[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ZikangZhou--HiVT":3,"tool-ZikangZhou--HiVT":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":106,"github_topics":107,"view_count":23,"oss_zip_url":112,"oss_zip_packed_at":112,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":146},1965,"ZikangZhou\u002FHiVT","HiVT","[CVPR 2022] HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction","HiVT 是一款专为多智能体运动预测设计的开源深度学习模型，曾发表于计算机视觉顶级会议 CVPR 2022。在自动驾驶和机器人导航场景中，准确预判周围车辆、行人等动态物体的未来轨迹至关重要，而 HiVT 正是为了解决这一核心难题而生。它能够基于历史观测数据，高效推演复杂交通环境下多个目标的未来运动路径，显著降低预测误差。\n\n这款工具特别适合从事自动驾驶算法研发的研究人员、工程师以及相关领域的开发者使用。其核心技术亮点在于采用了“分层向量 Transformer\"架构，巧妙地将局部细节特征与全局场景上下文相结合。通过层级化的信息聚合机制，HiVT 不仅能捕捉单个智能体的细微动作变化，还能理解整体交通流的交互逻辑，从而在 Argoverse 数据集上取得了领先的预测精度。代码库提供了完整的训练、评估流程及预训练模型，支持用户快速复现论文结果或在此基础上进行二次开发，是探索前沿运动预测技术的有力助手。","# HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction\nThis repository contains the official implementation of [HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2022\u002Fpapers\u002FZhou_HiVT_Hierarchical_Vector_Transformer_for_Multi-Agent_Motion_Prediction_CVPR_2022_paper.pdf) published in CVPR 2022.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZikangZhou_HiVT_readme_2575ca5254b1.png)\n\n## Gettting Started\n\n1\\. Clone this repository:\n```\ngit clone https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT.git\ncd HiVT\n```\n\n2\\. Create a conda environment and install the dependencies:\n```\nconda create -n HiVT python=3.8\nconda activate HiVT\nconda install pytorch==1.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge\nconda install pytorch-geometric==1.7.2 -c rusty1s -c conda-forge\nconda install pytorch-lightning==1.5.2 -c conda-forge\n```\n\n3\\. Download [Argoverse Motion Forecasting Dataset v1.1](https:\u002F\u002Fwww.argoverse.org\u002Fav1.html). After downloading and extracting the tar.gz files, the dataset directory should be organized as follows:\n```\n\u002Fpath\u002Fto\u002Fdataset_root\u002F\n├── train\u002F\n|   └── data\u002F\n|       ├── 1.csv\n|       ├── 2.csv\n|       ├── ...\n└── val\u002F\n    └── data\u002F\n        ├── 1.csv\n        ├── 2.csv\n        ├── ...\n```\n\n4\\. Install [Argoverse 1 API](https:\u002F\u002Fgithub.com\u002Fargoai\u002Fargoverse-api).\n\n## Training\n\nTo train HiVT-64:\n```\npython train.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --embed_dim 64\n```\n\nTo train HiVT-128:\n```\npython train.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --embed_dim 128\n```\n\n**Note**: When running the training script for the first time, it will take several hours to preprocess the data (~3.5 hours on my machine). Training on an RTX 2080 Ti GPU takes 35-40 minutes per epoch.\n\nDuring training, the checkpoints will be saved in `lightning_logs\u002F` automatically. To monitor the training process:\n```\ntensorboard --logdir lightning_logs\u002F\n```\n\n## Evaluation\n\nTo evaluate the prediction performance:\n```\npython eval.