`doubleT_obstacle`)**: **99.5 %** кадров с детекцией. +* **Задержка кадра на CPU**: **32–33 мс** при лимите 100 мс (запас ~3×). +* **Ложные тревоги (leave-one-bag-out)**: **8.0 трека/км** (11.0 % кадров). +* **Дальность обнаружения стоящего человека**: рабочая дальность **100 м**, P@50 = 0.70, **P@100 = 0.53, P@150 = 0.33**. + +--- + +### Главные узкие места, выявленные в ходе анализа: + +1. **Застревание улики трека на 120–160 м**: + На 150 м кандидат появляется в ~62 % кадров, но от предмета приходит лишь 4–6 лучей. Покадровое считывание MBON выдаёт малое $p \approx 0.05$ (из-за априорной редкости), улика прирастает на $+gain \cdot w \approx +0.017$, а утечка за промах отнимает $-leak = -0.12$. В итоге $evidence$ колеблется около нуля, и порог $0.5$ никогда не пробивается. +2. **Артефакты синтетики в [`TrackReadout`](../flyguard/track_readout.py)**: + Признаки $s_{std}$ и $u_{std}$ перевернулись на реальном объекте ($0.365$ м у человека против $0.013$ м у фона) из-за того, что в синтетике предмет спавнился строго неподвижно относительно оценки движения, а в реальности поезд стоял, а человек двигался. Признаки $closed$ и $age$ заучили фиксированный спавн с 200 м. В текущей версии `track_blend = 0.0` (выключен). +3. **Неиспользуемая неопределённость коридора [`Corridor.sigma`](../flyguard/geometry.py)**: + Ось коридора на кривой за горизонтом видимости (62–107 м) продолжается по касательной и расходится с истинным путем до 1.19 м на 150 м. Полуширина габарита жестко зафиксирована на $1.6$ м, поэтому крайние предметы выпадают из маски габарита ещё до кластеризации. +4. **Потеря кандидатов вдали (38 % пропусков на 120–160 м)**: + Порог $min\_rays\_far = 3$ отсекает кадры с 1–2 лучами. При этом накопитель [`FanBody`](../flyguard/fan_body.py) за 15 кадров аккумулирует в вокселе десятки попаданий, но никак не помогает формированию покадрового кандидата. +5. **Скачок ложных тревог на новой линии ($8.0 \to 20.3$ треков/км)**: + На незнакомом участке без обученной долговременной памяти штатные лотки и кронштейны получают высокую новизну. Габарит сейчас однороден и одинаково доверяет предметам на путях и конструкциям на стенах. +6. **Слипание с платформой на 30–50 м**: + При смещении предмета $+0.9$ м к кромке платформы он объединяется с ней в связную компоненту длиной $>15$ м и выбрасывается правилом $max\_depth$. +7. **Отсутствие лежащего человека**: + В [`catalogue`](../flyguard/synth.py) нет класса лежащего человека, а нижняя граница габарита $h_{lo} = 0.28$ м срезает упавшего на рельсы пассажира. + +--- + +## 2. Поэтапный план улучшений + +``` + ┌─────────────────────────────────────────────────────────────┐ + │ ФАЗА 1: Устранение артефактов данных и синтетики │ + │ • Аугментация спавна, движения, стоянки в make_benchmark │ + │ • Добавление «человек_лежа» (1.8×0.5×0.3 м) │ + │ • Честное переобучение и валидация TrackReadout │ + └──────────────────────────────┬──────────────────────────────┘ + │ + ▼ + ┌─────────────────────────────────────────────────────────────┐ + │ ФАЗА 2: Пробитие дальней зоны (100–160 м) │ + │ • Двухканальное решение в DescendingNeurons (soft-warning) │ + │ • Динамическое расширение габарита по Corridor.sigma(d) │ + │ • Обратная связь FanBody → Lobula (порог 2 луча по опоре) │ + └──────────────────────────────┬──────────────────────────────┘ + │ + ▼ + ┌─────────────────────────────────────────────────────────────┐ + │ ФАЗА 3: Обобщаемость на новый тоннель и ближняя зона │ + │ • Иерархический габарит (опасная колея vs стены/лотки) │ + │ • Вычитание плоскости платформы (h~1.1 м, |u|>1.2 м) │ + │ • Понижение h_lo до 0.16 м в межрельсовой зоне │ + └──────────────────────────────┬──────────────────────────────┘ + │ + ▼ + ┌─────────────────────────────────────────────────────────────┐ + │ ФАЗА 4: ROS2 Экспорт, Замеры и Протокол Стенда Жюри │ + │ • Модуль экспорта: 3D Bounding Boxes, Threat Level, RViz │ + │ • Сквозной Leave-one-bag-out замер и стресс-тест на CPU │ + └─────────────────────────────────────────────────────────────┘ +``` + +--- + +### Фаза 1: Устранение артефактов данных и синтетики + +**Цель:** сделать выборку для обучения [`TrackReadout`](../flyguard/track_readout.py) инвариантной к реальным условиям, исключить переобучение на искусственные признаки генератора. + +#### 1.1. Аугментация генерации в [`tools/make_benchmark.py`](../tools/make_benchmark.py) +* **Случайная дальность спавна**: вместо жесткой фиксации на $d_{start} = 200$ м задавать $d_{start} \sim \mathcal{U}(40, 200)$ м. Это разрушает фиктивную корреляцию между истинностью объекта и признаками $closed = \ln(d_{start}/d)$ и $age$. +* **Поперечное и продольное блуждание объекта**: + * Случайная скорость движения человека: $v_{lat} \sim \mathcal{U}(-0.4, 0.4)$ м/с. + * Реалистичный шум положения $\delta s \sim \mathcal{N}(0, \sigma_s^2)$ с $\sigma_s = 0.15$ м (моделирует погрешность одометрии и скольжение лучей по телу). + * Благодаря этому $s_{std}$ и $u_{std}$ перестают быть нулевыми для синтетических объектов. +* **Сценарии со стоящим поездом**: + * Генерация препятствий в кадры со стоящим поездом ($v = 0$, например, кадры бэга `doubleT_obstacle`), чтобы модель не считала нулевую скорость признаком отсутствия опасности. + +#### 1.2. Добавление класса «человек_лежа» в [`catalogue`](../flyguard/synth.py) +* Добавить геометрию: + ```python + "человек_лежа": ObjectModel("человек_лежа", [ + Box(length=1.80, width=0.50, height=0.30, h_base=0.0) + ], reflectivity=0.35) + ``` +* В [`_quality`](../flyguard/central_complex.py) учесть, что вытянутость вдоль пути ($depth \approx 1.8$ м) при малой высоте ($h \le 0.35$ м) и расположении в межрельсовой зоне ($|u| \le 0.75$ м) не должна штрафоваться множителем $compact$. + +#### 1.3. Переобучение [`TrackReadout`](../tools/train_track.py) +* Собрать обновлённый кэш треков: + ```bash + python tools/make_benchmark.py --memory artifacts/mushroom_body.npz \ + --mbon-dir artifacts/mbon_folds --tracks-out data/cache/track_set_aug.npz + ``` +* Обучить [`TrackReadout`](../tools/train_track.py) с контролем ROC AUC по всем полосам (целевой AUC $>0.90$ на полосе 110–160 м). +* Проверить валидацию на `doubleT_obstacle`: оценка $p_{track}$ для реального объекта должна составлять $> 0.95$. + +--- + +### Фаза 2: Пробитие дальней зоны (100–160 м) + +**Цель:** гарантировать, что появляющиеся на 120–160 м кандидаты и треки превращаются в надежное раннее предупреждение, не застревая в утечке $leak$. + +#### 2.1. Двухканальное решение в [`DescendingNeurons`](../flyguard/descending.py) +Биологическая аналогия: разделение Giant Fiber (DNp01, жесткий аварийный порог) и DNp02/DNp11 (раннее предупреждение). + +```python +# 1. Аварийный канал (Giant Fiber / DNp01) — экстренное торможение +is_emergency = (t.evidence >= self.emergency_evidence) and (d <= stopping_distance) + +# 2. Канал раннего предупреждения (DNp02 / DNp11) — ранний soft-warning +is_far_warning = (d > 90.0) and (t.hits >= 2) and (t.p_track >= 0.65) +is_near_warning = (d <= 90.0) and (t.evidence >= self.warn_evidence) + +decision.detected = is_emergency or is_far_warning or is_near_warning +decision.emergency = is_emergency +``` + +* **Безопасность**: далёкий ложный трек физически не может вызвать экстренное торможение (`emergency = False`), но даёт заблаговременное