[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PJLab-ADG--LimSim":3,"tool-PJLab-ADG--LimSim":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","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。\n\n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。\n\nPaddleOCR 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。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-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。\n\n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。\n\n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。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-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。\n\n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。\n\n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",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","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。\n\n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。\n\nKeras 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。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":29,"env_os":101,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":107,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":108,"updated_at":109,"faqs":110,"releases":149},3263,"PJLab-ADG\u002FLimSim","LimSim","LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support","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。\n\n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。","![logo-full.svg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_2b57b34403d7.png)\n\n[![Custom badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpaper-Arxiv-b31b1b?logo=arxiv&logoColor=white)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.06648)\n[![Custom badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-page-green?logo=document)](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim)\n[![Custom badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fvideo-Bilibili-74b9ff?logo=bilibili&logoColor=white)](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1rT411x7VF)\n[![Custom badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fvideo-YouTube-FF0000?logo=youtube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FYR2A25v0hj4)\n\n## 🚀News: \n- **2024\u002F09\u002F25** [LimSimLight](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Ftree\u002FLimSimLight) can parse OpenDrive map files and simulate by the new self-developed engine！\n- **2024\u002F03\u002F05** [LimSim++](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Ftree\u002FLimSim_plus) is now released for the applications of Multimodal LLMs!\n- **2023\u002F07\u002F26** Add [the docs](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002Fzh\u002FGettingStarted\u002Fcarla_cosim\u002F) about co-sim with CARLA.\n- **2023\u002F07\u002F13** The code is now released!\n  \n# LimSim\n\nLimSim is a Long-term Interactive Multi-scenario traffic Simulator, which aims to provide a continuous simulation capability under the complex urban road network.\n\n## Quick Start\n\n- **3.9.0** \u003C= [Python](https:\u002F\u002Fwww.python.org\u002F) \u003C= 3.11.0\n- [SUMO](https:\u002F\u002Fwww.eclipse.org\u002Fsumo\u002F) >= 1.15.0 \n\nAfter configuring the runtime environment, download the LimSim source code to your local machine:\n\n```powershell\ngit clone https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim.git\n```\n\nFinally, you need to install the required Python extensions:\n\n```powershell\ncd LimSim\npip install -r requirements.txt\n```\n\nNow, the local installation and deployment of LimSim are complete.