3D Diffusion Policy 符号 eval_policy.py 调用 deploy_policy.py:eval()，其调用 RobotRunner.get_action()RobotRunner.get_action() (robot_runner.py) obs = self.get_n_steps_obs() obs <- update_obs() 就是 append <- Base_task.get_obs() [ai] observation - 包含来自各种相机的观察数据相机数据包括 head_camera, left_camera, right_camera, front_camera 等 每个相机可以包含以下数据（取决于 data_type 设置）： rgb - RGB图像数据mesh_segmentation - 网格分割数据actor_segmentation - 实体分割数据depth - 深度图像数据相机内参和外参矩阵 pointcloud - 点云数据如果 data_type['pointcloud'] 为 True，则包含点云数据 可以选择是否合并多个相机的点云数据 joint_action - 机器人关节状态如果 data_type['qpos'] 为 True，包含机器人关节角度 双臂模式下，包含左臂和右臂的关节角度 单臂模式下，仅包含右臂的关节角度 endpose - 机器人末端执行器姿态如果 data_type['endpose'] 为 True，包含末端执行器的位置和姿态 双臂模式下，包含左右两个末端执行器的信息（位置x,y,z，欧拉角roll,pitch,yaw，以及夹爪状态） 单臂模式下，仅包含右臂末端执行器信息 vision_tactile - 视觉触觉传感器数据（当 TACTILE_ON 为 True 时）如果 data_type['vision_tactile'] 为 True，包含触觉传感器的RGB图像数据 随后拿出两个数据并重命名: pointcloud -> point_cloud, joint_action -> agent_pos 得到 obs: Dict each_key => 将最近 n 个观测的 key 在第 0 维度拼接. 形状为 (n_steps, ) + shape_of_the_value n_steps 在参数 yaml 里为 n_obs_steps = 3 在前面 unsqueeze 一个长度为 1 的维度后送进 DP3.predict_action() [意义不明] class DP3: predict_action() (dp3.py) Input (obs_dict): 'point_cloud': (1, 3, 1024, 6)'agent_pos': (3, 14) 就是关节角度 过程: normalize if global_cond: point_cloud & agent_pos 都送入 DP3Encoder，得到 (3, 192)，压扁成 (1, 576) mask 就是全部 mask 掉, 所有动作都需要通过扩散模型生成 else: 送入 self.condition_sapmle() return. 实测表明一次预测 6 步且会把这 6 步执行完，再预测下 6 步. condition_sample(): ps: 出的 traj shape 是 (B, T, action_dim) = (1, 8, 14) 每个去噪步 model(sample=trajectory, timestep=t, local_cond=local_cond(必为 None), global_cond=global_cond) model is ConditionalUnet1D.forward(): python ... timestep (形状 (B, ) or int) encoding (SinusoidalPosEmb, Linear, Mish, Linear) 如 global_cond，则 `global_feature = cat([timestep_embed, global_cond], axis=-1) x = sample (即 trajactory) ... for idx, (resnet, resnet2, downsample) in enumerate(self.down_modules): if self.use_down_condition: x = resnet(x, global_feature) if idx == 0 and len(h_local) > 0: x = x + h_local[0] x = resnet2(x, global_feature) else: x = resnet(x) if idx == 0 and len(h_local) > 0: x = x + h_local[0] x = resnet2(x) h.append(x) x = downsample(x) ... 后面有一个 mid_module (ConditionalResidualBlock1D) ... 后面面 Upsample 一毛一样 x = self.final_conv(x) return x 其中 resnet, resnet2, downsample: python ConditionalResidualBlock1D( dim_in, dim_out, cond_dim=cond_dim, kernel_size=kernel_size, n_groups=n_groups, condition_type=condition_type), ConditionalResidualBlock1D( dim_out, dim_out, cond_dim=cond_dim, kernel_size=kernel_size, n_groups=n_groups, condition_type=condition_type), Downsample1d(dim_out) if not is_last else nn.Identity() 其中 ConditionalResidualBlock1D.forward(): out = Conv1dBlock() (x) if cross_attention_add embed = CrossAttention() (x) out = out + embed (是 tensor 值加) out = another Conv1dBlock() (x) out = out + self.residual_conv(x) return out Inner DP3Encoder 输入 'point_cloud' => B x N x 3的 点云 (B: batch) = (3, 1024, 3) 送入: class PointNetEncoderXYZ MLP: [Linear + LayerNorm + ReLU] x 3 channels: 3 => 64 => 128 => 256 => max => Linear + LayerNorm (128) forward(): (B, N, 3) = (3, 1024, 3) mlp => (3, 1024, 256) max => (3, 256) Linear + LayerNorm => (3, 128) self.state_mlp: 简单的 MLP (Linear + ReLU). state_mlp_size = (64, 64).最后 cat 成 (3, 192) Outer