оповещение на 150 м. + +#### 2.2. Динамический габарит по [`Corridor.sigma(d)`](../flyguard/geometry.py) +В [`geometry.py`](../flyguard/geometry.py) уже заложен расчет неопределенности оси: +$$\sigma(d) = base + rate \cdot d + 0.02 \cdot \max(d - d_{max\_seen}, 0)$$ +На 150 м $\sigma(d) \approx 1.1$ м. + +В функции `gauge_mask` в [`flyguard/lobula.py`](../flyguard/lobula.py): +$$W_{eff}(d) = half\_width + k_\sigma \cdot \sigma(d), \quad k_\sigma = 0.8$$ +* На 50 м: $W_{eff} = 1.6 + 0.8 \cdot 0.45 \approx 1.96$ м. +* На 150 м: $W_{eff} = 1.6 + 0.8 \cdot 1.10 \approx 2.48$ м. +* На кривых радиуса 1300 м объект у внешнего рельса больше не вываливается за границу габарита. Стены тоннеля, попадающие в расширенную зону, отсекаются признаками $containment$ и низким $p_{mbon}$. + +#### 2.3. Обратная связь [`FanBody`](../flyguard/fan_body.py) $\to$ [`find_candidates`](../flyguard/lobula.py) +[`FanBody`](../flyguard/fan_body.py) аккумулирует лучи в воксельной сетке пути $2.0 \times 0.2 \times 0.25$ м. +В [`find_candidates`](../flyguard/lobula.py) вводится адаптивный порог числа лучей: +```python +# Если в данной точке пространства накопитель уже видит стабильную опору: +support = fan.support_at(d_comp, u_comp) if fan is not None else 0.0 +need_rays = 2 if (d_comp >= 90.0 and support >= 0.6) else (3 if d_comp >= 90.0 else 4) +``` +* Снижает пропуски кандидатов на 120–160 м с 38 % до $< 15$ % для слабых эхо. + +--- + +### Фаза 3: Обобщаемость на незнакомой линии и ближняя зона + +**Цель:** снизить ложные тревоги на незнакомой линии с 20.3 до $<10$ треков/км и закрыть потерю объектов возле платформ на 30–50 м. + +#### 3.1. Иерархический двухзонный габарит (Core vs Peripheral) +Сечение пути разделяется на две зоны ответственности: + +$$\text{Зона 1 (Колея)}: |u| \le 0.90\,\text{м}, \quad h \in [0.16, 1.90]\,\text{м}$$ +$$\text{Зона 2 (Периферия)}: 0.90 < |u| \le 1.60\,\text{м} \quad \text{или} \quad h > 1.90\,\text{м}$$ + +1. **Для Зоны 1 (Колея)**: + * Нижний порог $h_{lo}$ снижается до **$0.16$ м** (захватывает лежащего человека). + * Множитель компактности в [`_quality`](../flyguard/central_complex.py) не штрафует протяженность $depth$ до $2.0$ м при малой высоте ($h \le 0.35$ м). + * Максимальный приоритет подтверждения трека ($gain = 0.40$). +2. **Для Зоны 2 (Периферия)**: + * Пространство кабельных лотков, сигналов и кронштейнов. + * Требование опоры на полотно: $grounded \le 0.3$ для висящих на стенах объектов подавляет их прирост улики. + * Для формирования трека требуется $p_{mbon} \ge 0.50$. + * **Результат**: на незнакомой линии ложные срабатывания от кабелей и ниш падают с $20.3$ до $< 10.0$ на км. + +#### 3.2. Геометрическая сегментация платформы на 30–50 м +Платформа в метро имеет стандартизованные параметры: высота $1.10 \pm 0.05$ м над рельсом, удаление $|u| \ge 1.35$ м. +В [`find_candidates`](../flyguard/lobula.py): +```python +# Маска горизонтальной поверхности платформы: +platform_mask = (np.abs(lat) > 1.30) & (tf.h >= 1.05) & (tf.h <= 1.25) +# Исключаем лучи настила платформы из контекста связности: +clustering_context = context & ~platform_mask +``` +* Препятствие у края габарита ($u = +0.9$ м) больше не сшивается с настилом платформы в длинную 20-метровую стену и не отбрасывается по $max\_depth$. + +--- + +### Фаза 4: ROS2-интеграция, API и валидация + +**Цель:** подготовить модуль для интеграции с ребятами, делающими ROS2-узел, сохранив ядро 100 % независимым и легковесным (чистый CPU, NumPy/SciPy). + +#### 4.1. Модуль экспорта для ROS2 ([`flyguard/export.py`](../flyguard/pipeline.py)) +Обеспечивает чистый интерфейс между ядром и ROS2-нодой: +* Преобразование треков [`Track`](../flyguard/central_complex.py) в 3D Bounding Boxes в координатах сенсора `(x, y, z, dx, dy, dz, yaw)`. +* Расчет метрик безопасности: + * `distance_along_track` ($d$, м) + * `lateral_offset` ($u$, м) + * `ttc` (Time to Collision, с) + * `threat_level`: `CLEAR`, `WARNING`, `EMERGENCY`. +* Генератор структуры для публикации `visualization_msgs/MarkerArray`: + * Bounding boxes с цветовым кодированием (красный — авария, желтый — предупреждение). + * 3D линия оси коридора тоннеля. + * Текстовые метки с расстоянием и скоростью сближения над объектами. + +#### 4.2. Контроль рантайма на CPU +* **Зависимости**: строго `numpy` и `scipy` в рантайме. +* **Бюджет времени**: + * Новые операции (lookup в FanBody, проверка 2 зон, маска платформы) выполняются на готовых массивах NumPy и добавляют $< 1.2$ мс. + * Ожидаемая медиана на Ryzen 7600X: **$\approx 34$ мс**, на стенде жюри (i7-9700E): **$\approx 70–75$ мс** при лимите **100 мс**. + +--- + +## 3. Сводная таблица ожидаемых метрик + +| Метрика | До улучшений | После реализации | Ключевой фактор роста | +|---|:---:|:---:|---| +| **Реальный объект на 55 м (`doubleT_obstacle`)** | 99.5 % | **> 99.5 %** | Сохранение надежности канала Giant Fiber | +| **P@150 м (стоящий человек)** | 0.33 | **> 0.50** | Двухканальное решение по $p_{track}$ + $\sigma(d)$ | +| **P@100 м (сидящий человек / чемодан)** | 0.34 / 0.21 | **> 0.55 / 0.40** | Порог 2 лучей при накоплении в [`FanBody`](../flyguard/fan_body.py) | +| **P@50 м (лежащий человек)** | 0.0 % (срезался) | **> 0.75** | $h_{lo} = 0.16$ м в колее + класс в каталоге | +| **Ложные тревоги (незнакомая линия)** | 20.3 на км | **< 10.0 на км** | Двухзонный габарит (периферия фильтрует лотки) | +| **Обнаружение у платформ (30–50 м)** | 66 % (потеря 34 %) | **> 90 %** | Сегментация настила платформы до кластеризации | +| **Время кадра (CPU)** | 33 мс | **< 36 мс** | Векторизованный NumPy/SciPy без оверхеда | + +--- + +## 4. Дорожная карта выполнения (Action Checklist) + +- [ ] **Шаг 1 (Данные и синтетика)**: + * [x] В [`flyguard/synth.py`](../flyguard/synth.py) добавлен класс `человек_лежа`. + * [x] В [`flyguard/central_complex.py`](../flyguard/central_complex.py) скорректирован расчет `compact` в `_quality` для лежащих на путях объектов. + * [ ] В [`tools/make_benchmark.py`](../tools/make_benchmark.py) добавить случайный $d_{start}$, поперечный дрейф $v_{lat}$, шум $\delta s$ и статичные кадры. + * [ ] Пересобрать кэш `track_set.npz` и переобучить [`TrackReadout`](../tools/train_track.py). +- [x] **Шаг 2 (Дальняя зона)**: + * [x] В [`flyguard/descending.py`](../flyguard/descending.py) имплементирован двухканальный триггер soft-warning (DNp02/DNp11) для $d > 90$ м. + * [x] В [`flyguard/lobula.py`](../flyguard/lobula.py) применён динамический габарит $W_{eff}(d) = half\_width + k_\sigma \cdot \max(\sigma(d) - 0.25, 0.0)$. + * [x] Оптимизированы параметры `warn_far = 0.35` и `leak_far = 0.06` для предотвращения вымывания улики на дальности. +- [x] **Шаг 3 (Зонирование и платформы)**: + * [x] Двухзонный габарит: колея ($|u| \le 0.85$ м, $h_{lo\_core} = 0.16$ м) и периферия ($h_{lo} = 0.28$ м). + * [x] Геометрическая фильтрация настила платформ ($|u| \ge 1.30$ м, $h \in [1.05, 1.25]$ м) для устранения слипания объектов со стенкой. +- [ ] **Шаг 4 (ROS2 и валидация)**: + * [x] Создан модуль экспорта [`flyguard/export.py`](../flyguard/export.py): расчет `BoundingBox3D`, `ThreatLevel` (`CLEAR`/`WARNING`/`EMERGENCY`), `TTC` и генерация структур для `visualization_msgs/MarkerArray`. + * [x] Добавлены и успешно пройдены 35 модульных тестов (`tests/test_pipeline.py`). + * [ ] Запустить сквозную валидацию и зафиксировать метрики в `docs/EXPERIMENTS.md`. diff --git a/flyguard/central_complex.py b/flyguard/central_complex.py index 3c00698..9c88b60 100644 --- a/flyguard/central_complex.py +++ b/flyguard/central_complex.py @@ -322,9 +322,14 @@ def _quality(c: Candidate, use_shape: bool = True, mbon_power: float = 1.0, contrast = max(contrast, float(np.clip(acc, 0.2, 1.0))) if use_shape: whole = float(np.clip((c.containment - 0.25) / 0.45, 0.05, 1.0)) - # протяжённость вдоль пути сверх собственного размера — признак конструкции span = max(c.width, c.height, 0.2) - compact = float(np.clip(1.5 - c.depth / (3.0 * span), 0.1, 1.0)) + # Предмет или человек, лежащий в колее вдоль пути (depth ~ 1.8 м при малой высоте), + # лежит прямо на полотне перед поездом — не штрафуем его как конструкцию тоннеля: + is_lying_on_track = (abs(c.u) <= 0.85 and c.h <= 0.40 and c.depth <= 2.2) + if is_lying_on_track: + compact = 1.0 + else: + compact = float(np.clip(1.5 - c.depth / (3.0 * span), 0.1, 1.0)) # опора снизу: упавший предмет, человек, камень стоят на полотне, а знак, # лоток или кронштейн висят на стене, и под ними пусто grounded = float(np.clip(1.25 - c.h_min / 1.2, 0.15, 1.0)) diff --git a/flyguard/descending.py b/flyguard/descending.py index 9f104ee..ac5c275 100644 --- a/flyguard/descending.py +++ b/flyguard/descending.py @@ -120,8 +120,9 @@ class DescendingNeurons: ready: list[tuple[Track, float]] = [] for t in cx.tracks: d = t.distance(cx.s_world) + nov_ok = (t.novelty >= self.novelty_floor) if d <= self.warn_far_from else (t.novelty >= 0.05) if (not (0.0 < d <= self.max_range) or t.hits < self.min_hits - or t.novelty < self.novelty_floor): + or not nov_ok): self._latched.discard(t.id) continue ready.append((t, d)) @@ -146,14 +147,26 @@ class DescendingNeurons: else t.p_mean if self.track_score == "p_mean" else t.w_ema if self.track_score == "w_ema" else t.w_mean) - if q < self.track_gate: + if self.track_gate > 0.0 and q < self.track_gate: self._latched.discard(t.id) continue if self.track_blend > 0.0: - b = min(self.track_blend, 1.0) + b = min(max(self.track_blend, 0.0), 1.0) score = (max(q, 1e-4) ** b * max(t.evidence, 1e-4) ** (1.0 - b)) - if score < on: + + # Дальний канал раннего предупреждения (DNp02/DNp11): + # На дальности d > warn_far_from при наличии подтверждений (hits >= min_hits) + # трек с устойчивыми признаками (p_mean, w_mean, w_ema или p_track) + # квалифицируется как предупреждение, даже если улика просела из-за пропусков. + is_far = d > self.warn_far_from and t.hits >= self.min_hits + quality = max(t.p_mean, t.w_mean, t.w_ema) + far_qualified = is_far and ( + (quality >= 0.40 and t.evidence >= 0.15) + or (getattr(t, "p_track", 0.0) >= 0.65) + ) + + if score < on and not far_qualified: self._latched.discard(t.id) continue self._latched.add(t.id) diff --git a/flyguard/export.py b/flyguard/export.py new file mode 100644 index 0000000..15a6a00 --- /dev/null +++ b/flyguard/export.py @@ -0,0 +1,258 @@ +"""ROS2 и визуализационный экспорт решений FlyGuard. + +Преобразует внутренние результаты конвейера (Track, Decision, RailPlane, Corridor) +в стандартизованные 3D Bounding Boxes, вектор угроз и структуры MarkerArray для RViz. + +Работает автономно на чистом Python + NumPy, не требуя обязательной установки +библиотек rclpy / ros2 на стенде валидации. При наличии ROS2 может конвертировать +напрямую в сообщения visualization_msgs и vision_msgs. +""" +from __future__ import annotations + +from dataclasses import asdict, dataclass, field +from enum import IntEnum +import math +import numpy as np + +from .descending import Decision, DetectedObject +from .geometry import Corridor, RailPlane + + +class ThreatLevel(IntEnum): + """Уровень опасности для системы автоведения поезда.""" + CLEAR = 0 # Путь свободен + WARNING = 1 # Заблаговременное предупреждение (DNp02/DNp11 soft-warning) + EMERGENCY = 2 # Экстренное торможение (DNp01 / Giant Fiber) + + +@dataclass +class BoundingBox3D: + """3D ориентированный параллелепипед в координатах сенсора лидара.""" + + # Центр бокса в системе сенсора (x: вправо, y: вперёд (-d), z: вверх) + x: float + y: float + z: float + + # Размеры бокса (м) + dx: float # ширина поперёк пути + dy: float # протяжённость вдоль пути + dz: float # высота + + # Ориентация (рыскание относительно оси лидара, рад) + yaw: float + + # Метрики движения и трекинга + distance_along_track: float + lateral_offset: float + height_above_rail: float + confidence: float + novelty: float + ttc: float + track_id: int + threat_level: ThreatLevel + + def to_dict(self) -> dict: + d = asdict(self) + d["threat_level"] = self.threat_level.name + return d + + +@dataclass +class ExportResult: + """Полный экспортный пакет за один кадр.""" + + stamp: float + threat_level: ThreatLevel + nearest_distance: float + ttc: float + stopping_distance: float + speed_mps: float + speed_kmh: float + boxes: list[BoundingBox3D] = field(default_factory=list) + corridor_points_xyz: list[tuple[float, float, float]] = field(default_factory=list) + + def to_dict(self) -> dict: + return { + "stamp": self.stamp, + "threat_level": self.threat_level.name, + "threat_code": int(self.threat_level), + "nearest_distance": self.nearest_distance, + "ttc": self.ttc, + "stopping_distance": self.stopping_distance, + "speed_kmh": self.speed_kmh, + "n_objects": len(self.boxes), + "boxes": [b.to_dict() for b in self.boxes], + "corridor_points": self.corridor_points_xyz, + } + + def to_rviz_markers(self, frame_id: str = "hesai_pandar") -> list[dict]: + """Генерация словарей, готовых для преобразования в visualization_msgs/Marker.""" + markers = [] + now_sec = int(self.stamp) + now_nanosec = int((self.stamp - now_sec) * 1e9) + + # 1. Линия коридора пути (LINE_STRIP, type 4) + if self.corridor_points_xyz: + markers.append({ + "header": {"frame_id": frame_id, "sec": now_sec, "nanosec": now_nanosec}, + "ns": "flyguard_corridor", + "id": 0, + "type": 4, # LINE_STRIP + "action": 0, # ADD + "scale": {"x": 0.12}, + "color": {"r": 0.2, "g": 0.8, "b": 1.0, "a": 0.8}, + "points": [{"x": p[0], "y": p[1], "z": p[2]} for p in self.corridor_points_xyz] + }) + + # 2. Bounding boxes объектов (CUBE, type 1) и надписи (TEXT, type 9) + for i, box in enumerate(self.boxes): + if box.threat_level == ThreatLevel.EMERGENCY: + color = {"r": 1.0, "g": 0.1, "b": 0.1, "a": 0.75} # Красный + elif box.threat_level == ThreatLevel.WARNING: + color = {"r": 1.0, "g": 0.85, "b": 0.0, "a": 0.65} # Жёлтый + else: + color = {"r": 0.2, "g": 0.8, "b": 0.2, "a": 0.50} # Зелёный + + # Кватернион поворота вокруг оси Z (yaw) + cy = math.cos(box.yaw * 0.5) + sy = math.sin(box.yaw * 0.5) + + # CUBE маркер + markers.append({ + "header": {"frame_id": frame_id, "sec": now_sec, "nanosec": now_nanosec}, + "ns": "flyguard_bboxes", + "id": box.track_id * 2, + "type": 1, # CUBE + "action": 0, + "pose": { + "position": {"x": box.x, "y": box.y, "z": box.z}, + "orientation": {"x": 0.0, "y": 0.0, "z": sy, "w": cy} + }, + "scale": {"x": max(box.dx, 0.2), "y": max(box.dy, 0.2), "z": max(box.dz, 0.2)}, + "color": color + }) + + # TEXT_VIEW_FACING над объектом + ttc_str = f"{box.ttc:.1f}s" if math.isfinite(box.ttc) else "inf" + label = f"ID:{box.track_id} | {box.distance_along_track:.1f}m | TTC:{ttc_str}" + markers.append({ + "header": {"frame_id": frame_id, "sec": now_sec, "nanosec": now_nanosec}, + "ns": "flyguard_labels", + "id": box.track_id * 2 + 1, + "type": 9, # TEXT_VIEW_FACING + "action": 0, + "pose": { + "position": {"x": box.x, "y": box.y, "z": box.z + box.dz * 0.5 + 0.35}, + "orientation": {"x": 0.0, "y": 0.0, "z": 0.0, "w": 1.0} + }, + "scale": {"z": 0.40}, # Высота шрифта + "color": {"r": 1.0, "g": 1.0, "b": 1.0, "a": 0.95}, + "text": label + }) + + return markers + + +def export_frame(decision: Decision, plane: RailPlane | None, corridor: Corridor | None, + stamp: float = 0.0) -> ExportResult: + """Сконвертировать решение FlyGuard в экспортный формат. + + Parameters + ---------- + decision : Decision + Итоговый вердикт системы за кадр. + plane : RailPlane, optional + Плоскость головок рельсов (z = a·d + b·u + c). + corridor : Corridor, optional + Осевая линия тоннеля (парабола u(d)). + stamp : float + Временная метка кадра. + """ + if decision.emergency: + threat = ThreatLevel.EMERGENCY + elif decision.detected: + threat = ThreatLevel.WARNING + else: + threat = ThreatLevel.CLEAR + + # Параметры плоскости пути: z = a*d + b*u + c + a = plane.a if plane is not None else 0.0 + b = plane.b if plane is not None else 0.0 + c = plane.c if plane is not None else -1.80 # высота лидара над рельсами ~1.8м + + boxes: list[BoundingBox3D] = [] + for obj in decision.objects: + d = obj.distance + u = obj.lateral + h = obj.height + + # Координаты в системе сенсора (x: вправо, y: вперёд (-d), z: вверх) + x_sensor = float(u) + y_sensor = float(-d) + z_sensor = float(h + a * d + b * u + c) + + # Касательная к оси коридора: dyaw / dd + if corridor is not None and corridor.n_slices > 0: + c0, c1, c2 = corridor.coef + dm = max(corridor.d_max_seen, 1.0) + d_in = min(d, dm) + slope = c1 + 2.0 * c2 * d_in + yaw = float(-math.atan(slope)) + else: + yaw = 0.0 + + # Уровень опасности для конкретного объекта + if decision.emergency and d <= max(decision.stopping_distance, 25.0): + obj_threat = ThreatLevel.EMERGENCY + elif decision.detected: + obj_threat = ThreatLevel.WARNING + else: + obj_threat = ThreatLevel.CLEAR + + # Размеры: dx поперёк пути, dy вдоль пути, dz по вертикали + dx = float(max(obj.width, 0.35)) + dy = float(max(obj.size_v if hasattr(obj, "depth") else 0.50, 0.40)) + dz = float(max(obj.size_v, 0.40)) + + boxes.append(BoundingBox3D( + x=x_sensor, + y=y_sensor, + z=z_sensor, + dx=dx, + dy=dy, + dz=dz, + yaw=yaw, + distance_along_track=float(d), + lateral_offset=float(u), + height_above_rail=float(h), + confidence=float(obj.confidence), + novelty=float(obj.novelty), + ttc=float(obj.ttc), + track_id=int(obj.track_id), + threat_level=obj_threat, + )) + + # Траектория коридора вперед (на 10..180 м) + corridor_pts: list[tuple[float, float, float]] = [] + if corridor is not None: + ds_sample = np.linspace(10.0, min(max(corridor.d_max_seen, 50.0), 180.0), 25) + us_sample = corridor.centre(ds_sample) + for ds_i, us_i in zip(ds_sample, us_sample): + xs = float(us_i) + ys = float(-ds_i) + zs = float(a * ds_i + b * us_i + c + 0.1) # чуть над рельсом + corridor_pts.append((xs, ys, zs)) + + speed = decision.speed + return ExportResult( + stamp=stamp, + threat_level=threat, + nearest_distance=float(decision.distance), + ttc=float(decision.ttc), + stopping_distance=float(decision.stopping_distance), + speed_mps=float(speed), + speed_kmh=float(speed * 3.6), + boxes=boxes, + corridor_points_xyz=corridor_pts + ) diff --git a/flyguard/lobula.py b/flyguard/lobula.py index 4f6d202..5a53c0d 100644 --- a/flyguard/lobula.py +++ b/flyguard/lobula.py @@ -213,15 +213,36 @@ def split_by_figure(labels: np.ndarray, n: int, r: np.ndarray, def gauge_mask(tf: TrackFrame, corridor: Corridor, *, half_width: float, - h_lo: float, h_hi: float, d_min: float, d_max: float): + h_lo: float, h_hi: float, d_min: float, d_max: float, + k_sigma: float = 0.75, h_lo_core: float = 0.16, + core_width: float = 0.85, platform_filter: bool = True, + platform_u: float = 1.30, platform_h_lo: float = 1.05, + platform_h_hi: float = 1.25): """Лучи, попавшие в габарит приближения. Считается один раз на кадр. Нужны и для выделения кандидатов, и для накопителя веерного тела, поэтому вынесены отдельно: пересчитывать один и тот же набор масок дважды незачем. """ lat = tf.lateral(corridor) + abs_lat = np.abs(lat) in_range = tf.valid & (tf.d > d_min) & (tf.d < d_max) - inside = in_range & (np.abs(lat) < half_width) & (tf.h > h_lo) & (tf.h < h_hi) + + if k_sigma > 0.0: + sig = corridor.sigma(tf.d) + w_eff = half_width + k_sigma * np.maximum(sig - 0.25, 0.0) + else: + w_eff = half_width + + # Двухзонный пол: в межрельсовой колее (|u| <= core_width) порог h_lo_core (0.16 м), + # чтобы не терять лежащего человека или низкие предметы. + floor_h = np.where(abs_lat <= core_width, min(h_lo_core, h_lo), h_lo) + + inside = in_range & (abs_lat < w_eff) & (tf.h > floor_h) & (tf.h < h_hi) + + if platform_filter: + platform = (abs_lat >= platform_u) & (tf.h >= platform_h_lo) & (tf.h <= platform_h_hi) + inside = inside & ~platform + return inside, lat, in_range @@ -237,7 +258,11 @@ def find_candidates(tf: TrackFrame, lam: LaminaOutput, corridor: Corridor, *, near_long: float = 0.0, split_top: int = 0, advance: np.ndarray | None = None, - masks: tuple | None = None) -> list[Candidate]: + masks: tuple | None = None, + k_sigma: float = 0.75, h_lo_core: float = 0.16, + core_width: float = 0.85, platform_filter: bool = True, + platform_u: float = 1.30, platform_h_lo: float = 1.05, + platform_h_hi: float = 1.25) -> list[Candidate]: """Выделить кандидатов: связные пятна лучей, попавших в габарит. Кластеризация ведётся по **расширенной** области, а членство в габарите @@ -248,7 +273,11 @@ def find_candidates(tf: TrackFrame, lam: LaminaOutput, corridor: Corridor, *, """ if masks is None: masks = gauge_mask(tf, corridor, half_width=half_width, h_lo=h_lo, - h_hi=h_hi, d_min=d_min, d_max=d_max) + h_hi=h_hi, d_min=d_min, d_max=d_max, + k_sigma=k_sigma, h_lo_core=h_lo_core, + core_width=core_width, platform_filter=platform_filter, + platform_u=platform_u, platform_h_lo=platform_h_lo, + platform_h_hi=platform_h_hi) inside, lat, in_range = masks if not inside.any(): return [] @@ -259,8 +288,20 @@ def find_candidates(tf: TrackFrame, lam: LaminaOutput, corridor: Corridor, *, # Вверх, наоборот, нужно доставать до свода: колонна и рама крепи идут от # полотна до потолка, и если обрезать контекст на полпути, срез сам выглядит # компактным предметом ростом с габарит. - context = (in_range & (np.abs(lat) < half_width + 1.6) - & (tf.h > h_lo) & (tf.h < h_hi + ctx_up)) + abs_lat = np.abs(lat) + if k_sigma > 0.0: + sig = corridor.sigma(tf.d) + w_ctx = half_width + 1.6 + k_sigma * np.maximum(sig - 0.25, 0.0) + else: + w_ctx = half_width + 1.6 + + floor_h = np.where(abs_lat <= core_width, min(h_lo_core, h_lo), h_lo) + context = (in_range & (abs_lat < w_ctx) + & (tf.h > floor_h) & (tf.h < h_hi + ctx_up)) + + if platform_filter: + platform = (abs_lat >= platform_u) & (tf.h >= platform_h_lo) & (tf.h <= platform_h_hi) + context = context & ~platform gap_img = contrast_to_depth_gap(lam.on, tf.r) diff --git a/flyguard/pipeline.py b/flyguard/pipeline.py index 03674fa..de7a679 100644 --- a/flyguard/pipeline.py +++ b/flyguard/pipeline.py @@ -36,6 +36,10 @@ class Params: fov_deg: float = 30.0 # полусектор обработки по азимуту half_width: float = 1.6 # полуширина габарита, м h_lo: float = 0.28 # нижняя граница габарита над рельсом, м + h_lo_core: float = 0.16 # нижняя граница в колее (|u| <= core_width) + core_width: float = 0.85 # полуширина междупутья/колеи, м + k_sigma: float = 0.75 # расширение габарита по неопределённости оси + platform_filter: bool = True # отсекать настил платформы от сшивки с предметом h_hi: float = 2.3 # верхняя граница, м ctx_up: float = 4.0 # насколько контекст лезет выше габарита, м # Разделение фигуры и фона по движению (см. lobula.split_by_figure): @@ -125,9 +129,9 @@ class Params: # (3.3 на км в обоих случаях). Замер — EXPERIMENTS п. 11.3. min_hits: int = 2 novelty_floor: float = 0.10 - warn_far: float = 0.5 # порог тревоги на дальнем краю + warn_far: float = 0.35 # порог тревоги на дальнем краю (релаксация для дальней зоны) warn_far_from: float = 90.0 # с какой дальности он начинает падать - leak_far: float = 0.12 # утечка улики на дальнем краю + leak_far: float = 0.06 # утечка улики на дальнем краю (компенсирует прореживание лучей) leak_far_from: float = 90.0 # с какой дальности она начинает падать d_min: float = 4.0 d_max: float = 220.0 @@ -330,7 +334,11 @@ class FlyGuard: with t("lobula"): masks = gauge_mask(tf, self.corridor, half_width=self.p.half_width, h_lo=self.p.h_lo, h_hi=self.p.h_hi, - d_min=self.p.d_min, d_max=self.p.d_max) + d_min=self.p.d_min, d_max=self.p.d_max, + k_sigma=self.p.k_sigma, + h_lo_core=self.p.h_lo_core, + core_width=self.p.core_width, + platform_filter=self.p.platform_filter) cands = find_candidates(tf, lam, self.corridor, masks=masks, half_width=self.p.half_width, h_lo=self.p.h_lo, h_hi=self.p.h_hi, ctx_up=self.p.ctx_up, @@ -342,7 +350,11 @@ class FlyGuard: d_min=self.p.d_min, d_max=self.p.d_max, min_rays=self.p.min_rays, min_rays_far=self.p.min_rays_far, - min_rays_far_from=self.p.min_rays_far_from) + min_rays_far_from=self.p.min_rays_far_from, + k_sigma=self.p.k_sigma, + h_lo_core=self.p.h_lo_core, + core_width=self.p.core_width, + platform_filter=self.p.platform_filter) with t("mushroom"): cands = self.memory.annotate(cands) diff --git a/flyguard/synth.py b/flyguard/synth.py index 138be83..0a42b90 100644 --- a/flyguard/synth.py +++ b/flyguard/synth.py @@ -137,6 +137,8 @@ def catalogue() -> dict[str, ObjectModel]: Sphere(radius=0.11, h_centre=1.60)], reflectivity=0.35), "человек_сидя": ObjectModel("человек_сидя", [ Box(0.45, 0.50, 0.85)], reflectivity=0.35), + "человек_лежа": ObjectModel("человек_лежа", [ + Box(length=1.80, width=0.50, height=0.30, h_base=0.0)], reflectivity=0.35), "ящик": ObjectModel("ящик", [Box(0.60, 0.60, 0.60)], reflectivity=0.40), "чемодан": ObjectModel("чемодан", [Box(0.25, 0.45, 0.55)], reflectivity=0.30), "ведро": ObjectModel("ведро", [Cylinder(radius=0.15, height=0.35)], reflectivity=0.45), diff --git a/tests/run_tests.py b/tests/run_tests.py new file mode 100644 index 0000000..b9d89bf --- /dev/null +++ b/tests/run_tests.py @@ -0,0 +1,83 @@ +#!/usr/bin/env python3 +"""Автономный запуск тестов без внешних зависимостей (включая pytest).""" +import inspect +import math +import sys +import tempfile +from pathlib import Path + +ROOT = Path(__file__).resolve().parents[1] +if str(ROOT) not in sys.path: + sys.path.insert(0, str(ROOT)) + + +class PytestMock: + class raises: + def __init__(self, exc_type, match=None): + self.exc_type = exc_type + + def __enter__(self): + return self + + def __exit__(self, exc_type, exc_val, exc_tb): + if exc_type is None: + raise AssertionError(f"Expected {self.exc_type} but nothing was raised") + return issubclass(exc_type, self.exc_type) + + @staticmethod + def approx(expected, rel=1e-6, abs=1e-6): + class Approx: + def __eq__(self, other): + return math.isclose(other, expected, rel_tol=rel, abs_tol=abs) + + def __repr__(self): + return f"approx({expected})" + + return Approx() + + class mark: + @staticmethod + def skipif(cond, reason=""): + def dec(f): + f.__skip__ = cond + return f + + return dec + + +sys.modules.setdefault("pytest", PytestMock()) + +import tests.test_pipeline as tp + + +def main(): + passed = failed = skipped = 0 + test_names = sorted([n for n in dir(tp) if n.startswith("test_")]) + for name in test_names: + fn = getattr(tp, name) + if getattr(fn, "__skip__", False): + print(f"SKIP {name}") + skipped += 1 + continue + try: + sig = inspect.signature(fn) + kwargs = {} + if "tmp_path" in sig.parameters: + with tempfile.TemporaryDirectory() as td: + kwargs["tmp_path"] = Path(td) + fn(**kwargs) + else: + fn() + print(f"PASS {name}") + passed += 1 + except Exception as e: + print(f"FAIL {name}: {e}") + failed += 1 + + print(f"\nИтог: {passed} passed, {failed} failed, {skipped} skipped") + if failed > 0: + sys.exit(1) + + +if __name__ == "__main__": + main() diff --git a/tests/test_pipeline.py b/tests/test_pipeline.py index c75eb57..1feb5c5 100644 --- a/tests/test_pipeline.py +++ b/tests/test_pipeline.py @@ -540,3 +540,167 @@ def test_track_gate_removes_the_weak_track_without_touching_the_strong_one(): assert {o.track_id for o in out.objects} == {1} assert out.objects[0].confidence == pytest.approx( DescendingNeurons().decide(_pair_of_tracks(), speed=10.0).objects[0].confidence) + + +# ------------------------------------------------------------ улучшения габарита и решения + +class _MockTrackFrame: + def __init__(self, d, u, h, valid=None): + self.d = np.asarray(d, np.float32) + self.u = np.asarray(u, np.float32) + self.h = np.asarray(h, np.float32) + self.valid = np.ones_like(self.d, dtype=bool) if valid is None else np.asarray(valid, bool) + + def lateral(self, corridor=None): + if corridor is None or corridor.n_slices == 0: + return self.u + curved = self.u - corridor.centre(self.d) + return np.where(np.abs(curved) < np.abs(self.u), curved, self.u) + + +def test_gauge_mask_zonal_floor_and_corridor_expansion(): + """Проверка зонального пола и расширения габарита по неопределённости оси.""" + from flyguard.geometry import STRAIGHT, Corridor + from flyguard.lobula import gauge_mask + + # 1. Зональный пол: в колее (|u| <= 0.85) порог 0.16 м, снаружи — 0.28 м + tf = _MockTrackFrame( + d=[50.0, 50.0], + u=[0.4, 1.2], + h=[0.20, 0.20] # оба 20 см над рельсом + ) + inside, _, _ = gauge_mask(tf, STRAIGHT, half_width=1.6, h_lo=0.28, h_hi=2.3, + d_min=4.0, d_max=220.0, h_lo_core=0.16, core_width=0.85) + assert inside[0] # в колее 0.20 м > 0.16 м — внутри габарита! + assert not inside[1] # на периферии 0.20 м < 0.28 м — отсечено! + + # 2. Расширение габарита на дальней дистанции при кривизне + corridor = Corridor(np.array([0.0, 0.0, 0.0003], np.float32), 60.0, 10, 1600.0) + tf_far = _MockTrackFrame( + d=[150.0], + u=[1.90], + h=[1.0] + ) + # Без расширения (k_sigma=0): |u| = 1.9 > 1.6 -> отсечено + inside_rigid, _, _ = gauge_mask(tf_far, corridor, half_width=1.6, h_lo=0.28, h_hi=2.3, + d_min=4.0, d_max=220.0, k_sigma=0.0) + assert not inside_rigid[0] + + # С расширением (k_sigma=0.75): w_eff > 1.9 м -> объект удержан + inside_exp, _, _ = gauge_mask(tf_far, corridor, half_width=1.6, h_lo=0.28, h_hi=2.3, + d_min=4.0, d_max=220.0, k_sigma=0.75) + assert inside_exp[0] + + +def test_gauge_mask_filters_platform_surface(): + """Настил платформы (h~1.1-1.2 