\n\n### 1. Real-time Sim\nReal-time simulation following the Ego vehicle is the fundamental feature of LimSim. To experience it, run the following command:\n\n```bash\npython ModelExample.py\n```\n\n### 2. Simulation replay\nIn the root directory, running the following command will invoke LimSim's replay feature:\n\n```powershell\npython ReplayExample.py\n```\n\n**For more information on our code, please see our [Online Documentation](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002F)**.\n\nIf you have any problem when installing and deploying, feel free to [open an issue here](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues)!\n\n\n## 🎁 Main Features\n\n- [x] **Long-term**: Traffic flow can be generated over long periods under demand and route planning guidance.\n\n- [x] **Diversity**: The built-in behavioral models take heterogeneous driving styles of vehicles into account.\n\n- [x] **Interactivity**: Vehicles in the scenario area are controlled to address sophisticated interactions among vehicles.\n\n- [x] **Multi-scenario**: The universal road components support a variety of road structures in the real world.\n\n## 🖥️ GUI\n\nLimSim has a cross-platform user-friendly GUI, including a beautiful simulation interface, information on road networks, and ego-vehicle status.\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_3cf007113d0e.png\" title=\"\" alt=\"limsim_gui.png\">\n\u003C\u002Fp>\n\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>🛣️ Multi-scenarios support\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n  \n\nLimSim supports road scenarios not limited to freeways, signalized intersections, roundabouts, and overpasses.\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_e50e6a59798d.gif\" title=\"\" alt=\"scenarios.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>📊 Scenario Evaluation\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n  \n\nAfter running a long-term simulation with all kinds of scenarios contained in it, LimSim generates a log report and extracts the key scenarios via the evaluation results.\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_4c2ec058ca6b.gif\" title=\"\" alt=\"evaluation.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>💡Co-sim with SUMO & CARLA\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n\nLimSim supports co-simulation with CARLA and SUMO, guaranteeing that all three softwares show identical vehicle status.  Please see [the docs](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002Fzh\u002FGettingStarted\u002Fcarla_cosim\u002F) for more information.\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_a70f44df00d7.gif\" title=\"\" alt=\"cosim.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\n## ➕Additional Maps\n\nLimSim supports the `freewayB` and `Expressway_A` maps from the CitySim datasets. However, we have not included these two road network files in this library due to copyright.\n\nTo run these two maps, you need to:\n1. Go to [CitySim Repo](https:\u002F\u002Fgithub.com\u002Fozheng1993\u002FUCF-SST-CitySim-Dataset#Full%20Data%20Access) and submit the data access form.\n2. Get access to the dataset and download the **`.net.xml` files** in both the `freewayB` and `Expressway_A` data folders.\n3. Copy the road network files (.net.xml) to the relevant `networkFiles\u002FCitySim` folder and ensure that your file paths are as follows:\n   ```\n   networkFiles\u002FCitySim\u002FfreewayB\u002FfreewayB.net.xml\n   networkFiles\u002FCitySim\u002FExpressway_A\u002FExpressway_A.net.xml\n   ```\n\n## Acknowledgments\n\nWe would like to thank the authors and developers of the following projects, this project is built upon these great projects.\n- [SUMO (Simulation of Urban MObility)](https:\u002F\u002Fsumo.dlr.de\u002F)\n- [CitySim](https:\u002F\u002Fgithub.com\u002Fozheng1993\u002FUCF-SST-CitySim-Dataset)\n- [DearPyGUI](https:\u002F\u002Fdearpygui.