机械臂逆运动学LSTM模型精度极低、损失过高问题求助

我正在研究机械臂逆运动学，通过模拟器采集了包含XYZ位置与6个驱动变量的数据集（约31万行），计划以位置为输入、驱动变量为输出构建模型。此前用MLP处理仅3个输出的简单数据集时效果良好，但处理当前6输出的复杂数据集时表现不佳。尝试LSTM模型后，仅能达到0.17的精度与0.06的损失（目标损失值为0.0001），以下是我的代码：

import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt

# Chargement des données
data = np.genfromtxt('/dataprocess.csv', delimiter=',')
scaler = MinMaxScaler()
data[1:,[7,8,9,10,11,12,13,14,15]] = scaler.fit_transform(data[1:,[7,8,9,10,11,12,13,14,15]])

# Diviser les données en ensembles d'entraînement et de test
trainset, testset = train_test_split(data[1:, [7,8,9,10,11,12,13,14,15]], test_size=0.2, random_state=0)


# Préparation des données en séquences
seq_length = 10  # Longueur de la séquence
X_train_seq = [trainset[i:i+seq_length, [6, 7, 8]] for i in range(len(trainset) - seq_length)]
Y_train_seq = [trainset[i+seq_length, [0, 1, 2, 3, 4, 5]] for i in range(len(trainset) - seq_length)]
X_test_seq = [testset[i:i+seq_length, [6, 7, 8]] for i in range(len(testset) - seq_length)]
Y_test_seq = [testset[i+seq_length, [0, 1, 2, 3, 4, 5]] for i in range(len(testset) - seq_length)]

X_train_seq = np.array(X_train_seq)
Y_train_seq = np.array(Y_train_seq)
X_test_seq = np.array(X_test_seq)
Y_test_seq = np.array(Y_test_seq)

print("X train seq shape : ", np.array(X_train_seq).shape)

# Création du modèle RNN avec tf.keras.Model
# input_layer = tf.keras.layers.Input(shape=(3,))  # Entrée : x, y, z
input_layer = tf.keras.layers.Input(shape=(seq_length, 3))  # Entrée : séquence de x, y, z
rnn_layer = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(input_layer)  # Couche SimpleRNN
hidden_layer2 = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(rnn_layer)  # Couche intermédiaire
hidden_layer3 = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(hidden_layer2)  # Couche intermédiaire
hidden_layer4 = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(hidden_layer3)  # Couche intermédiaire
hidden_layer5 = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(hidden_layer4)  # Couche intermédiaire
hidden_layer6 = tf.keras.layers.LSTM(256, activation='relu', return_sequences=True)(hidden_layer5)  # Couche intermédiaire
output_layer = tf.keras.layers.Dense(6)(hidden_layer6)  # 6 sorties pour les variables d'actionnement



model = tf.keras.Model(inputs=input_layer, outputs=output_layer)

# Compilation du modèle
model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

# Entraînement du modèle
History = model.fit(X_train_seq, Y_train_seq, validation_data=(X_test_seq, Y_test_seq), epochs=100, batch_size=512, verbose=2)
# History = model.fit(X_train, Y_train, validation_data=(X_test, Y_test), epochs=500, batch_size=1024, verbose=2)

# Évaluation du modèle sur les données de test
loss, accuracy = model.evaluate(X_test_seq, Y_test_seq, verbose=0)
# loss, accuracy = model.evaluate(X_test, Y_test, verbose=0)
print("Test accuracy:", accuracy)
print("Test loss:", loss)

问题排查与优化方案 #

1. 核心错误：模型选型与结构不匹配 #

• 逆运动学本质是静态映射：如果你的需求是「给定单个XYZ位置，输出对应的6个驱动变量」，LSTM完全不适用——LSTM是为时序序列任务设计的，静态映射任务应该用MLP或带残差连接的深度前馈网络。
• LSTM结构错误：即使是时序预测场景，当前所有LSTM层都设置return_sequences=True，导致输出形状为(batch_size, seq_length, 6)，但你的标签Y_train_seq形状是(batch_size, 6)，形状完全不匹配，这是模型无法有效训练的关键原因。最后一层LSTM必须设置return_sequences=False，才能输出与标签匹配的维度。

2. 数据处理问题 #

• 归一化逻辑错误：你将输入（XYZ）和输出（驱动变量）混在一起归一化，应该分别对输入特征和输出标签使用独立的Scaler，且测试集必须用训练集的Scaler做transform，不能重新fit，避免数据泄露。
• 精度指标无意义：回归任务使用accuracy指标完全无效，accuracy是分类任务的评价标准，回归任务应使用mae或mse作为监控指标，你看到的0.17精度没有任何参考价值。

3. 模型结构与训练优化 #

• 简化模型：6层LSTM每层256单元过于庞大，容易过拟合，建议缩减为2-3层，单元数改为128或64，且LSTM默认激活函数是tanh，比relu更适合循环网络。
• 调整训练配置：Adam默认学习率可能过高，建议降至1e-4；加入早停机制（EarlyStopping）防止过拟合；增加训练轮次到200+，但需配合早停。

修正后的代码（静态映射场景） #

import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt

# 加载数据并分离输入输出
data = np.genfromtxt('/dataprocess.csv', delimiter=',')
X = data[1:, 6:9]  # XYZ位置
Y = data[1:, 0:6]  # 6个驱动变量

# 分别归一化输入和输出
scaler_X = MinMaxScaler()
scaler_Y = MinMaxScaler()
X_scaled = scaler_X.fit_transform(X)
Y_scaled = scaler_Y.fit_transform(Y)

# 划分数据集
X_train, X_test, Y_train, Y_test = train_test_split(X_scaled, Y_scaled, test_size=0.2, random_state=0)

# 构建MLP模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(256, activation='relu', input_shape=(3,)),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(6)
])

# 编译模型，使用合适的回归指标
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), 
              loss='mse', 
              metrics=['mae'])

# 早停机制防止过拟合
early_stop = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)

# 训练模型
history = model.fit(X_train, Y_train, 
                    validation_data=(X_test, Y_test), 
                    epochs=200, 
                    batch_size=512, 
                    verbose=2,
                    callbacks=[early_stop])

# 评估模型
loss, mae = model.evaluate(X_test, Y_test, verbose=0)
print("Test MSE loss:", loss)
print("Test MAE:", mae)

# 反归一化查看真实误差
Y_pred_scaled = model.predict(X_test)
Y_pred = scaler_Y.inverse_transform(Y_pred_scaled)
Y_true = scaler_Y.inverse_transform(Y_test)
print("真实值与预测值的平均误差：", np.mean(np.abs(Y_true - Y_pred)))

时序预测场景修正（若需序列预测） #

如果你的任务是根据历史XYZ轨迹预测下一个时刻的驱动变量，修正LSTM结构如下：

# 序列构建部分保持不变
# 修正模型结构
input_layer = tf.keras.layers.Input(shape=(seq_length, 3))
rnn_layer = tf.keras.layers.LSTM(128, activation='tanh', return_sequences=True)(input_layer)
rnn_layer = tf.keras.layers.LSTM(64, activation='tanh', return_sequences=False)(rnn_layer)
output_layer = tf.keras.layers.Dense(6)(rnn_layer)

model = tf.keras.Model(inputs=input_layer, outputs=output_layer)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), loss='mse', metrics=['mae'])

内容的提问来源于stack exchange，提问作者Guillaume