LimSim
LimSim 是一款专注于复杂城市路网的长时交互式多场景交通与自动驾驶仿真平台。它旨在解决传统仿真工具难以在长时间跨度下维持高保真交通流、缺乏多样化驾驶行为建模以及场景交互能力不足等痛点，为自动驾驶算法提供连续且逼真的测试环境。
该工具特别适合自动驾驶领域的研究人员、算法开发者及系统测试工程师使用，尤其是那些需要评估车辆在长期运行中应对复杂路况能力的团队。LimSim 的核心亮点在于其“长时”模拟能力，能基于需求生成持续的交通流；内置的异构驾驶行为模型让车辆展现出更真实的个性化风格；同时支持高度复杂的车辆间交互逻辑。此外，LimSim 具备强大的扩展性，不仅原生支持高速公路、环岛、立交桥等多种真实道路结构，还能与主流仿真器 SUMO 和 CARLA 进行联合仿真，确保数据一致性。最新推出的 LimSim++ 版本更是创新性地集成了多模态大语言模型（MLLM）支持，为智能体决策研究开辟了新方向。配合友好的跨平台图形界面，LimSim 让仿真搭建、实时监控与场景评估变得更加直观高效。
使用场景
某自动驾驶算法团队正在研发城市复杂路况下的长期决策系统，急需验证车辆在环岛、立交桥及信号灯路口的连续交互能力。
没有 LimSim 时
- 场景断裂严重：传统仿真器难以维持长时段交通流，车辆行驶几分钟后常出现逻辑中断或重置，无法测试“长途”驾驶策略。
- 交互过于单一：背景车辆行为模式僵化，缺乏多样化的驾驶风格（如激进或保守），导致自车无法学习处理复杂的博弈场景。
- 路网覆盖受限：难以快速构建包含匝道、无保护左转等真实世界特殊结构的测试环境，大量边缘案例（Corner Cases）被遗漏。
- 评估效率低下：缺乏自动化的关键场景提取机制，开发人员需人工回放海量日志才能定位有价值的测试片段。
使用 LimSim 后
- 实现连续仿真：利用 LimSim 的长时生成能力，在需求规划和路线引导下，成功模拟了数小时不间断的城市交通流，验证了系统的稳定性。
- 提升交互真实度：内置的异构行为模型让背景车辆展现出拟人化的驾驶风格，迫使自车算法在复杂的加塞和礼让交互中不断进化。
- 多场景无缝切换：借助通用的道路组件库，快速搭建了涵盖高速、环岛及立体交叉路的混合测试地图，全面覆盖了真实路况。
- 智能场景挖掘：运行结束后，LimSim 自动生成评估报告并精准提取高风险关键场景，将数据分析时间从数天缩短至几分钟。
LimSim 通过提供高保真、长周期且具备多模态交互能力的仿真环境，极大地加速了自动驾驶系统在复杂城市场景中的迭代与验证进程。
运行环境要求
- 未说明
未说明
未说明
快速开始
🚀新闻：
- 2024年9月25日 LimSimLight 可以解析OpenDrive地图文件，并通过全新自研引擎进行仿真！
- 2024年3月5日 LimSim++ 现已发布，用于多模态大模型的应用！
- 2023年7月26日 增加了关于与CARLA联合仿真的文档。
- 2023年7月13日 代码现已公开！
LimSim
LimSim是一款长期交互式多场景交通仿真器，旨在复杂的城市路网环境下提供持续的仿真能力。
快速开始
- Python 版本：3.9.0 ≤ Python ≤ 3.11.0
- SUMO 版本：1.15.0 或更高
配置好运行环境后，将LimSim源代码下载到本地：
git clone https://github.com/PJLab-ADG/LimSim.git
最后，安装所需的Python扩展：
cd LimSim
pip install -r requirements.txt
至此，LimSim的本地安装与部署已完成。
1. 实时仿真
跟随主车的实时仿真功能是LimSim的核心特性。要体验该功能，请运行以下命令：
python ModelExample.py
2. 仿真回放
在根目录下，运行以下命令即可启动LimSim的回放功能：
python ReplayExample.py
更多关于我们代码的信息，请参阅我们的在线文档。
如果您在安装和部署过程中遇到任何问题，请随时在此处提交问题！
🎁 主要特性
- 长期性：在需求和路径规划的指导下，可在长时间内生成交通流。
- 多样性：内置的行为模型考虑了车辆之间异质性的驾驶风格。
- 交互性：场景区域内的车辆受到控制，以处理复杂的车辆间交互。
- 多场景性：通用的道路组件支持现实世界中各种不同的道路结构。
🖥️ GUI
LimSim拥有跨平台的用户友好型GUI，包括精美的仿真界面、路网信息以及主车状态。
🛣️ 多场景支持
LimSim支持多种道路场景，不仅限于高速公路、信号交叉口、环岛和立交桥。
📊 场景评估
在运行包含各种场景的长期仿真后，LimSim会生成日志报告，并根据评估结果提取关键场景。
➕附加地图
LimSim支持CitySim数据集中的freewayB和Expressway_A地图。然而，由于版权原因，我们并未将这两份路网文件包含在本库中。
要运行这两张地图，您需要：
- 访问CitySim仓库，并提交数据访问申请。
- 获得数据访问权限后，下载
freewayB和Expressway_A数据文件夹中的**.net.xml文件**。 - 将这些路网文件（.net.xml）复制到相应的
networkFiles/CitySim文件夹中，并确保文件路径如下：networkFiles/CitySim/freewayB/freewayB.net.xml networkFiles/CitySim/Expressway_A/Expressway_A.net.xml
致谢
我们感谢以下项目的作者和开发者，本项目正是建立在这些优秀项目的基础上。
联系方式
如果您对本仓库有任何建议或合作意向，请随时创建议题/拉取请求，或发送邮件至：wenlicheng@pjlab.org.cn。
引用
如果您在研究中使用了LimSim，请使用以下BibTeX条目。
@inproceedings{wen2023limsim,
title={LimSim: A long-term interactive multi-scenario traffic simulator},
author={Wen, Licheng and Fu, Daocheng and Mao, Song and Cai, Pinlong and Dou, Min and Li, Yikang and Qiao, Yu},
booktitle={IEEE 26th International Conference on Intelligent Transportation Systems (ITSC)},
pages={1255--1262},
year={2023}
}
许可证
LimSim采用GNU GPL v3.0许可证发布。
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。