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\n\n## Contact\n\nIf you have any suggestions or collaboration about this repo, feel free to create issues\u002FPR or send emails to us (\u003Ca href=\"mailto:wenlicheng@pjlab.org.cn\">wenlicheng@pjlab.org.cn\u003C\u002Fa>).\n\n\n## Citation\nIf you use LimSim in your research, please use the following BibTeX entry.\n```\n@inproceedings{wen2023limsim,\n  title={LimSim: A long-term interactive multi-scenario traffic simulator},\n  author={Wen, Licheng and Fu, Daocheng and Mao, Song and Cai, Pinlong and Dou, Min and Li, Yikang and Qiao, Yu},\n  booktitle={IEEE 26th International Conference on Intelligent Transportation Systems (ITSC)},\n  pages={1255--1262},\n  year={2023}\n}\n```\n\n## License\n\nLimSim is released under the [GNU GPL v3.0 license](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002Flimsim\u002Fblob\u002Fmaster\u002FLICENSE).\n","![logo-full.svg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_2b57b34403d7.png)\n\n[![自定义徽章](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpaper-Arxiv-b31b1b?logo=arxiv&logoColor=white)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.06648)\n[![自定义徽章](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-page-green?logo=document)](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim)\n[![自定义徽章](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fvideo-Bilibili-74b9ff?logo=bilibili&logoColor=white)](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1rT411x7VF)\n[![自定义徽章](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fvideo-YouTube-FF0000?logo=youtube&logoColor=white)](https:\u002F\u002Fyoutu.be\u002FYR2A25v0hj4)\n\n## 🚀新闻：\n- **2024年9月25日** [LimSimLight](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Ftree\u002FLimSimLight) 可以解析OpenDrive地图文件，并通过全新自研引擎进行仿真！\n- **2024年3月5日** [LimSim++](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Ftree\u002FLimSim_plus) 现已发布，用于多模态大模型的应用！\n- **2023年7月26日** 增加了关于与CARLA联合仿真的[文档](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002Fzh\u002FGettingStarted\u002Fcarla_cosim\u002F)。\n- **2023年7月13日** 代码现已公开！\n\n# LimSim\n\nLimSim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。\n\n## 快速开始\n\n- **Python** 版本：3.9.0 ≤ Python ≤ 3.11.0\n- **SUMO** 版本：1.15.0 或更高\n\n配置好运行环境后，将LimSim源代码下载到本地：\n\n```powershell\ngit clone https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim.git\n```\n\n最后，安装所需的Python扩展：\n\n```powershell\ncd LimSim\npip install -r requirements.txt\n```\n\n至此，LimSim的本地安装与部署已完成。\n\n### 1. 实时仿真\n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：\n\n```bash\npython ModelExample.py\n```\n\n### 2. 仿真回放\n在根目录下，运行以下命令即可启动LimSim的回放功能：\n\n```bash\npython ReplayExample.py\n```\n\n**更多关于我们代码的信息，请参阅我们的[在线文档](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002F)**。\n\n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](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues)！\n\n\n## 🎁 主要特性\n\n- [x] **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。\n- [x] **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。\n- [x] **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。\n- [x] **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。\n\n## 🖥️ GUI\n\nLimSim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。\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_3cf007113d0e.png\" title=\"\" alt=\"limsim_gui.png\">\n\u003C\u002Fp>\n\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>🛣️ 多场景支持\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n  \n\nLimSim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。\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_e50e6a59798d.gif\" title=\"\" alt=\"scenarios.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>📊 场景评估\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n  \n\n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。