upd readme

README.md

@@ -19,7 +19,8 @@ gesture_rec/
 ├── skeleton/                    # Детекция скелета
 │   ├── oak_pose_detector.py     # Детектор на oak (efficienthrnet)
 │   └── mediapipe_detector.py    # MediaPipe
-├── gesture_control/             # Распознавание статичных жестов
+├── gesture_control/
+│   ├── arm_control.py           # Преобразование позы в значения для угловой и линейной скоростей
 │   └── special_gestures.py      # Специальные жесты (геометрия или ML)
 ├── ml_gestures/                 # ML для статичных жестов
 │   ├── feature_extractor.py     # Нормализация landmarks
@@ -207,7 +208,38 @@ vis = detector.draw_landmarks(frame, landmarks)
 
 Подробнее о параметрах модели в [репозитории](https://github.com/kschlegel/OAK-HumanPoseEstimation.git).
 
-### 1. Геометрическое распознавание жестов
+### 1. Определение значений скоростей
+По умолчанию преобразование позы в скорости реализовано в классе `ArmController` (файл `arm_control.py`).
+
+Чтобы изменить логику управления, выполните одно из действий:
+1. Изменить метод `compute_speeds` в `arm_control.py` – он должен принимать аргумент landmarks (список из 33 точек MediaPipe) и возвращать кортеж (linear, angular) – числа с плавающей точкой.
+2. Создать свой класс-наследник от `ArmController` и переопределить `compute_speeds`. Затем в `main.py` заменить создание экземпляра на свой класс.
+
+После этого не забудьте изменить параметры словаря `ARM_CONTROL`, вы можете добавлять туда свои поля и читать их в методе. Текущий класс создается и используется следующим образом:
+```
+from gesture_control.arm_control import ArmController
+
+mirror = True # для всех фронтальных камер
+ARM_CONTROL = {
+        'linear_arm': 'right',
+        'angular_arm': 'left',
+        'max_speed_linear': 1.0,
+        'max_speed_angular': 1.0,
+        'dead_zone': 0.2,
+        'debug': False
+    }
+arm_control = ArmController(ARM_CONTROL, mirror=mirror)
+linear, angular = arm_control.compute_speeds(landmarks) # Дальше эти скорости можно подавать на контроллер
+```
+- `ARM_CONTROL` – словарь:
+    - `linear_arm` – рука для линейной скорости ('left' или 'right')
+    - `angular_arm` – рука для угловой скорости
+    - `max_speed_linear` – макс. линейная скорость (м/с)
+    - `max_speed_angular` – макс. угловая скорость (рад/с)
+    - `dead_zone` – зона нечувствительности (0.0–1.0)
+    - `debug` – выводить отладочную информацию в консоль
+
+### 2. Геометрическое распознавание жестов
 Класс `SpecialGestureDetector` в режиме `mode='geometric'` анализирует координаты скелета и применяет набор правил.
 
 На текущий момент геометрически распознаются два жеста:
@@ -216,7 +248,7 @@ vis = detector.draw_landmarks(frame, landmarks)
 
 Все пороги (уверенность `min_conf`, коэффициенты) заданы внутри `_geometric_predict` и могут быть подстроены под ваши условия. Чтобы распознавать собственный жест, отредактируйте метод `_geometric_predict` в файле `gesture_control/special_gestures.py`.
 
-#### 1.1. Порядок действий:
+#### 2.1. Порядок действий:
 1. Определите, какие ключевые точки MediaPipe участвуют в жесте (список индексов см. в коде или в документации MediaPipe).
 2. Напишите условие, используя координаты `(x, y)` нужных точек. Например, жест «рука в сторону»: `left_wrist[0] > left_shoulder[0] + width` и `right_wrist[0] < right_shoulder[0] - width`.
 3. Вставьте проверку до финального return 'none', чтобы при совпадении условий возвращать строку с именем вашего жеста.
@@ -230,15 +262,15 @@ if arms_out:
 ```
 **Важно:** геометрический режим не требует обучения, но чувствителен к позе и ракурсу. Для более сложных жестов рекомендуем использовать ML.
 
-#### 1.2. Использование в коде:
+#### 2.2. Использование в коде:
 ```
 from gesture_control.special_gestures import SpecialGestureDetector
 detector = SpecialGestureDetector(mode='geometric')
 gesture = detector.predict(landmarks) # вернет none или название жеста
 ```
-### 2. ML-распознаванием статичных жестов
+### 3. ML-распознаванием статичных жестов
 Распознавание отдельных кадров с помощью обученного классификатора.
-#### 2.1. Сбор датасета
+#### 3.1. Сбор датасета
 Создай папку для изображений. Можешь поместить туда фотографии жестов из интернета. Либо же можешь самостоятельно снять изображения с камеры:
 Скрипт `utils/capture_photo.py` сохраняет изображения с камеры.
 ```
@@ -253,7 +285,7 @@ python3 utils/capture_photo.py --dir data/raw --camera_type web
 Управление: `s` – начать обратный отсчёт (3 сек) и сохранить фото, `q` – выход.
 Нажмите `s`, подождите 3 секунды, фото сохранится в папку `data/raw`. Нажмите `q` чтобы закончить.
 