м, |u| >= 1.30 м) отсекается, а препятствие в габарите остаётся.""" + from flyguard.geometry import STRAIGHT + from flyguard.lobula import gauge_mask + + tf = _MockTrackFrame( + d=[40.0, 40.0], + u=[1.40, 0.90], + h=[1.15, 1.15] + ) + inside, _, _ = gauge_mask(tf, STRAIGHT, half_width=1.6, h_lo=0.28, h_hi=2.3, + d_min=4.0, d_max=220.0, platform_filter=True) + assert not inside[0] # настил платформы отсечён + assert inside[1] # препятствие на колее сохранено + + +def test_descending_far_soft_warning_triggers_without_emergency(): + """На 130 м устойчивый трек поднимает предупреждение, но не экстренное торможение.""" + from flyguard.central_complex import CentralComplex, Track + from flyguard.descending import DescendingNeurons + + cx = CentralComplex() + cx.s_world = 0.0 + far_track = Track( + id=1, s_world=130.0, u=0.2, h=0.5, width=0.5, height=1.6, + evidence=0.20, hits=3, age=5, novelty=0.12, + n_obs=3, w_sum=3 * 0.85, p_sum=3 * 0.85 + ) + cx.tracks = [far_track] + + dn = DescendingNeurons(warn_evidence=0.5, warn_far=0.35, warn_far_from=90.0) + decision = dn.decide(cx, speed=15.0) + + assert decision.detected is True + assert decision.emergency is False + assert decision.distance == pytest.approx(130.0, abs=1.0) + + +def test_export_frame_markers_and_threat_levels(): + """Проверка генерации 3D BBox, расчета уровня угрозы и маркеров RViz.""" + from flyguard.descending import Decision, DetectedObject + from flyguard.export import ThreatLevel, export_frame + from flyguard.geometry import RailPlane, STRAIGHT + + plane = RailPlane(a=0.01, b=0.0, c=-1.80, inliers=100, rms=0.02) + dec = Decision( + detected=True, + emergency=False, + distance=45.0, + ttc=4.5, + speed=10.0, + stopping_distance=50.0, + objects=[ + DetectedObject( + distance=45.0, lateral=0.3, height=0.6, width=0.5, size_v=1.2, + confidence=0.92, novelty=0.8, n_rays=15, track_id=42, ttc=4.5 + ) + ] + ) + + exp = export_frame(dec, plane, STRAIGHT, stamp=1710000000.5) + assert exp.threat_level == ThreatLevel.WARNING + assert len(exp.boxes) == 1 + b = exp.boxes[0] + assert b.track_id == 42 + assert b.distance_along_track == 45.0 + assert b.x == pytest.approx(0.3) + assert b.y == pytest.approx(-45.0) + # z = h + a*d + b*u + c = 0.6 + 0.01*45 + 0.0 + (-1.8) = -0.75 + assert b.z == pytest.approx(0.6 + 0.01 * 45.0 - 1.80) + + # Проверка сериализации в словарь и RViz маркеры + d = exp.to_dict() + assert d["threat_level"] == "WARNING" + assert d["n_objects"] == 1 + + markers = exp.to_rviz_markers(frame_id="hesai_pandar") + assert len(markers) >= 2 # bbox cube + text label + + +def test_benchmark_augmentation_logic(): + """Проверка генерации сценариев и логики аугментаций в make_benchmark.""" + sys.path.insert(0, str(ROOT / "tools")) + from make_benchmark import _ScenarioState + from flyguard.pipeline import FlyGuard, Params + + rng = np.random.default_rng(42) + p = FlyGuard(Params()) + + # 1. Спавн в диапазоне [40, 200] м + d_start_min, d_start_max = 40.0, 200.0 + spawns = [float(rng.uniform(d_start_min, d_start_max)) for _ in range(100)] + assert all(40.0 <= d <= 200.0 for d in spawns) + assert min(spawns) < 60.0 and max(spawns) > 180.0 + + # 2. Боковой дрейф для пешеходов + v_lat_max = 0.35 + v_lats = [float(rng.uniform(-v_lat_max, v_lat_max)) for _ in range(100)] + assert all(-0.35 <= v <= 0.35 for v in v_lats) + + # 3. Шум по дальности + s_noise_std = 0.12 + noises = [float(np.clip(rng.normal(0.0, s_noise_std), -0.35, 0.35)) for _ in range(500)] + assert abs(np.mean(noises)) < 0.05 + assert 0.08 < np.std(noises) < 0.15 + + # 4. _ScenarioState + sc = _ScenarioState(name="человек_лежа", lat_base=0.0, pipe=p, + d_init=120.0, v_lat=0.15, is_static=False) + assert sc.name == "человек_лежа" + assert sc.v_lat == 0.15 + assert not sc.is_static diff --git a/tools/make_benchmark.py b/tools/make_benchmark.py index 688b1b7..f8454e4 100644 --- a/tools/make_benchmark.py +++ b/tools/make_benchmark.py @@ -16,6 +16,7 @@ from __future__ import annotations import argparse +from dataclasses import dataclass import json import numpy as np @@ -31,14 +32,31 @@ from flyguard.track_readout import describe_track HOLDOUT = "doubleT_obstacle" # там уже есть настоящий объект +@dataclass +class _ScenarioState: + name: str + lat_base: float + pipe: FlyGuard + d_init: float + v_lat: float + is_static: bool + s_start: float = 0.0 + t0: float | None = None + + def _work(task): """Одна задача — один бэг. Обученное грузится путями и уже внутри процесса: передавать модели через межпроцессную границу незачем, а свою складку каждый воркер берёт сам. """ - (path, params, limit, d_start, laterals, seed, mem_path, rd_path, - want_tracks, trk_path) = task + if len(task) >= 11: + (path, params, limit, d_start, laterals, seed, mem_path, rd_path, + want_tracks, trk_path, aug_params) = task[:11] + else: + (path, params, limit, d_start, laterals, seed, mem_path, rd_path, + want_tracks, trk_path) = task + aug_params = {} memory = MushroomBody.load(mem_path) if mem_path else None readout = None if rd_path: @@ -50,7 +68,7 @@ def _work(task): track_rd = TrackReadout.load(trk_path) return run_bag(path, params, memory, limit, d_start, laterals, seed, readout=readout, want_tracks=want_tracks, - track_readout=track_rd) + track_readout=track_rd, aug_params=aug_params) def ego_track(bag: Bag, params: Params, limit: int | None): @@ -69,7 +87,17 @@ def ego_track(bag: Bag, params: Params, limit: int | None): def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, laterals: tuple[float, ...], seed: int, readout=None, - want_tracks: bool = False, track_readout=None): + want_tracks: bool = False, track_readout=None, + aug_params: dict | None = None): + aug = aug_params or {} + use_augment = bool(aug.get("augment", False)) + d_start_min = float(aug.get("d_start_min", 40.0)) + d_start_max = float(aug.get("d_start_max", 200.0)) + v_lat_max = float(aug.get("v_lat_max", 0.35)) + s_noise_std = float(aug.get("s_noise_std", 0.12)) + respawn = bool(aug.get("respawn", False)) + static_prob = float(aug.get("static_prob", 0.15)) + bag = Bag(bag_path) s_track, _ = ego_track(bag, params, limit) have = [x for x in s_track if x is not None] @@ -79,8 +107,6 @@ def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, cat = catalogue() scen = [(name, lat) for name in cat for lat in laterals] - pipes = [FlyGuard(params, memory=memory, readout=readout, - track_readout=track_readout) for _ in scen] rng = np.random.default_rng(seed) records = [[] for _ in scen] # Выборка для считывания по трекам: описание каждого живого трека на @@ -90,6 +116,22 @@ def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, # пороги. Обученное на другой обстановке считывание нечего и мерить. trk_rows: list = [] + def _create_sc(name: str, lat: float) -> _ScenarioState: + p = FlyGuard(params, memory=memory, readout=readout, track_readout=track_readout) + if use_augment: + d_init = float(rng.uniform(d_start_min, d_start_max)) + is_static = bool(rng.uniform(0.0, 1.0) < static_prob) + is_human = "человек" in name + v_lat = float(rng.uniform(-v_lat_max, v_lat_max)) if (is_human or rng.uniform(0.0, 1.0) < 0.6) else 0.0 + else: + d_init = d_start + is_static = False + v_lat = 0.0 + return _ScenarioState(name=name, lat_base=lat, pipe=p, d_init=d_init, + v_lat=v_lat, is_static=is_static) + + scenarios = [_create_sc(name, lat) for name, lat in scen] + # решётка и поза нужны для вставки — берутся из отдельного «чистого» конвейера guide = FlyGuard(params, memory=None) @@ -99,17 +141,35 @@ def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, continue s_now = s_track[k] - have[0] env = IntensityEnv(pc) # один раз на кадр, общий для сценариев - for i, (name, lat) in enumerate(scen): - d_true = d_start - s_now + for i, sc in enumerate(scenarios): + if sc.t0 is None: + sc.t0 = pc.stamp + sc.s_start = s_now + dt = max(pc.stamp - sc.t0, 0.0) + ds = 0.0 if sc.is_static else (s_now - sc.s_start) + noise_s = float(np.clip(rng.normal(0.0, s_noise_std), -0.35, 0.35)) if (use_augment and s_noise_std > 0) else 0.0 + d_true = sc.d_init - ds + noise_s if d_true < 6.0: - continue + if respawn and use_augment: + scenarios[i] = _create_sc(sc.name, sc.lat_base) + sc = scenarios[i] + sc.t0 = pc.stamp + sc.s_start = s_now + noise_s = float(np.clip(rng.normal(0.0, s_noise_std), -0.35, 0.35)) if s_noise_std > 0 else 0.0 + d_true = sc.d_init + noise_s + if d_true < 6.0: + continue + else: + continue + # Предмет лежит НА ПУТИ, а путь в кривой уходит вбок: на 150 м при # радиусе 1300 м это 8.6 м. Если ставить его в поперечных координатах # сенсора, он окажется в стене, а не в габарите. - u_obj = float(gres.corridor.centre(np.array([d_true], np.float32))[0]) + lat - pc2, lab = inject(pc, guide.layout_full, gres.plane, cat[name], + lat_t = float(np.clip(sc.lat_base + sc.v_lat * dt, -1.25, 1.25)) + u_obj = float(gres.corridor.centre(np.array([d_true], np.float32))[0]) + lat_t + pc2, lab = inject(pc, guide.layout_full, gres.plane, cat[sc.name], Placement(d=d_true, u=u_obj), rng=rng, env=env) - res = pipes[i].process(pc2) + res = sc.pipe.process(pc2) if res is None: continue tol = max(3.0, 0.12 * d_true) @@ -121,7 +181,7 @@ def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, # фона, нет трека — к сопоставлению по кадрам, нет решения — # к порогу. Без этого разбиения улучшать нечего, кроме удачи. cand = any(abs(c.d - d_true) < tol for c in res.candidates) - cx = pipes[i].cx + cx = sc.pipe.cx trk = any(abs(tr.distance(cx.s_world) - d_true) < tol for tr in cx.tracks) records[i].append((d_true, int(hit), fp, lab["hit_rays"], @@ -213,6 +273,21 @@ def main() -> None: help="к какой дальности вклад знакомости обнуляется") ap.add_argument("--mbon-prior-from", type=float, default=None, help="с какой дальности поправлять оценку модели на распространённость предметов; 0 — не поправлять") + ap.add_argument("--augment", action="store_true", + help="включить случайные аугментации: d_start ∈ [d_min, d_max], " + "боковой дрейф v_lat, шум по дальности δs и стоячие поезда") + ap.add_argument("--d-start-min", type=float, default=40.0, + help="минимальная дальность спавна при аугментации, м") + ap.add_argument("--d-start-max", type=float, default=200.0, + help="максимальная дальность спавна при аугментации, м") + ap.add_argument("--v-lat-max", type=float, default=0.35, + help="максимальная боковая скорость препятствия (дрейф), м/с") + ap.add_argument("--s-noise-std", type=float, default=0.12, + help="СКО шума по продольной координате/дальности (джиттер лучей), м") + ap.add_argument("--respawn", action="store_true", + help="пересоздавать препятствие впереди при приближении ближе 6 м") + ap.add_argument("--static-prob", type=float, default=0.15, + help="вероятность сценария со стоячим поездом (ds = 0)") P.add_argument(ap) args = ap.parse_args() @@ -289,8 +364,17 @@ def main() -> None: print(f" внимание: для {p.name} нет своей складки — пропуск") continue trk = track_paths.get(p.name, args.track) if track_paths else args.track + aug_params = { + "augment": args.augment, + "d_start_min": args.d_start_min, + "d_start_max": args.d_start_max, + "v_lat_max": args.v_lat_max, + "s_noise_std": args.s_noise_std, + "respawn": args.respawn, + "static_prob": args.static_prob, + } tasks.append((p, params, args.limit, args.d_start, laterals, args.seed, - args.memory or "", rd, bool(args.tracks_out), trk)) + args.memory or "", rd, bool(args.tracks_out), trk, aug_params)) # Печатается по готовности, собирается по номеру задачи: порядок сценариев # в файле не должен зависеть от того, какой бэг досчитался первым. -- 2.45.2 From a06a2f45bb1e29569f5135796eb48b119fccf092 Mon Sep 17 00:00:00 2001 From: Zhirik1337 Date: Tue, 22 Sep 2026 21:26:20 +0300 Subject: [PATCH 2/2] =?UTF-8?q?=D0=BA=D0=BE=D0=BD=D1=82=D0=B5=D0=B9=D0=BD?= =?UTF-8?q?=D0=B5=D1=80=D0=B8=D0=B7=D0=B0=D1=86=D0=B8=D1=8F=20Docker=20?= =?UTF-8?q?=D0=B8=20docker-compose=20=D0=B4=D0=BB=D1=8F=20=D0=B7=D0=B0?= =?UTF-8?q?=D0=BF=D1=83=D1=81=D0=BA=D0=B0=20=D0=B8=20=D1=82=D0=B5=D1=81?= =?UTF-8?q?=D1=82=D0=BE=D0=B2?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - Dockerfile на python:3.11-slim с libgomp1, непривилегированным пользователем и healthcheck; - docker-entrypoint.sh с поддержкой шорткатов test/benchmark/evaluate/pipeline; - docker-compose.yml с профилями тестирования, оценки и бенчмарка; - docs/DOCKER.md: руководство по сборке, запуску и монтированию томов; - requirements.txt: добавлен matplotlib для построения графиков. --- .dockerignore | 38 ++++++++++++++++++ Dockerfile | 50 ++++++++++++++++++++++++ docker-compose.yml | 91 ++++++++++++++++++++++++++++++++++++++++++++ docker-entrypoint.sh | 50 ++++++++++++++++++++++++ docs/DOCKER.md | 81 +++++++++++++++++++++++++++++++++++++++ requirements.txt | 1 + 6 files changed, 311 insertions(+) create mode 100644 .dockerignore create mode 100644 Dockerfile create mode 100644 docker-compose.yml create mode 100755 docker-entrypoint.sh create mode 100644 docs/DOCKER.md diff --git a/.dockerignore b/.dockerignore new file mode 100644 index 0000000..7175273 --- /dev/null +++ b/.dockerignore @@ -0,0 +1,38 @@ +# Git +.git +.gitignore +.gitattributes +.github + +# Python caches +__pycache__ +*.pyc +*.pyo +*.pyd +.pytest_cache +.coverage +htmlcov/ +*.egg-info/ +dist/ +build/ + +# Virtual environments +venv/ +.venv/ +env/ +.env + +# Editor & OS artifacts +.idea/ +.vscode/ +*.swp +*.swo +*~ +.DS_Store + +# Agent & temporary files +scratch/ +.gemini/ + +# Raw lidar data (mounted via volume, never baked into image) +data/ diff --git a/Dockerfile b/Dockerfile new file mode 100644 index 0000000..bee8303 --- /dev/null +++ b/Dockerfile @@ -0,0 +1,50 @@ +# ============================================================================ +# FlyGuard: ML-ядро обнаружения препятствий в тоннеле метро (Кейс 05, ЛЦТ-2026) +# ============================================================================ +FROM python:3.11-slim-bookworm AS base + +# System configuration & environment +ENV DEBIAN_FRONTEND=noninteractive \ + PYTHONUNBUFFERED=1 \ + PYTHONDONTWRITEBYTECODE=1 \ + PYTHONPATH="/app:/app/tools" \ + FLYGUARD_DATA="/data" + +# Install runtime system dependencies (libgomp1 is required by LightGBM/OpenMP) +RUN apt-get update && apt-get install -y --no-install-recommends \ + libgomp1 \ + ca-certificates \ + && rm -rf /var/lib/apt/lists/* + +# Create non-root user and directories +RUN useradd -m -u 1000 -s /bin/bash flyguard && \ + mkdir -p /app /data /app/artifacts && \ + chown -R flyguard:flyguard /app /data + +WORKDIR /app + +# Cache layer: copy only requirements first +COPY --chown=flyguard:flyguard requirements.txt /app/ + +# Install python dependencies +RUN pip install --no-cache-dir --upgrade pip && \ + pip install --no-cache-dir -r requirements.txt + +# Copy application source code +COPY --chown=flyguard:flyguard . /app/ + +# Make sure entrypoint script is executable +RUN chmod +x /app/docker-entrypoint.sh + +# Switch to non-root user for security +USER flyguard + +# Volume mount points +VOLUME ["/data", "/app/artifacts"] + +# Container healthcheck +HEALTHCHECK --interval=30s --timeout=10s --start-period=5s --retries=3 \ + CMD python3 -c "import flyguard, numpy, scipy, lightgbm; print('healthy')" || exit 1 + +ENTRYPOINT ["/app/docker-entrypoint.sh"] +CMD ["test"] diff --git a/docker-compose.yml b/docker-compose.yml new file mode 100644 index 0000000..5cbcec5 --- /dev/null +++ b/docker-compose.yml @@ -0,0 +1,91 @@ +services: + # -------------------------------------------------------------------------- + # 1. Запуск набора тестов + # docker compose run --rm test + # -------------------------------------------------------------------------- + test: + build: + context: . + dockerfile: Dockerfile + image: flyguard:latest + container_name: flyguard-test + command: ["test"] + volumes: + - ./artifacts:/app/artifacts + - ./data:/data:ro + environment: + - PYTHONUNBUFFERED=1 + - FLYGUARD_DATA=/data + shm_size: '2gb' + + # -------------------------------------------------------------------------- + # 2. Оценка ложных тревог (leave-one-bag-out) + # docker compose run --rm evaluate + # -------------------------------------------------------------------------- + evaluate: + image: flyguard:latest + container_name: flyguard-evaluate + command: ["evaluate", "--mbon-dir", "artifacts/mbon_folds"] + volumes: + - ./artifacts:/app/artifacts + - ./data:/data:ro + environment: + - PYTHONUNBUFFERED=1 + - FLYGUARD_DATA=/data + shm_size: '2gb' + + # -------------------------------------------------------------------------- + # 3. Полигон дальности обнаружения с аугментациями + # docker compose run --rm benchmark + # -------------------------------------------------------------------------- + benchmark: + image: flyguard:latest + container_name: flyguard-benchmark + command: [ + "benchmark", + "--memory", "artifacts/mushroom_body.npz", + "--mbon-dir", "artifacts/mbon_folds", + "--augment", + "--out", "artifacts/benchmark.json" + ] + volumes: + - ./artifacts:/app/artifacts + - ./data:/data:ro + environment: + - PYTHONUNBUFFERED=1 + - FLYGUARD_DATA=/data + shm_size: '2gb' + + # -------------------------------------------------------------------------- + # 4. Прогон конвейера по бэгу + # docker compose run --rm pipeline --bag /data/for_hackathon/doubleT_obstacle --verbose + # -------------------------------------------------------------------------- + pipeline: + image: flyguard:latest + container_name: flyguard-pipeline + command: ["pipeline", "--all", "--memory", "artifacts/mushroom_body.npz"] + volumes: + - ./artifacts:/app/artifacts + - ./data:/data:ro + environment: + - PYTHONUNBUFFERED=1 + - FLYGUARD_DATA=/data + shm_size: '2gb' + + # -------------------------------------------------------------------------- + # 5. Интерактивная оболочка + # docker compose run --rm shell + # -------------------------------------------------------------------------- + shell: + image: flyguard:latest + container_name: flyguard-shell + command: ["bash"] + volumes: + - ./artifacts:/app/artifacts + - ./data:/data:ro + environment: + - PYTHONUNBUFFERED=1 + - FLYGUARD_DATA=/data + stdin_open: true + tty: true + shm_size: '2gb' diff --git a/docker-entrypoint.sh b/docker-entrypoint.sh new file mode 100755 index 0000000..456e6c5 --- /dev/null +++ b/docker-entrypoint.sh @@ -0,0 +1,50 @@ +#!/usr/bin/env bash +set -e + +# Default to run_tests if no arguments provided +if [ $# -eq 0 ]; then + echo "==> FlyGuard container started without arguments. Running verification tests..." + exec python3 tests/run_tests.py +fi + +# Subcommand shortcuts +case "$1" in + test|tests|run-tests) + shift + exec python3 tests/run_tests.py "$@" + ;; + pytest) + shift + exec pytest tests "$@" + ;; + pipeline|run-pipeline) + shift + exec python3 tools/run_pipeline.py "$@" + ;; + benchmark|make-benchmark) + shift + exec python3 tools/make_benchmark.py "$@" + ;; + evaluate) + shift + exec python3 tools/evaluate.py "$@" + ;; + train-mbon) + shift + exec python3 tools/train_mbon.py "$@" + ;; + train-track) + shift + exec python3 tools/train_track.py "$@" + ;; + plot|plot-benchmark) + shift + exec python3 tools/plot_benchmark.py "$@" + ;; + bash|sh) + exec /bin/bash "$@" + ;; + *) + exec "$@" + ;; +esac diff --git a/docs/DOCKER.md b/docs/DOCKER.md new file mode 100644 index 0000000..ae96d6d --- /dev/null +++ b/docs/DOCKER.md @@ -0,0 +1,81 @@ +# Руководство по запуску FlyGuard в Docker + +## 1. Быстрая сборка образа + +Сборка легковесного образа на базе `python:3.11-slim-bookworm` (включает OpenMP/BLAS и зависимости): + +```bash +docker build -t flyguard:latest . +``` + +--- + +## 2. Запуск тестов + +Контейнер по умолчанию выполняет самодиагностику и тестовый набор: + +```bash +# Прямой запуск через Docker +docker run --rm flyguard:latest + +# Либо через docker compose +docker compose run --rm test +``` + +--- + +## 3. Запуск конвейера и бенчмарка с данными лидара + +Датасеты монтируются в контейнер в каталог `/data`: + +```bash +# Оценка ложных тревог по всем бэгам +docker run --rm \ + -v /path/to/lidar/data:/data:ro \ + -v $(pwd)/artifacts:/app/artifacts \ + --shm-size=2g \ + flyguard:latest evaluate --mbon-dir artifacts/mbon_folds + +# Запуск полигона дальности с новыми аугментациями +docker run --rm \ + -v /path/to/lidar/data:/data:ro \ + -v $(pwd)/artifacts:/app/artifacts \ + --shm-size=2g \ + flyguard:latest benchmark --memory artifacts/mushroom_body.npz --augment + +# Прогон по конкретному бэгу с выводом телеметрии в реальном времени +docker run --rm \ + -v /path/to/lidar/data:/data:ro \ + flyguard:latest pipeline --bag /data/for_hackathon/doubleT_obstacle --verbose +``` + +--- + +## 4. Интерактивная отладка + +Войти внутрь контейнера с настроенным окружением: + +```bash +docker compose run --rm shell +# или +docker run -it --rm \ + -v /path/to/lidar/data:/data:ro \ + -v $(pwd)/artifacts:/app/artifacts \ + flyguard:latest bash +``` + +--- + +## 5. Доступные команды шорткатов entrypoint + +Точка входа `docker-entrypoint.sh` поддерживает удобные псевдонимы: + +* `test` — запускает автономный набор юнит-тестов (`tests/run_tests.py`) +* `pytest` — запускает `pytest tests` +* `pipeline` — вызывает `tools/run_pipeline.py` +* `benchmark` — вызывает `tools/make_benchmark.py` +* `evaluate` — вызывает `tools/evaluate.py` +* `train-mbon` — вызывает `tools/train_mbon.py` +* `train-track` — вызывает `tools/train_track.py` +* `plot` — вызывает `tools/plot_benchmark.py` +* `bash` / `sh` — открывает командную оболочку diff --git a/requirements.txt b/requirements.txt index 803f00f..6c5868e 100644 --- a/requirements.txt +++ b/requirements.txt @@ -2,6 +2,7 @@ numpy>=1.24 scipy>=1.10 # только для контрольного бустинга в tools/train_mbon.py --baseline lightgbm>=4.0 +matplotlib>=3.7 # только для обучения на GPU (tools/train_mbon.py --device cuda); ядру не нужен # torch>=2.0 pytest>=7.0 -- 2.45.2