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --batch_size 32 --ckpt_path \u002Fpath\u002Fto\u002Fyour_checkpoint.ckpt\n```\n\n## Pretrained Models\n\nWe provide the pretrained HiVT-64 and HiVT-128 in [checkpoints\u002F](checkpoints). You can evaluate the pretrained models using the aforementioned evaluation command, or have a look at the training process via TensorBoard:\n```\ntensorboard --logdir checkpoints\u002F\n```\n\n## Results\n\n### Quantitative Results\n\nFor this repository, the expected performance on Argoverse 1.1 validation set is:\n\n| Models | minADE | minFDE | MR |\n| :--- | :---: | :---: | :---: |\n| HiVT-64 | 0.69 | 1.03 | 0.10 |\n| HiVT-128 | 0.66 | 0.97 | 0.09 |\n\n### Qualitative Results\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZikangZhou_HiVT_readme_cb2cc469432c.png)\n\n## Citation\n\nIf you found this repository useful, please consider citing our work:\n\n```\n@inproceedings{zhou2022hivt,\n  title={HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction},\n  author={Zhou, Zikang and Ye, Luyao and Wang, Jianping and Wu, Kui and Lu, Kejie},\n  booktitle={Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n  year={2022}\n}\n```\n\n## License\n\nThis repository is licensed under [Apache 2.0](LICENSE).\n\n","# HiVT：用于多智能体运动预测的层次化向量Transformer\n本仓库包含发表于CVPR 2022的论文[HiVT：用于多智能体运动预测的层次化向量Transformer](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2022\u002Fpapers\u002FZhou_HiVT_Hierarchical_Vector_Transformer_for_Multi-Agent_Motion_Prediction_CVPR_2022_paper.pdf)的官方实现。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZikangZhou_HiVT_readme_2575ca5254b1.png)\n\n## 快速入门\n\n1. 克隆本仓库：\n```\ngit clone https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT.git\ncd HiVT\n```\n\n2. 创建Conda环境并安装依赖：\n```\nconda create -n HiVT python=3.8\nconda activate HiVT\nconda install pytorch==1.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge\nconda install pytorch-geometric==1.7.2 -c rusty1s -c conda-forge\nconda install pytorch-lightning==1.5.2 -c conda-forge\n```\n\n3. 下载[Argoverse运动预测数据集v1.1](https:\u002F\u002Fwww.argoverse.org\u002Fav1.html)。下载并解压tar.gz文件后，数据集目录应按如下方式组织：\n```\n\u002Fpath\u002Fto\u002Fdataset_root\u002F\n├── train\u002F\n|   └── data\u002F\n|       ├── 1.csv\n|       ├── 2.csv\n|       ├── ...\n└── val\u002F\n    └── data\u002F\n        ├── 1.csv\n        ├── 2.csv\n        ├── ...\n```\n\n4. 安装[Argoverse 1 API](https:\u002F\u002Fgithub.com\u002Fargoai\u002Fargoverse-api)。\n\n## 训练\n\n训练HiVT-64：\n```\npython train.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --embed_dim 64\n```\n\n训练HiVT-128：\n```\npython train.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --embed_dim 128\n```\n\n**注意**：首次运行训练脚本时，数据预处理需要数小时（在我的机器上约为3.5小时）。在RTX 2080 Ti GPU上，每轮训练大约需要35–40分钟。\n\n训练过程中，检查点会自动保存到`lightning_logs\u002F`目录下。要监控训练过程：\n```\ntensorboard --logdir lightning_logs\u002F\n```\n\n## 评估\n\n评估预测性能：\n```\npython eval.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --batch_size 32 --ckpt_path \u002Fpath\u002Fto\u002Fyour_checkpoint.ckpt\n```\n\n## 预训练模型\n\n我们在[checkpoints\u002F](checkpoints)目录中提供了预训练的HiVT-64和HiVT-128模型。