-#### 2.2. Разметка
+#### 3.2. Разметка
 Скрипт `utils/annotate.py` показывает каждое фото с распознанным скелетом и позволяет назначить класс:
 ```
 python3 utils/annotate.py --folder data/raw --classes dome,cross,none --output data.csv
@@ -266,7 +298,7 @@ python3 utils/annotate.py --folder data/raw --classes dome,cross,none --output d
 
 Управление: для каждого фото нажмите цифру, соответствующую жесту (1–dome, 2–cross, 3–none), или `n` для пропуска или `q` – выйти. При выходе данные сохранятся в `gesture_data.csv`. CSV с колонками `class`, `f0…f98` (99 нормализованных координат).
 
-#### 2.3. Обучение модели
+#### 3.3. Обучение модели
 ```
 python3 ml_gestures/train.py --csv data.csv --model ml_gestures/models/special_model.pkl --type mlp --balance --target_classes dome,cross
 ```
@@ -281,7 +313,7 @@ python3 ml_gestures/train.py --csv data.csv --model ml_gestures/models/special_m
 
 После обучения сохраняются модель и отчёт `special_model_report.json` с метриками (accuracy, precision/recall/f1 по классам, матрица ошибок).
 
-#### 2.4. Оценка модели
+#### 3.4. Оценка модели
 После обучения модель сохраняется, и создаётся отчёт `special_model_report.json` с метриками (`accuracy`, `precision`, `recall`, `f1`, `confusion matrix`). Для повторной оценки используйте:
 ```
 python3 ml_gestures/evaluate.py --csv data.csv --model ml_gestures/models/special_model.pkl --test_size 0.2
@@ -293,7 +325,7 @@ python3 ml_gestures/evaluate.py --csv data.csv --model ml_gestures/models/specia
 
 Печатает результаты тестирования в консоль.
 
-#### 2.5. Использование обученной модели
+#### 3.5. Использование обученной модели
 ```
 from ml_gestures.predict import MLGesturePredictor
 
@@ -301,9 +333,9 @@ predictor = MLGesturePredictor('model.pkl', class_names=['dome','cross','none'])
 gesture = predictor.predict(landmarks)   # возвращает строку с классом
 ```
 
-### 3. ML-распознавание динамических жестов
+### 4. ML-распознавание динамических жестов
 Распознавание жестов по последовательности кадров с помощью LSTM.
-#### 3.1. Сбор датасета
+#### 4.1. Сбор датасета
 Скрипт `utils/record_dynamic.py` записывает серию кадров (скелет) в течение заданной длительности.
 ```
 python3 utils/record_dynamic --label wave_right --output dynamic_data.csv --duration 2.0
@@ -318,7 +350,7 @@ python3 utils/record_dynamic --label wave_right --output dynamic_data.csv --dura
 Управление: нажмите `space`, через 3 секунды начнется запись, последовательность точек с меткой сохранится в файл `dynamic_data.csv`. В CSV сохраняются колонки: `label`, `sequence_id`, `frame_idx`, `f0…f98`. Нажмите `q` чтобы закончить.
 
 **Важно**: при записи в консоль выводится число кадров последовательности – используйте его как ориентир для `--max_len` в обучении (можно округлить вверх).
-#### 3.2. Обучение LSTM
+#### 4.2. Обучение LSTM
 ```
 python3 ml_gestures_dynamic/train --data dynamic_data.csv --model dynamic_model.h5 --max_len 14 --epochs 50 --test_size 0.2
 ```
@@ -333,7 +365,7 @@ python3 ml_gestures_dynamic/train --data dynamic_data.csv --model dynamic_model.
 
 После обучения сохраняются: модель (`.h5`), файл с классами (`_classes.pkl`) и отчёт (`_report.json`) с метриками.
 
-#### 3.3. Оценка модели
+#### 4.3. Оценка модели
 После обучения модель сохраняется, и создаётся отчёт `dynamic_model_report.json` с метриками (`accuracy`, `precision`, `recall`, `f1`, `confusion matrix`). Для повторной оценки используйте:
 ```
 python3 ml_gestures_dynamic/evaluate --data dynamic_data.csv --model dynamic_model.h5 --max_len 14 --test_size 0.2
@@ -344,7 +376,7 @@ python3 ml_gestures_dynamic/evaluate --data dynamic_data.csv --model dynamic_mod
 - `--max_len` – длина последовательности (количество кадров). Должен совпадать с длиной, использованной при записи. Если последовательности короче, они дополняются нулями; если длиннее – обрезаются.
 - `--test_size` – доля тестовой выборки (по умолчанию 0.2).
 
-#### 3.4. Использование в коде
+#### 4.4. Использование в коде
 Класс `DynamicGesturePredictor` накапливает кадры в буфере и выдаёт предсказание, когда накоплено достаточно данных.
 ```
 from ml_gestures_dynamic.predict import DynamicGesturePredictor