\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_4c2ec058ca6b.gif\" title=\"\" alt=\"evaluation.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\n\u003Cdetails>\u003Csummary>\u003Ch2>💡 与SUMO及CARLA联合仿真\u003C\u002Fh2>\u003C\u002Fsummary>\n\u003Cp>\n\nLimSim支持与CARLA和SUMO的联合仿真，确保三者显示的车辆状态一致。更多信息请参阅[文档](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim\u002Fzh\u002FGettingStarted\u002Fcarla_cosim\u002F)。\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_readme_a70f44df00d7.gif\" title=\"\" alt=\"cosim.gif\" data-align=\"center\" width=\"700\">\n\u003C\u002Fp>\n\n\n\u003C\u002Fp>\n\u003C\u002Fdetails>\n\n\n\n## ➕附加地图\n\nLimSim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。\n\n要运行这两张地图，您需要：\n1. 访问[CitySim仓库](https:\u002F\u002Fgithub.com\u002Fozheng1993\u002FUCF-SST-CitySim-Dataset#Full%20Data%20Access)，并提交数据访问申请。\n2. 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**。\n3. 将这些路网文件（.net.xml）复制到相应的`networkFiles\u002FCitySim`文件夹中，并确保文件路径如下：\n   ```\n   networkFiles\u002FCitySim\u002FfreewayB\u002FfreewayB.net.xml\n   networkFiles\u002FCitySim\u002FExpressway_A\u002FExpressway_A.net.xml\n   ```\n\n## 致谢\n\n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。\n- [SUMO（城市交通仿真）](https:\u002F\u002Fsumo.dlr.de\u002F)\n- [CitySim](https:\u002F\u002Fgithub.com\u002Fozheng1993\u002FUCF-SST-CitySim-Dataset)\n- [DearPyGUI](https:\u002F\u002Fdearpygui.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\n\n## 联系方式\n\n如果您对本仓库有任何建议或合作意向，请随时创建议题\u002F拉取请求，或发送邮件至：\u003Ca href=\"mailto:wenlicheng@pjlab.org.cn\">wenlicheng@pjlab.org.cn\u003C\u002Fa>。\n\n## 引用\n如果您在研究中使用了LimSim，请使用以下BibTeX条目。\n```\n@inproceedings{wen2023limsim,\n  title={LimSim: A long-term interactive multi-scenario traffic simulator},\n  author={Wen, Licheng and Fu, Daocheng and Mao, Song and Cai, Pinlong and Dou, Min and Li, Yikang and Qiao, Yu},\n  booktitle={IEEE 26th International Conference on Intelligent Transportation Systems (ITSC)},\n  pages={1255--1262},\n  year={2023}\n}\n```\n\n## 许可证\n\nLimSim采用[GNU GPL v3.0许可证](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002Flimsim\u002Fblob\u002Fmaster\u002FLICENSE)发布。","# LimSim 快速上手指南\n\nLimSim 是一款面向复杂城市路网的**长时交互式多场景交通仿真器**，支持长时间交通流生成、多样化驾驶行为建模及与 SUMO\u002FCARLA 的联合仿真。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：跨平台支持（Windows \u002F Linux \u002F macOS）\n*   **Python 版本**：`3.9.0` \u003C= Python \u003C= `3.11.0`\n*   **核心依赖**：[SUMO](https:\u002F\u002Fwww.eclipse.org\u002Fsumo\u002F) 版本需 >= `1.15.0`\n    *   请前往 SUMO 官网下载并安装，确保将 `sumo` 命令添加到系统环境变量中。\n\n> 💡 **国内加速建议**：安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n将 LimSim 源代码下载到本地：\n\n```powershell\ngit clone https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim.git\n```\n\n### 2. 安装 Python 依赖\n进入项目目录并安装所需库（推荐国内镜像）：\n\n```powershell\ncd LimSim\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装完成后，即表示本地部署成功。\n\n## 基本使用\n\n### 1. 实时仿真 (Real-time Sim)\n运行以下命令启动以自车（Ego vehicle）为核心的实时仿真，这是 LimSim 的基础功能：\n\n```bash\npython ModelExample.py\n```\n运行后将弹出图形化界面（GUI），展示路网信息、自车状态及周围交通流的实时交互。\n\n### 2. 仿真回放 (Simulation Replay)\n若需回放已生成的仿真场景，请在项目根目录下运行：\n\n```powershell\npython ReplayExample.py\n```\n\n---\n*更多高级功能（如 CARLA 联合仿真、自定义地图配置等）请参阅 [官方文档](https:\u002F\u002Fpjlab-adg.github.io\u002FLimSim)。*","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。\n\n### 没有 LimSim 时\n- **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。\n- **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。\n- **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。\n- **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。