linesight
Linesight 是一个基于强化学习的开源项目,旨在让 AI 在赛车游戏《Trackmania》中实现人类级别的驾驶表现。它解决了如何在复杂、非真实的赛道环境中(如墙面行驶、特技跳跃等)训练智能体掌握高精度控制策略的问题,为强化学习算法提供了一个极具挑战性的基准测试平台。
该项目特别适合对强化学习、游戏 AI 或自动化控制感兴趣的开发者和研究人员使用。通过集成的《Trackmania》接口,用户可以编程发送指令、获取车辆状态甚至截取画面,便于构建和验证自己的 AI 模型。普通玩家也可借此了解 AI 如何“学会”开车,并观看其与职业选手同场竞技的精彩对决。
Linesight 的技术亮点在于它是首个在官方赛道上打破世界纪录的 Trackmania AI,并成功应用了离散输入算法(如 DQN),这得益于游戏对键盘操作的友好支持。如今项目已开源,欢迎社区共同参与,推动其能力边界进一步拓展。
使用场景
一位竞速游戏开发者正试图为《Trackmania》设计高难度赛道,需要验证地图的可通行性并寻找理论上的最快路线。
没有 linesight 时
- 测试依赖人工试玩,顶尖玩家也难以穷尽所有“墙骑”或“穿墙”等极限技巧,导致部分隐蔽路径未被发现。
- 难以量化评估赛道难度,缺乏统一的标准来判断某段设计是否超出了人类操作的物理极限。
- 调试平衡性耗时漫长,团队需反复邀请职业选手录制视频,才能确认是否存在非预期的捷径或死胡同。
- 传统脚本机器人只能执行固定指令,无法像人类一样根据实时车况动态调整策略,测试结果失真。
使用 linesight 后
- linesight 利用强化学习自主探索,能稳定复现甚至超越人类直觉的极限操作,快速挖掘出所有潜在的最优路径。
- 提供客观的性能基准,通过对比 AI 与人类世界纪录的差距,精准定位赛道中设计过难或过于简单的区域。
- 实现自动化回归测试,每次修改地图后,linesight 可立即重新跑图并输出数据报告,大幅缩短迭代周期。
- 基于离散输入算法完美模拟键盘操作,其驾驶行为既符合游戏机制又具备高度智能,生成的录像可直接作为官方参考线。
linesight 将原本依赖直觉和运气的赛道验证过程,转化为可量化、高效率的自动化科学实验。
运行环境要求
- Windows
未说明
未说明

快速开始
Linesight
Trackmania 人工智能
Linesight 文档
Linesight
Linesight 是一个强化学习项目,旨在将 AI 在 Trackmania 中的应用推向极限。
Trackmania
Trackmania 是一款赛车游戏,它牺牲了一些模拟赛车的写实性,转而提供种类繁多的赛道类型,并包含各种技巧,如贴墙行驶、特技跳跃和“穿墙”等。此外,Trackmania 在设计上注重输入设备的公平性,这意味着使用键盘也能流畅游玩,从而使得 DQN 等离散输入算法得以应用。换句话说,Trackmania 是一款深度极高的游戏,可以作为测试和优化各类强化学习算法的理想基准。
Trackmania 界面
我们的工作,结合 donadigo 和 Kim 所属的 Trackmania Interface 团队 的努力,实现了与 Trackmania Nations Forever 的对接。通过这一接口,用户可以以编程方式发送输入、获取车辆状态、截取屏幕截图等。这部分代码库对其他强化学习项目也可能具有参考价值。
成果
据我们所知,Linesight 是目前 Trackmania 领域中最先进的 AI。它于 2023 年 5 月首次展现出人类级别的驾驶水平,并在同年 6 月与职业选手 Wirtual 进行了对战(观看视频)。到了 2024 年 5 月,Linesight 又率先展示了在官方战役赛道上打破世界纪录的能力(观看视频)。
如今,该项目已开源,您能否帮助我们进一步提升它的实力呢?
版本历史
v3.0.02024/06/23常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库,依托于 SciPy、NumPy 等科学计算生态,旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口,涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具,内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言,scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点,让用户无需重复造轮子,只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格,所有估算器(Estimator)均遵循相同的调用逻辑,极大地降低了学习成本并提升了代码的可读性与可维护性。此外,它还提供了强大的模型选择与评估工具,如交叉验证和网格搜索,帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目,scikit-learn 以其稳定性、详尽的文档和活跃的社区支持,成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架,旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员,还是需要快速落地产品的工程师,都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码,即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性,还允许开发者根据需求自由选择:利用 JAX 或 PyTorch 的即时执行模式进行高效调试,或切换至速度最快的后端以获得最高 350% 的性能提升。此外,Keras 具备强大的扩展能力,能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群,是连接原型开发与生产部署的理想桥梁。