Перейти к содержанию

Model Lifecycle

Эта страница описывает базовый путь работы с моделью управления в uav-simulator.

Цепочка работы

  1. Обучить или собрать модель во внешнем Python-контуре.
  2. Получить артефакт:
  3. .onnx
  4. metadata.json
  5. metrics.json
  6. Установить модель через rusim или backend API.
  7. Выбрать нужную name/version и привязать её к целевой паре clientId + runtimeMode + agentId?.
  8. Запустить автопилот.
  9. Проверить результат в unity-sim.
  10. Подготовить перенос на real-robot.

Формат артефакта

Минимальный набор: - ONNX-модель; - metadata c описанием наблюдений и действий; - metrics c базовой сводкой по обучению или baseline.

Установка через CLI

rusim model install python/training/artifacts/cardboard-corridor-policy/v1.0.0/cardboard-corridor-policy.onnx
rusim model catalog
rusim model binding --client-id demo --runtime-mode unity-sim --agent-id ego
rusim model bind --client-id demo --runtime-mode unity-sim --agent-id ego --model-id model-...

CLI автоматически подхватывает соседние metadata.json и metrics.json, если они лежат рядом с .onnx.
name, version и compatibility hints берутся из sidecar metadata или задаются явно.

Backend API

Основные endpoint-ы: - POST /api/models/upload - GET /api/models - GET /api/model-catalog - POST /api/models/activate - GET /api/models/active - GET /api/model-bindings/current - POST /api/model-bindings - POST /api/autopilot/start - POST /api/autopilot/stop - GET /api/autopilot/status

Что делает backend

  • хранит registry моделей;
  • группирует модели по name -> versions;
  • хранит binding выбранной версии к конкретной цели запуска;
  • валидирует ONNX-артефакт при загрузке;
  • держит legacy active model как fallback;
  • запускает inference loop автопилота;
  • умеет выполнять inference как для flat obs, так и для multi-input vision ONNX (image + ultrasonic);
  • возвращает статус и ошибки автопилота.

Базовый сценарий

flowchart LR
    Train["Train / Build"] --> Artifact["ONNX + metadata + metrics"]
    Artifact --> Install["Install"]
    Install --> Bind["Bind name/version to target"]
    Bind --> Start["Start autopilot"]
    Start --> Eval["Check status and KPI"]

Текущее состояние

Для unity-sim путь train -> install -> bind -> run уже собран на уровне интеграции, включая vision-policy для cardboard-corridor-policy.
Следующий этап — улучшение самой модели и перенос контура на реальную платформу.