Add complete RF training data usage guide and NumPy reader

compact_uint16/USAGE.md

@@ -0,0 +1,79 @@
+# RFWM 完整训练数据使用说明
+
+本仓库 `compact_uint16/` 提供完整 uint16 NumPy 训练包。每条 `.tar.gz` 包含 RSS、同步三路视觉、状态、动作、材料和配置；不需要从另一个仓库补齐内容。
+
+## 下载与解压
+
+安装客户端：`pip install huggingface_hub numpy`。下载发布清单，再按清单路径下载需要的样本：
+
+```python
+import hashlib
+import json
+from pathlib import Path
+from huggingface_hub import HfApi, hf_hub_download
+
+repo = "DaftJun/RFWM"
+revision = HfApi().repo_info(repo, repo_type="dataset").sha
+manifest = hf_hub_download(repo, "compact_uint16/manifests/train.jsonl",
+                           repo_type="dataset", revision=revision)
+rows = [json.loads(line) for line in Path(manifest).read_text().splitlines() if line]
+row = rows[0]  # 发布过程中清单会增长；可循环下载所有行。
+archive = hf_hub_download(repo, row["path"], repo_type="dataset", revision=revision)
+assert Path(archive).stat().st_size == row["bytes"]
+digest = hashlib.sha256()
+with open(archive, "rb") as stream:
+    for block in iter(lambda: stream.read(8 * 1024 * 1024), b""):
+        digest.update(block)
+assert digest.hexdigest() == row["sha256"]
+print(archive)
+```
+
+将打印出的归档解压到独立目录，例如 `tar -xzf sample.tar.gz -C extracted_sample`。不要把不同样本解压到同一个目录。每个包内都有 `read_sample.py`，可从样本目录导入，也可下载仓库中的 `compact_uint16/read_sample.py`。
+
+## RSS 编码与读取
+
+`rss_dbm_uint16.npy` 的逻辑轴为 `[time,height,y,x]`，通常是 `[30,24,512,512]`。Fortran 是磁盘存储顺序，不改变逻辑轴。高度逐样本变化，读取 `heights_m.npy`。时间读取 `timestamps_s.npy`，通常为 0–29 秒、间隔 1 秒。
+
+```python
+from read_sample import load_rss
+rss_dbm = load_rss("extracted_sample", frames=slice(0, 5))
+# 返回 C 连续 float32，单位 dBm，无效位置 NaN。
+```
+
+`quantization.json` 明确规定：步长 0.01 dB，整数偏移 32768，无效码 0。解码必须先转为有符号整数：
+
+```python
+import numpy as np
+q = np.load("extracted_sample/rss_dbm_uint16.npy", mmap_mode="r", allow_pickle=False)
+rss_dbm = (q.astype(np.int32) - 32768).astype(np.float32) * np.float32(0.01)
+rss_dbm[q == 0] = np.nan
+```
+
+这一编码可精确恢复现有 centi-dBm 训练数组，无额外量化损失，不截断有效值；并不声称恢复 RT 输出量化之前的连续值。完整解码约需 720 MiB，训练时建议按帧或片段加载。无效位置不代表真实接收功率为零，损失函数应使用有效掩码排除 NaN。
+
+## 视觉、状态和动作
+
+- `visual/bs/`：基站位置广角第一视角，不是无人机机载视角。
+- `visual/topdown/`：俯视图。
+- `visual/elevated/`：高位侧向斜视图。
+- 每路 30 张 PNG，共 90 张；`visual/synchronization.json` 保留帧时间、相机参数、UAV 标注与视觉质量诊断。可能被遮挡的视角按原样保留并标注。
+- `states.npz` 用 NumPy 读取，键名保持原 HDF5 路径。`array_schema.json` 保留字段映射、属性与类型说明。
+- `metadata.json` 保留来源版本、城市、`physical_episode_group`、控制协议、QA 协议和训练用途。
+- `config.json`、`state_schema.json` 以及源样本提供的 `actions.json`、`scene_metadata.json` 同包保存。
+
+```python
+import numpy as np
+with np.load("extracted_sample/states.npz", allow_pickle=False) as state:
+    print(state.files)
+    uav_position_m = state["state/uav_position_m"]
+```
+
+区域约为 1 km × 1 km，水平网格 512 × 512；具体坐标与范围以样本元数据为准。控制方式可能随历史版本变化，读取 `control_schedule`，不要假设所有样本都只在固定帧切换动作。
+
+## 训练分组与数据范围
+
+`manifests/dynamic_rf_train.jsonl` 是含动态 UAV RF 实体的主训练清单，`legacy_aux_train.jsonl` 是历史辅助清单。后者新增的光学 UAV 不意味着原 RF 已包含机体遮挡或反射。所有发布记录按用户要求归入训练集；不提供独立测试集。后续评估应按 `physical_episode_group` 分组，避免共享场景泄漏。
+
+地图主要为真实建筑轮廓挤出几何，部分建筑高度为估计。视觉是合成渲染，材料参数含合成分组与动态变化，不是逐栋实测材料。固定预算单次 RT 样本不做统计置信度检查；保留每条样本真实的 `qa_protocol` 与 `confidence_evaluated`。
+
+源仓库为 [PATIENTHZ/low-altitude-rf-worldmodel](https://huggingface.co/datasets/PATIENTHZ/low-altitude-rf-worldmodel)。两个仓库相同 record_id 的完整归档应有相同 SHA256，不要合并重复计数。新包会持续发布，清单只统计已提交的完整包；看到 README 不代表全量上传已完成。本仓库不上传原始重型 RF 归档、地图网格或旧版 float32 存储副本。

compact_uint16/read_sample.py

@@ -0,0 +1,39 @@
+"""Read one extracted NumPy RF episode; returned RSS values are float32 dBm."""
+import argparse
+import json
+from pathlib import Path
+
+import numpy as np
+
+
+def load_rss(directory, frames=slice(None)):
+    directory = Path(directory)
+    metadata = json.loads((directory / "metadata.json").read_text())
+    stored = np.load(directory / metadata["training_file"], mmap_mode="r", allow_pickle=False)
+    selected = stored[frames]
+    quantization_file = metadata.get("quantization_file")
+    if quantization_file:
+        encoding = json.loads((directory / quantization_file).read_text())
+        if encoding["schema"] != "uint16_centi_dbm_v1" or stored.dtype != np.dtype("uint16"):
+            raise ValueError("Unsupported RSS encoding")
+        values = (selected.astype(np.int32) - encoding["integer_offset"]).astype(np.float32)
+        values *= np.float32(encoding["step_db"])
+        values[selected == encoding["invalid_code"]] = np.nan
+    else:
+        if stored.dtype != np.dtype("float32"):
+            raise ValueError("Expected direct float32 RSS")
+        values = selected
+    return np.ascontiguousarray(values)
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description=__doc__)
+    parser.add_argument("directory", type=Path)
+    parser.add_argument("--frame", type=int, default=0)
+    args = parser.parse_args()
+    rss = load_rss(args.directory, args.frame)
+    valid = rss[np.isfinite(rss)]
+    print(json.dumps(dict(unit="dBm", shape=list(rss.shape), dtype=str(rss.dtype),
+                          valid_voxels=int(valid.size),
+                          min_dbm=float(valid.min()) if valid.size else None,
+                          max_dbm=float(valid.max()) if valid.size else None)))