Mini-Nav/docs/experiments.md

Mini-Nav 实验可行性调研报告

本文档调研当前 Mini-Nav 项目对论文/报告第 6.2–6.8 节实验的支持程度，判断哪些实验可以直接开展，哪些实验只能部分开展，以及还需要补齐哪些代码、脚本或评估流程。

调研范围：当前仓库中的 Python 代码、CAM RTL、Cocotb 仿真、benchmark 框架、Scene Graph 原型、Habitat simulator 辅助代码与现有配置。

总体结论

实验章节	当前状态	结论
6.2 CAM 硬件功能正确性验证	较完整	可以做
6.3 CAM 硬件性能基准测试	有参数化仿真基础	部分可做，性能/资源脚本缺失
6.4 Hash Compressor 检索性能实验	有模型和训练代码	部分可做，缺系统化评估脚本
6.5 对象级 Top-K 检索实验	有雏形	部分可做，但集成问题较多
6.6 Scene Graph 构建与路径推理实验	很弱	大多还不能做
6.7 CAM 加速后的整体框架实验	缺软件-硬件桥接与端到端闭环	只能做局部模拟
6.8 消融实验与误差分析	依赖前面模块	只能做少量离线消融

简短判断：6.2 最成熟；6.3、6.4 可较快补齐；6.5 有雏形但需要修集成；6.6、6.7、6.8 中涉及 Scene Graph 和端到端导航的部分目前还不具备完整实验条件。

项目中已有的关键能力

CAM 硬件与仿真

相关路径：

• hw/rtl/cam_top.sv
• hw/rtl/cam_noisy.sv
• hw/rtl/core/cam_core_banked.sv
• hw/rtl/core/match_engine_pipeline.sv
• hw/rtl/core/popcount_pipeline.sv
• hw/rtl/noise/cam_write_noise.sv
• hw/rtl/noise/cam_read_noise.sv
• hw/rtl/noise/noise_mask_bernoulli.sv（Phase 2 后 read noise 改为 pass-through，该模块仅用于 write noise mask 生成）
• hw/rtl/cam_params.svh
• hw/sim/model/ref_model.py
• hw/sim/sweep_noise.py
• hw/sim/tests/*.py
• hw/sim/Makefile
• .justfile

已有能力：

• CAM 顶层模块支持写入、查询、匹配输出。
• 参数支持 NUM_ROWS、HASH_BITS、LANES。
• 有写噪声和读噪声模块。
• 有 Python 参考模型用于验证噪声和匹配行为。
• 有 Cocotb/Verilator 测试命令：
  • just cam-test-py
  • just cam-test-all
  • just cam-test-module MODULE=...

Hash Compressor 与检索

相关路径：

• mini-nav/compressors/hash_compressor.py
• mini-nav/compressors/common.py
• mini-nav/compressors/train.py
• mini-nav/compressors/pipeline.py
• mini-nav/commands/benchmark.py
• mini-nav/benchmarks/tasks/retrieval.py

已有能力：

• HashCompressor 支持 DINO token 到二值 hash bits 的映射。
• 默认目标是 512-bit CAM-compatible hash code。
• HashLoss 包含 contrastive、distillation、quantization 三类损失。
• train.py 可以在 CIFAR-10 上训练 HashCompressor。
• common.py 有 Hamming distance / similarity 工具。

对象级检索雏形

相关路径：

• mini-nav/benchmarks/tasks/multi_object_retrieval.py
• mini-nav/data_loading/insdet_scenes.py
• mini-nav/data_loading/loader.py
• mini-nav/compressors/pipeline.py

已有能力：

• 有多对象检索 benchmark task 雏形。
• 有 object-level vector 建库、query、scene-level aggregation 的基本逻辑。
• HashPipeline 支持 OWLv2 文本检测、SAM 分割、DINO 特征、Hash 压缩的流水线设计。

主要问题：

• multi_object_retrieval.py 引入 utils.sam，但源码中没有 mini-nav/utils/sam.py，只有历史 __pycache__。
• 普通 benchmark 使用字段 img，多对象检索使用字段 image，存在数据接口不一致。
• 当前多对象检索主要走 LanceDB 连续向量检索，不是真正的 CAM/hash 检索。

