Applying_EANNs
Applying_EANNs 是一个基于 Unity 引擎开发的 2D 仿真项目，旨在演示汽车如何通过人工智能自主学习驾驶技巧。在这个模拟环境中，车辆需要利用前方的五个传感器感知障碍物距离，并依靠前馈神经网络自主控制引擎动力与转向力度，从而在不碰撞墙壁的前提下穿越各种复杂赛道。
该项目主要解决了传统硬编码规则难以适应多变路况的问题，展示了如何让智能体在未知环境中通过“试错”进化出导航策略。其核心技术亮点在于结合了神经网络与改进的遗传算法：系统会初始化一群随机参数的车辆，每代筛选出表现最优者进行基因重组与变异，生成新一代车队，如此循环迭代直至涌现出成熟的驾驶行为。可视化界面还能实时展示最佳车辆的神经网络结构，通过连线的颜色与粗细直观呈现权重变化。
Applying_EANNs 非常适合 AI 初学者、教育工作者以及对强化学习和进化计算感兴趣的研究人员使用。对于开发者而言，其代码结构清晰，允许用户轻松调整遗传算法逻辑或自定义赛道场景，是理解“进化人工神经网络”原理的理想实验平台。普通用户也可直接运行构建文件，直观观察人工智能从混乱无序到熟练驾驶的完整进化过程。
使用场景
某独立游戏开发团队正在制作一款 2D 赛车游戏，需要为 NPC 车辆设计能够自动适应不同复杂赛道的智能驾驶行为。
没有 Applying_EANNs 时
- 开发者必须手动编写繁琐的状态机代码来处理转弯、加速和避障逻辑，代码量大且难以维护。
- 调整车辆在不同赛道上的表现极其耗时，每次修改参数都需要重新编译并人工测试数百次。
- 传统的脚本驾驶行为僵硬单一，车辆无法应对未预设的突发障碍，玩家很容易发现规律并感到无聊。
- 缺乏可视化的训练过程，开发者无法直观理解 AI 决策背后的权重变化，调试如同“黑盒”操作。
使用 Applying_EANNs 后
- 利用内置的进化人工神经网络，车辆通过遗传算法自动学习驾驶策略，无需手写任何具体的避障规则。
- 只需运行仿真，系统即可在数代进化中自动筛选出最优驾驶模型，大幅缩短从原型到成品的迭代周期。
- 生成的驾驶行为具有高度适应性，车辆能灵活应对各种新赛道和动态障碍，呈现出类似人类玩家的直觉反应。
- 实时 UI 面板清晰展示当前最佳车辆的神经网络结构与权重颜色，让开发者能直观监控并调整进化方向。
Applying_EANNs 将原本需要数周手工调优的自动驾驶逻辑，转化为一个可观察、自进化的自动化训练过程，极大提升了游戏 AI 的开发效率与智能上限。
运行环境要求
- Windows
未说明
未说明
快速开始
应用进化型人工神经网络
这是一个基于Unity的2D模拟，其中车辆通过学习自主导航不同的赛道。车辆由一个前馈神经网络控制转向。该神经网络的权重使用一种改进的遗传算法进行训练。 早期版本的简短演示视频：https://youtu.be/rEDzUT3ymw4
模拟场景
车辆必须在不触碰赛道墙壁或其他障碍物的情况下完成赛道行驶。每辆车配备五个前置传感器，用于测量特定方向上的障碍物距离。这些传感器的读数作为车辆神经网络的输入。每个传感器指向不同的方向，覆盖约90度的前方视野。传感器的最大检测范围为10个Unity单位。神经网络的输出则决定车辆当前的发动机推力和转向力。
如果您想调整模拟中的参数，可以在Unity编辑器中进行修改。如果您只想以默认参数运行模拟，可以直接启动编译后的可执行文件 [Builds/Applying EANNs.exe](Builds/Applying EANNs.exe)。
神经网络
所使用的神经网络是一个标准的全连接前馈神经网络，包含4层：输入层有5个神经元，两个隐藏层分别有4个和3个神经元，输出层有2个神经元。 神经网络的代码位于 [UnityProject/Assets/Scripts/AI/NeuralNetworks/] 中。
神经网络的训练
神经网络的权重采用一种称为遗传算法的进化算法进行训练。
首先会随机生成N辆初始车辆。然后选择表现最好的几辆车进行交叉重组，产生新的“后代”车辆。这些后代车辆组成一个新的N辆种群，并且还会进行轻微的变异，以增加种群的多样性。新生成的种群再次尝试通过赛道，评估、选择、重组和变异的过程重新开始。从一个种群的评估到下一个种群的评估，这一完整循环被称为一代。
通用版遗传算法的代码位于 [UnityProject/Assets/Scripts/AI/Evolution/GeneticAlgorithm.cs] 中。可以通过简单地为该类的委托方法分配您自己的实现来轻松修改此算法。有关如何根据自身需求定制遗传算法的示例代码，可在EvolutionManager中找到，它已经能够在这两种不同修改版本的遗传算法之间切换。[UnityProject/Assets/Scripts/AI/Evolution/EvolutionManager.cs]
用户界面
用户界面始终显示当前最佳车辆的相关数据。左上角显示神经网络的输出（发动机推力和转向力）。输出下方显示评估值（评估值等于赛道完成百分比）。左下角显示当前的代数计数器。右上角则展示当前最佳车辆的神经网络结构，其中各连接线的颜色和宽度代表权重的大小与正负：连线越粗，表示权重的绝对值越大；绿色表示权重为正，红色表示权重为负。
整个UI代码位于 [UnityProject/Assets/Scripts/GUI/] 中。
赛道
系统提供了多个难度各异的赛道，它们分别位于不同的Unity场景中，存放于文件夹 [UnityProject/Assets/Scenes/Tracks/] 中。 要在一个特定赛道上启动模拟，请打开Main场景，并在GameStateManager对象的Inspector面板中输入所需的赛道名称（即场景名称）。
许可协议
您可以自由地将我的代码用于个人项目。我非常期待看到基于本项目衍生出的作品。如果您有任何感想或成果，欢迎随时通过arzt.samuel@live.de与我联系。您也可以在Twitter上关注我：https://twitter.com/SamuelArzt
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器