3D-Diffusion-Policy

符号
- T: 预测轨迹长度
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() （应该是因为推理的时候 batch 必是 1）

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:
    - mask 观察特征保持可见
  - 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():

...
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:

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)

Inner

Outer