\n\n### 使用 LimSim 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nLimSim 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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPJLab-ADG_LimSim_2b57b344.png","PJLab-ADG","ADG@PJLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPJLab-ADG_cd9ab58b.png","ADLab: Autonomous Driving Group [at] Shanghai AI Laboratory",null,"shibotian@pjlab.org.cn","https:\u002F\u002Fpjlab-adg.github.io\u002F","https:\u002F\u002Fgithub.com\u002FPJLab-ADG",[85,89,93],{"name":86,"color":87,"percentage":88},"Python","#3572A5",99.9,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.1,{"name":94,"color":95,"percentage":96},"Batchfile","#C1F12E",0,552,46,"2026-03-30T14:46:34","GPL-3.0","未说明",{"notes":103,"python":104,"dependencies":105},"该工具主要依赖 SUMO 仿真器。若需运行 CitySim 数据集中的特定地图（freewayB 和 Expressway_A），需单独申请并下载对应的 .net.xml 文件放入指定目录。支持通过 requirements.txt 安装其他 Python 依赖。","3.9.0 - 3.11.0",[106],"SUMO>=1.15.0",[18],"2026-03-27T02:49:30.150509","2026-04-06T05:15:00.954612",[111,116,121,126,131,136,140,144],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},14998,"运行示例脚本时出现 'ModuleNotFoundError: No module named carla' 错误怎么办？","该错误表明 Python 环境中未安装或未正确配置 CARLA 客户端库。请确保您已下载并安装了与您的 Python 版本匹配的 CARLA Python API（通常位于 CARLA 安装目录的 PythonAPI\u002Fcarla\u002Fdist 文件夹中，需将其添加到 PYTHONPATH 或直接安装）。如果是使用 Docker 或源码编译版本，请确认环境变量已正确设置，使得 Python 能够找到 carla 模块。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F27",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},14999,"Traffic Simulator (SUMO) 启动后没有任何显示且无报错，如何解决？","这通常是由于 SUMO 版本不兼容导致的。建议尝试安装特定版本的 SUMO，例如 1.16.0。您可以通过命令 `pip install eclipse-sumo==1.16.0` 进行安装，或者在项目的 `requirements.txt` 文件中添加 `eclipse-sumo==1.16.0` 然后重新安装依赖。虽然部分用户在 1.17 或 1.18 版本上运行正常，但遇到此问题时降级到 1.16.0 是有效的解决方案。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F7",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},15000,"连接模拟器时出现 'RuntimeError: time-out ... waiting for the simulator, make sure the simulator is ready and connected to 127.0.0.1:2000' 错误？","此错误表示 LimSim 无法连接到 CARLA 服务器。即使主机和端口设置正确（默认 127.0.0.1:2000），也请检查：1. CARLA 服务器是否已成功启动且无报错；2. 如果您使用的是 Docker 版 CARLA，请确保端口 2000 已正确映射到宿主机；3. 防火墙是否阻止了连接。建议先运行官方 SUMO 同步示例（如 `run_synchronization.py`）测试基础连接是否正常，再运行 LimSim 的示例脚本。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F24",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},15001,"为什么代码中没有体现车辆的加速或减速控制？规划器是如何处理速度变化的？","LimSim 的规划器模块包含安全检查机制。当接收到上游行为指令（如保持车道 KL）时，规划器不会盲目执行，而是先判断车辆是否需要停车。具体逻辑是：当车速低于阈值（10\u002F3.6 m\u002Fs，约 10km\u002Fh）时，系统会优先判断是否需要生成停车（STOP）轨迹；如果不需要停车，才会继续生成保持车道（KL）轨迹。如果您希望规划器完全忠实执行上游指令而不进行安全干预，需要修改源代码移除规划器中的安全检查部分。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},15002,"LimSim++ 支持哪些视角的图像？如何获取周围环视图像？","LimSim++ 提供了 6 个视角的周围图像，设置与 nuScenes 数据集的相机配置相同。虽然为了 GUI 界面美观默认只显示 3 个前视图像，但您可以通过代码获取全部图像。调用 `model.getCARLAImages()` 函数会返回一个 `List[CameraImages]` 列表。具体的相机图像数据结构定义可以在 `simModel\u002FDataQueue.py` 文件中的 `CameraImages` 类里找到。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F35",{"id":137,"question_zh":138,"answer_zh":139,"source_url":135},15003,"如何在 CARLA 中使用自定义地图时避免崩溃（特别是在 LimSim++ 中）？","在 LimSim++ 中使用自定义地图导致 UE 编辑器崩溃，通常是因为地图缺少某些图块（tiles）或资源加载问题。虽然该地图可能在旧版 LimSim 中正常工作，但 LimSim++ 的渲染或同步机制可能有所不同（例如 LimSim++ 不需要运行 `run_synchronization.py`）。建议检查自定义地图的完整性，确保所有必要的资产都已正确打包。此外，对比 `Model.py` 中的代码差异，注意 LimSim++ 初始化 CARLA 客户端的方式可能与原版不同，需确保地图名称和路径配置完全匹配。",{"id":141,"question_zh":142,"answer_zh":143,"source_url":115},15004,"LLM 推理速度慢导致程序运行卡顿是正常的吗？演示视频为何看起来流畅？","是的，卡顿是正常现象。因为程序在运行时需要等待 LLM（大语言模型）生成回答后才能继续执行下一步，而 LLM 推理本身耗时较长。演示视频看起来流畅通常是因为视频经过了后期加速处理，或者是在录制时使用了更快的推理硬件\u002F缓存了结果，并非实时的原始运行速度。",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},15005,"CARLA 鸟瞰视图更改报错或无反应，应该使用哪个版本？","如果遇到鸟瞰视图相关报错且难以定位具体问题，建议尝试使用 [LimSim++](https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Ftree\u002FLimSim_plus) 分支。维护者指出 LimSim++ 实现了更简便的协同仿真（co-simulation）流程，可能解决了旧版本中的一些兼容性问题。此外，请确认您使用的 CARLA 版本是否包含 `CarlaUE4.sh` 启动脚本（预编译版通常有，源码版可能需要手动编译生成），不同版本的配置方式可能存在差异。","https:\u002F\u002Fgithub.com\u002FPJLab-ADG\u002FLimSim\u002Fissues\u002F36",[]]