🤖 机器人轨迹预测推理与评估 (Inference & Evaluation)

这是一个基于 OpenPi 架构的机器人离线推理、轨迹可视化及性能评估工具集。它通过远程推理、数据回传与多维度评估，实现了从“原始图像”到“精度报告”的全流程闭环。

---

📂 目录结构与产出

inference/
├── inference_main.py             # [核心] 推理脚本，通过 SSH 隧道调用远端服务
├── plot_comparison.py            # [绘图] 生成 GT/Base/Novel 三方对比轨迹图
├── eval_batch_metrics.py         # [评估] 批量计算 MSE 误差，生成 CSV 报告
├── train9/                       # 数据文件夹示例
│   ├── GT.txt                    # 真实动作序列
│   ├── infer_chunk40.txt         # Base 模型预测结果
│   ├── novelinfer_chunk40.txt    # Novel 模型预测结果
│   └── compare_chunk40.png       # <--- 执行 plot_comparison.py 后的产出
└── separate_evaluation_chunk40.csv # <--- 执行 eval_batch_metrics.py 后的产出

---

🖼️ 执行效果预览

1.1 轨迹对比图 (Figure_1.png)

运行 plot_comparison.py 后，系统会生成一张包含 8 个子图的高清对比图。它展示了机器人 7 个关节及 1 个夹爪随时间步变化的轨迹。

• 黑色实线 (GT)：专家录制的标准动作。
• 红色虚线 (Base)：基础模型预测动作。
• 蓝色点划线 (Novel)：新算法/模型预测动作。
• 视觉参考：Y 轴刻度间隔固定为 0.1，方便观察微小偏差。

1.2 基础推理轨迹图 (compare_chunk40.png)

该图片由核心推理脚本 inference_main.py 在处理每个 trainX 文件夹时自动生成。它记录了模型在特定 CHUNK_SIZE（分块大小）下的实时表现。

• 生成时机：远程推理成功并保存 .txt 数据后自动绘制，用于即时验证推理有效性。
• 颜色说明：
  • 绿色实线 (GT)：原始专家演示数据。
  • 红色虚线 (Pred)：当前模型（Base）生成的预测轨迹。
• 功能定位：主要用于快速检查模型是否“跑飞”或是否存在明显的时延偏移。

2. 批量评估报告 (separate_evaluation_chunk40.csv)

运行 eval_batch_metrics.py 后，会在根目录生成汇总报表。该表通过均方误差 (MSE) 量化了模型的改进效果。

报告示例（部分字段）：

Folder	Base_Joints_MSE	Novel_Joints_MSE	Joints_Impr_%	Joints_Winner	Gripper_Winner
train0	0.00123456	0.00104500	+15.35%	<font color="blue">NOVEL</font>	NOVEL
train1	0.00098520	0.00112000	-13.68%	<font color="red">BASE</font>	NOVEL
train9	0.00145000	0.00120000	+17.24%	<font color="blue">NOVEL</font>	NOVEL

字段说明：

• Impr_%: 计算公式为 $(Base - Novel) / Base \times 100$。正数表示 Novel 模型精度更高。
• Winner: 自动标注在该文件夹下表现更优的模型。

---

🚀 快速开始

1. 执行推理： 确保 SSH 隧道配置正确，运行 python inference_main.py 生成预测数据。
2. 可视化验证： 运行 python plot_comparison.py 查看单条轨迹的拟合详情。
3. 批量打分： 运行 python eval_batch_metrics.py 获取所有训练文件夹的统计性能。

---

📝 备注

• 坐标轴自适应：绘图脚本会自动在数据上下限留出 10% 的空白，防止曲线贴边。
• 编码说明：CSV 文件使用 utf-8-sig 编码，支持 Excel 直接打开无乱码。