fix(device): harden dynamic runtime GPU failure recovery with irreversible fallback to CPU

flyguard/device.py

@@ -37,11 +37,33 @@ def is_cuda_available() -> bool:
         if not is_torch_available():
             _CUDA_AVAILABLE = False
         else:
+            try:
                 import torch
-            _CUDA_AVAILABLE = bool(torch.cuda.is_available())
+                _CUDA_AVAILABLE = bool(torch.cuda.is_available() and torch.cuda.device_count() > 0)
+            except Exception as e:
+                logger.warning("Проверка CUDA завершилась ошибкой: %s. Fallback на CPU.", e)
+                _CUDA_AVAILABLE = False
     return _CUDA_AVAILABLE
 
 
+def notify_cuda_error(exc: Exception | None = None) -> None:
+    """Зафиксировать сбой CUDA в рантайме и принудительно перевести систему в режим CPU fallback.
+
+    Вызывается, если во время работы на GPU произошёл OOM, таймаут или сбой драйвера.
+    Последующие вызовы конвейера будут прозрачно исполняться на CPU.
+    """
+    global _CUDA_AVAILABLE
+    _CUDA_AVAILABLE = False
+    logger.warning("Зафиксирован сбой GPU в рантайме (%s). Выполнен необратимый Fallback на CPU.", exc)
+
+
+def reset_device_cache() -> None:
+    """Сбросить кэш состояния устройств (для юнит-тестов)."""
+    global _TORCH_AVAILABLE, _CUDA_AVAILABLE
+    _TORCH_AVAILABLE = None
+    _CUDA_AVAILABLE = None
+
+
 def get_device(preferred: str = "auto") -> str:
     """Выбрать вычислительное устройство с автоматическим fallback на CPU.
 

flyguard/lamina.py

@@ -196,8 +196,9 @@ def process(r: np.ndarray, valid: np.ndarray, *, r_max: float = 300.0,
     if target_dev.startswith("cuda"):
         try:
             return _process_gpu(r, valid, r_max=r_max, device=target_dev)
-        except Exception:
+        except Exception as e:
-            # При любых непредвиденных сбоях GPU — прозрачный откат на CPU
+            from .device import notify_cuda_error
+            notify_cuda_error(e)
             return _process_cpu(r, valid, r_max=r_max)
 
     return _process_cpu(r, valid, r_max=r_max)

flyguard/mbon_readout.py

@@ -126,6 +126,7 @@ class MbonReadout:
         chunk = max(1, int(2 ** 26 // max(self.cfg.n_kc, 1)))
 
         if device and device != "cpu":
+            try:
                 import torch
                 out_i = np.empty((X.shape[0], k), np.int64)
                 out_v = np.empty((X.shape[0], k), np.float32)
@@ -141,6 +142,10 @@ class MbonReadout:
                         out_i[i:i + chunk] = a.cpu().numpy()
                         out_v[i:i + chunk] = v.cpu().numpy()
                 return out_i, out_v
+            except Exception as e:
+                from .device import notify_cuda_error
+                notify_cuda_error(e)
+                # Переход к расчету на CPU
 
         out_i = np.empty((X.shape[0], k), np.int64)
         out_v = np.empty((X.shape[0], k), np.float32)
@@ -333,6 +338,8 @@ class MbonReadout:
                                 device=target_dev, verbose=verbose)
                 return
             except Exception as e:
+                from .device import notify_cuda_error
+                notify_cuda_error(e)
                 import logging
                 logging.getLogger("flyguard.mbon").warning("GPU learning failed (%s), fallback to CPU", e)
 

flyguard/mushroom_body.py

@@ -158,6 +158,7 @@ class MushroomBody:
             target_dev = get_device("auto")
 
         if target_dev and target_dev != "cpu":
+            try:
                 import torch
                 out = np.empty((X.shape[0], k), np.int64)
                 with torch.no_grad():
@@ -169,6 +170,10 @@ class MushroomBody:
                         y = ((t - m) / s) @ w
                         out[i:i + chunk] = torch.topk(y, k, dim=1).indices.cpu().numpy()
                 return out
+            except Exception as e:
+                from .device import notify_cuda_error
+                notify_cuda_error(e)
+                # Fallback на CPU ниже
 
         if X.shape[0] <= chunk:
             z = (X - self.mean) / self.scale
@@ -236,8 +241,9 @@ class MushroomBody:
                     self.w_mbon = w_mbon_t.cpu().numpy()
                     self.n_seen += X.shape[0]
                     return
-            except Exception:
+            except Exception as e:
-                pass
+                from .device import notify_cuda_error
+                notify_cuda_error(e)
 
         act = self.encode(X, device="cpu")
         cnt = np.bincount(act.ravel(), minlength=self.cfg.n_kc)

flyguard/pipeline.py

@@ -319,7 +319,12 @@ class FlyGuard:
                              else STRAIGHT)
 
         with t("lamina"):
-            lam = lamina.process(tf.r, tf.valid, device=self.device)
+            dev = self.device
+            if dev.startswith("cuda"):
+                from .device import is_cuda_available
+                if not is_cuda_available():
+                    self.device = dev = "cpu"
+            lam = lamina.process(tf.r, tf.valid, device=dev)
 
         with t("ego"):
             ego = (self.ego_est.update(tf, pc.stamp) if self.p.enable_motion

tests/test_pipeline.py

@@ -740,3 +740,29 @@ def test_lamina_device_routing():
     assert out_auto.on.shape == (16, 32)
     assert out_cpu.on[8, 16] > 0.0
     assert np.allclose(out_cpu.on, out_auto.on, atol=1e-5)
+
+
+def test_device_runtime_failure_and_fallback():
+    """Проверка динамического перехода на CPU при сбое/отвале GPU в рантайме."""
+    from flyguard.device import is_cuda_available, get_device, notify_cuda_error, reset_device_cache
+    from flyguard import lamina
+
+    # Симуляция критического сбоя GPU
+    notify_cuda_error(RuntimeError("Simulated CUDA device disconnect / OOM"))
+
+    assert not is_cuda_available()
+    assert get_device("cuda") == "cpu"
+    assert get_device("auto") == "cpu"
+
+    r = np.full((16, 32), 20.0, dtype=np.float32)
+    r[8, 16] = 4.0
+    valid = np.ones((16, 32), dtype=bool)
+
+    # Даже при явном указании device="cuda", Lamina должна успешно отработать на CPU
+    out = lamina.process(r, valid, device="cuda")
+    assert out.on.shape == (16, 32)
+    assert out.on[8, 16] > 0.0
+
+    # Восстановление кэша
+    reset_device_cache()
+