Scene Graph 与 Habitat 辅助代码

相关路径：

• mini-nav/scenegraph/objectnode.py
• mini-nav/scenegraph/roomnode.py
• mini-nav/scenegraph/scenegraph.py
• mini-nav/simulator/habitat.py
• mini-nav/simulator/views.py
• mini-nav/simulator/topdown.py

已有能力：

• ObjectNode 数据结构中已有 visual_hash、semantic_hash 字段。
• SimpleSceneGraph 目前仅保存 rooms 和 objects 两个字典。
• Habitat 侧有 simulator 创建、随机 navigable point 采图、topdown map 可视化辅助函数。

主要问题：

• 没有 Scene Graph 构建器。
• 没有 room-waypoint-object 拓扑关系。
• 没有检索结果到导航目标点的转换。
• 没有 episode、policy、SPL/success 等导航评估指标。

6.2 CAM 硬件功能正确性验证

结论：可以做。

小节	状态	说明
6.2.1 写入与读取功能验证	可以做	cam_core_banked、cam_top 有 Cocotb 测试
6.2.2 汉明距离计算验证	可以做	match_engine_pipeline 和 ref model 覆盖 bit match / popcount
6.2.3 Top-K 输出正确性验证	部分可做	当前硬件更接近 Top-1 输出，不是完整 Top-K 列表
6.2.4 噪声注入功能验证	可以做	写噪声、读噪声、组合噪声都有测试和参考模型

已具备内容

• 写入/读取：hw/rtl/core/cam_core_banked.sv、hw/sim/tests/test_cam_core_banked.py
• 匹配与 popcount：hw/rtl/core/match_engine_pipeline.sv、hw/rtl/core/popcount_pipeline.sv
• 噪声模块：hw/rtl/noise/cam_write_noise.sv、hw/rtl/noise/cam_read_noise.sv（Phase 2 后 read noise 改为 pass-through，实际翻转仅由 write noise 模块产生）
• 参考模型：hw/sim/model/ref_model.py
• 集成测试：hw/sim/tests/test_cam_basic.py

还需补齐

1. 如果论文中写的是严格的 Top-K 硬件输出，当前 RTL 需要补 Top-K 选择/排序模块，或者明确实验是 Top-1 / Top-K 由软件侧重排实现。
2. 需要统一整理仿真日志、表格和截图，形成可放入论文的实验结果。
3. 建议补一个 scripts/run_cam_correctness.py 或类似脚本，一键跑 6.2 所需配置。

6.3 CAM 硬件性能基准测试

结论：部分可做。

小节	状态	说明
6.3.1 不同行数 NUM_ROWS 下的延迟	部分可做	Makefile 支持参数化，但缺自动 latency 统计
6.3.2 不同 HASH_BITS 下的资源占用	暂不能充分做	缺 Yosys/Vivado/Quartus 综合脚本
6.3.3 不同 LANES 下的吞吐率	部分可做	RTL 参数支持，但缺吞吐率测量脚本
6.3.4 与软件检索方法的性能对比	还不能完整做	缺统一的硬件/软件 benchmark 脚本

已具备内容

• hw/sim/Makefile 支持：
  • NUM_ROWS
  • HASH_BITS
  • LANES
  • WRITE_NOISE_*
  • 读取路径 pass-through 验证（读阶段不再注入噪声）
• .justfile 已封装远程 Verilator/Cocotb 执行命令。

还需补齐

1. CAM 性能 sweep 脚本：
   • 输入：NUM_ROWS、HASH_BITS、LANES
   • 输出：latency cycles、throughput、仿真耗时
2. Cocotb latency 统计：
   • 记录 query_valid 到 result_valid 的周期数。
3. 综合/资源统计流程：
   • Yosys 或 Vivado TCL。
   • 输出 LUT、FF、BRAM、频率估计。
4. 软件 baseline：
   • Python/NumPy Hamming scan。
   • PyTorch vectorized Hamming。
   • LanceDB/DINO continuous vector retrieval。

