DiffusionIMU4D

本项目是一个基于 扩散模型 (Diffusion Models) 的 IMU 速度序列估计算法，专门设计用于从原始惯性数据 (Gyro + Accel) 中重建高精度的速度序列轨迹。

🌟 核心方案

本项目提供了两种不同的扩散模型应用策略，用户可以根据需求选择：

方案 A：残差修正 (Residual Refinement)

• 逻辑: 使用 ResNet1D 作为先验网络预测一个粗略的速度序列，扩散模型则专注于学习并补偿该先验与真值之间的残差 (Residual)。
• 训练:

  python3 train_diff.py --config configs/diffusion_variant_a.yaml

• 推理与评估:

  python3 test_diff.py --config configs/diffusion_variant_a.yaml --model_path experiments/checkpoints/diff_residual_epoch_99.pth

方案 B：端到端条件生成 (End-to-End Conditional)

• 逻辑: ResNet1D 仅作为特征编码器，提取 IMU 的深层语义特征。扩散模型以此为条件 (Condition)，直接从高斯噪声中去噪生成最终的速度序列。
• 训练:

  python3 train_diff.py --config configs/diffusion_variant_b.yaml

• 推理与评估:

  python3 test_diff.py --config configs/diffusion_variant_b.yaml --model_path experiments/checkpoints/diff_end2end_epoch_99.pth

---

📂 项目结构

├── configs/             # 实验配置 (模型超参、WandB 路径等)
├── data/                # 数据加载与处理逻辑 (支持 RoNIN 数据格式)
├── models/              # 模型定义 (ResNet1D, DiffUNet1D, DiffusionSystem)
├── utils/               # 物理积分、几何变换、评价指标等工具类
├── train_diff.py        # 扩散模型训练脚本
├── test_diff.py         # 轨迹重建与精度评估脚本
├── train_ronin.py       # Baseline (ResNet1D) 训练脚本
└── requirements.txt     # 项目依赖环境

🚀 环境与数据

1. 安装依赖

pip install -r requirements.txt

2. 数据准备

将 RoNIN 数据集存放至 data/RoNIN，确保包含 extracted (HDF5文件) 和 lists (训练/测试列表)。

3. 日志监控 (WandB)

在 configs/wandb.yaml 中配置你的项目信息或切换离线模式：

project_name: "Diffusion4d-Diff"
entity: ""       # 默认使用本地 wandb login 账号
mode: "online"   # 可选 "offline"

📄 开源协议

MIT