開発環境のセットアップ手順

Docker は ROS 2 ランタイム（bag、モック推論、Rerun）を担当する。ホスト Python 仮想環境は学習、データセット変換、Feetech I/O、MuJoCo を担当する。

実行環境の責務分担

実行環境	担当範囲	構成要素
Docker コンテナ (docker/)	ROS 2 通信基盤、rosbag2 記録再生、推論モックノード、Rerun 可視化	ROS 2 Humble
ホスト Python 仮想環境	合成データ生成、ACT 訓練、データセット変換・品質検証、Feetech 通信、MuJoCo	Python 3.12+ 仮想環境 (.venv)
クラウド GPU（任意）	大規模エピソードを用いた ACT モデルの本格学習	CUDA 対応コンピュート環境

契約ファイルの一元管理

トピック名、画像解像度、関節自由度、およびモデル入出力仕様の正本は configs/contract.yaml に定義されている。各コンポーネントはこの設定を一意の参照元（Single Source of Truth）として利用する。

Docker 環境の構築と起動

Docker Desktop または Colima 等のコンテナランタイム環境上で、以下のコマンドを実行してイメージをビルドする。

# 開発用イメージのビルド（generate-bag サービスも同一イメージを参照）
docker compose -f docker/docker-compose.yml build dev

# 対話型シェルの起動
docker compose -f docker/docker-compose.yml run --rm dev

テスト用 sample_bag の生成手順は dataset.md を参照する。

ホスト Python 仮想環境の構築

ホスト側の Python 仮想環境を作成し、必要なパッケージを編集可能モード（-e）で導入する。

python -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install -e "port_pick_align/[training,dev]"

実行するタスクに応じて、以下のオプショナル依存関係（extra）を追加してインストールする。

拡張機能名	用途	主な含まれるライブラリ
training	ACT モデルの訓練および推論	PyTorch, LeRobot, torchvision
feetech	実機サーボモータとのシリアル通信	Feetech モータ制御ライブラリ
simulation	MuJoCo シミュレータによる閉ループ評価	MuJoCo, Gymnasium, Rerun
dev	開発時テストおよび静的解析	pytest, ruff, mypy