6.4 Hash Compressor 检索性能实验

结论：部分可做。

小节	状态	说明
6.4.1 原始 DINOv2 特征与二值哈希特征对比	可补后做	DINO 和 Hash 都有，但缺统一评估脚本
6.4.2 不同哈希长度消融实验	可补后做	HashCompressor(hash_bits=...) 支持，但训练脚本固定 512
6.4.3 不同压缩方法对比实验	暂不能做	目前只有一种 MLP HashCompressor，无 PCA/随机投影/ITQ/LSH baseline
6.4.4 相似度保持能力分析	可补后做	有 DINO embedding 和 hash similarity，缺相关性分析脚本

已具备内容

• HashCompressor.encode() 可以生成 binary bits。
• HashCompressor.compute_similarity() 可以计算 Hamming similarity。
• HashLoss 支持相似度蒸馏，有利于做 similarity preservation 分析。
• train.py 可训练基础 512-bit compressor。

还需补齐

建议新增 scripts/eval_hash_retrieval.py，支持：

• DINO baseline vs Hash baseline。
• hash_bits = 64 / 128 / 256 / 512。
• Recall@K、mAP、query latency。
• DINO cosine similarity 与 Hash Hamming similarity 的 Spearman/Pearson 相关性。
• storage compression ratio。

如果要做 6.4.3，需要新增压缩 baseline：

• random projection + sign。
• PCA + sign。
• LSH。
• ITQ 或简化二值量化方法。

6.5 对象级 Top-K 检索实验

结论：部分可做，但当前不能顺畅跑完整实验。

小节	状态	说明
6.5.1 图像查询实验	部分可做	有 object retrieval 框架，但需修 utils.sam 和字段兼容
6.5.2 文本类别查询实验	部分可做	HashPipeline 支持 OWLv2 text labels，但 benchmark 未集成
6.5.3 多视角对象特征融合实验	暂不能做	没有 object tracking / multi-view merge / feature aggregation
6.5.4 类别过滤与重排序实验	只有基础	有 mask filtering；类别级过滤和重排序逻辑还需补

已具备内容

• multi_object_retrieval.py 有对象级检索任务结构。
• data_loading/loader.py 能加载带 bbox/category 的 InsDet scene 数据。
• HashPipeline 支持文本标签驱动的 OWLv2 检测。

主要问题

1. utils.sam 缺失。
2. img / image 字段不一致。
3. 数据库 schema 与 object-level retrieval 的 schema 需要和 runner 对齐。
4. 当前 object retrieval 不是 hash/CAM 检索。
5. 缺类别过滤、重排序、多视角融合的正式评估接口。

还需补齐

1. 补 mini-nav/utils/sam.py，或改为复用 compressors/model_loader.py 与 compressors/proposal。
2. 统一 benchmark dataset item 字段。
3. 给 object retrieval 增加三种模式：
   • DINO continuous vector。
   • Hash/Hamming。
   • CAM/ref_model Hamming。
4. 增加 category filter 与 rerank 开关。
5. 多视角融合需要新增 object association 和 feature aggregation。

6.6 Scene Graph 构建与路径推理实验

结论：大部分还不能做。

小节	状态	说明
6.6.1 ObjectNode 构建质量验证	只能做静态/伪数据	有数据结构，无自动构建流程
6.6.2 房间层与 waypoint 层关系验证	不能做	没有 waypoint node / room-waypoint graph
6.6.3 检索结果到导航目标点转换实验	不能做	没有 object → navigable point / goal pose 映射
6.6.4 基于 Scene Graph 的路径生成实验	不能做	没有 graph search / Habitat path planner 封装

已具备内容

• ObjectNode 能存储 object id、room id、position、visual hash、semantic hash。
• RoomNode 和 SimpleSceneGraph 是极简数据结构。
• Habitat simulator helper 可以采集场景图像和 topdown map。

还需补齐

1. SceneGraph builder：
   • 输入多视角图像、检测结果、相机位姿。
   • 输出 ObjectNode、RoomNode、WaypointNode。
2. 多视角 object association：
   • 判断不同视角中同一物体。
   • 合并位置和 hash 特征。
3. Waypoint graph：
   • 房间节点、waypoint 节点、object 节点关系。
4. Path planning：
   • 检索结果转 target pose。
   • target pose 转 Habitat shortest path 或自定义 graph path。

6.7 CAM 加速后的整体框架实验

结论：端到端还不能做；局部对比可以做。

小节	状态	说明
6.7.1 无 CAM 与加入 CAM 的检索延迟对比	可补脚本后做局部实验	可用 Python CAM ref model 模拟，但无硬件级整体接入
6.7.2 无 Scene Graph 与加入 Scene Graph 的目标选择对比	不能做	Scene Graph 目标选择逻辑不足
6.7.3 Top-K 候选切换与失败恢复实验	不能做	没有导航策略/失败恢复机制
6.7.4 端到端离线闭环实验	不能做	缺 query → retrieve → goal → plan → evaluate 闭环

可以先做的局部实验

• DINO/LanceDB 检索延迟 vs Hash/Hamming 检索延迟。
• Python CAM ref model 检索延迟 vs PyTorch Hamming scan。
• 噪声 CAM 对 Top-1 / Top-K 稳定性的影响。

还需补齐

1. Hash output 到 CAM/ref_model 的桥接脚本。
2. CAM 检索 API：给定 query hash 和 database hash，返回 Top-K candidate。
3. 整体 pipeline：
   • image/text query
   • object retrieval
   • scene graph rerank
   • target waypoint selection
   • path planning
   • offline evaluation

6.8 消融实验与误差分析

结论：只能做部分离线消融。

小节	状态	说明
6.8.1 去除类别过滤	可补后做	类别过滤还没有完整 pipeline
6.8.2 去除多视角融合	不能做	多视角融合本身未实现
6.8.3 去除 Scene Graph 重排序	不能做	Scene Graph rerank 未实现
6.8.4 CAM 噪声对最终结果的影响	可做局部	可测对检索结果影响，不能测完整导航最终结果
6.8.5 失败案例分析	可做检索失败分析	导航失败案例暂不可做

可先做的误差分析

• Hash 检索失败案例：query 与 top candidates 可视化。
• CAM 噪声导致 Top-1 改变的案例。
• DINO 与 Hash 排序不一致的案例。
• SAM/OWLv2 分割或检测失败案例。

暂不能做的误差分析

• 多视角融合失败原因。
• Scene Graph 重排序失败原因。
• 端到端导航失败恢复分析。

推荐实施顺序

阶段 1：快速产出可用实验结果

优先完成：

1. 6.2 CAM correctness。
2. 6.3 CAM 仿真性能 sweep。
3. 6.4 DINO vs Hash 检索性能对比。

建议新增脚本：

• scripts/run_cam_correctness.py
• scripts/sweep_cam_perf.py
• scripts/eval_hash_retrieval.py

阶段 2：解锁对象级实验

优先修复：

1. mini-nav/utils/sam.py 缺失问题。
2. benchmark dataset 字段不一致问题。
3. object-level schema 与 runner 对齐问题。
4. object retrieval 的 hash/CAM 模式。

然后开展：

• 6.5.1 图像查询实验。
• 6.5.2 文本类别查询实验。
• 6.5.4 类别过滤与重排序实验。

阶段 3：实现 Scene Graph 与端到端闭环

需要新增核心模块：

1. SceneGraph builder。
2. Waypoint graph。
3. Object-to-goal mapping。
4. Navigation evaluator。
5. Candidate switching / failure recovery。

完成后才能正式开展：

• 6.6 Scene Graph 构建与路径推理。
• 6.7 CAM 加速后的整体框架实验。
• 6.8 中涉及 Scene Graph、导航闭环、多视角融合的消融实验。

最小可行实验组合

如果目标是尽快形成一组完整、可信的实验章节，建议先采用以下组合：

1. CAM 功能正确性：覆盖 6.2。
2. CAM 参数化仿真性能：覆盖 6.3 的一部分。
3. DINO vs Hash 检索性能：覆盖 6.4.1。
4. Hash length ablation：覆盖 6.4.2。
5. CAM noise 对检索稳定性的影响：覆盖 6.2.4、6.8.4 的离线部分。
6. 对象级检索 demo：修复 utils.sam 后覆盖 6.5.1 的基础版本。

这组实验避开了目前尚未实现的 Scene Graph 端到端导航闭环，同时能充分利用当前仓库中已经完成度较高的 CAM 和 HashCompressor 模块。