您可以使用上述评估命令对预训练模型进行评估，或通过TensorBoard查看训练过程：\n```\ntensorboard --logdir checkpoints\u002F\n```\n\n## 结果\n\n### 定量结果\n\n对于本仓库，在Argoverse 1.1验证集上的预期性能如下：\n\n| 模型 | minADE | minFDE | MR |\n| :--- | :---: | :---: | :---: |\n| HiVT-64 | 0.69 | 1.03 | 0.10 |\n| HiVT-128 | 0.66 | 0.97 | 0.09 |\n\n### 定性结果\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZikangZhou_HiVT_readme_cb2cc469432c.png)\n\n## 引用\n\n如果您觉得本仓库有用，请考虑引用我们的工作：\n\n```\n@inproceedings{zhou2022hivt,\n  title={HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction},\n  author={Zhou, Zikang and Ye, Luyao and Wang, Jianping and Wu, Kui and Lu, Kejie},\n  booktitle={Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n  year={2022}\n}\n```\n\n## 许可证\n\n本仓库采用[Apache 2.0许可证](LICENSE)。","# HiVT 快速上手指南\n\nHiVT (Hierarchical Vector Transformer) 是发表于 CVPR 2022 的多智能体运动预测模型。本指南将帮助开发者快速在本地搭建环境并运行模型。\n\n## 环境准备\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+)\n*   **Python**: 3.8\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡 (官方测试环境为 CUDA 11.1)\n*   **前置依赖**:\n    *   Conda (用于管理虚拟环境)\n    *   Git\n\n## 安装步骤\n\n### 1. 克隆代码库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT.git\ncd HiVT\n```\n\n### 2. 创建并激活 Conda 环境\n建议使用国内镜像源（如清华源）加速包下载：\n```bash\nconda create -n HiVT python=3.8\nconda activate HiVT\n```\n\n### 3. 安装核心依赖\n依次安装 PyTorch、PyTorch Geometric 和 PyTorch Lightning。\n*(注：以下命令基于官方指定的 CUDA 11.1 版本，若需使用国内源，可在命令后添加 `-c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch` 等参数)*\n\n```bash\nconda install pytorch==1.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge\nconda install pytorch-geometric==1.7.2 -c rusty1s -c conda-forge\nconda install pytorch-lightning==1.5.2 -c conda-forge\n```\n\n### 4. 准备数据集\n下载 [Argoverse Motion Forecasting Dataset v1.1](https:\u002F\u002Fwww.argoverse.org\u002Fav1.html)。解压后，请确保目录结构如下：\n```text\n\u002Fpath\u002Fto\u002Fdataset_root\u002F\n├── train\u002F\n|   └── data\u002F\n|       ├── 1.csv\n|       ├── 2.csv\n|       └── ...\n└── val\u002F\n    └── data\u002F\n        ├── 1.csv\n        ├── 2.csv\n        └── ...\n```\n\n### 5. 安装 Argoverse API\n```bash\npip install argoverse\n# 或者从源码安装：\n# git clone https:\u002F\u002Fgithub.com\u002Fargoai\u002Fargoverse-api.git\n# cd argoverse-api && pip install .\n```\n\n## 基本使用\n\n### 训练模型\n首次运行会自动预处理数据（耗时约 3.5 小时），之后开始训练。以下以训练 **HiVT-64** 为例：\n\n```bash\npython train.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --embed_dim 64\n```\n*   **监控训练**: 在新终端运行 `tensorboard --logdir lightning_logs\u002F` 查看损失曲线。\n*   **显存参考**: 在 RTX 2080 Ti 上，每 epoch 约需 35-40 分钟。\n\n### 评估模型\n使用预训练权重或自己训练的 checkpoint 进行评估：\n\n```bash\npython eval.py --root \u002Fpath\u002Fto\u002Fdataset_root\u002F --batch_size 32 --ckpt_path \u002Fpath\u002Fto\u002Fyour_checkpoint.ckpt\n```\n\n### 使用预训练模型\n项目已提供 **HiVT-64** 和 **HiVT-128** 的预训练权重（位于 `checkpoints\u002F` 目录）。直接替换上述评估命令中的 `--ckpt_path` 路径即可快速验证效果。\n\n预期在 Argoverse 1.1 验证集上的性能指标：\n| 模型 | minADE | minFDE | MR |\n| :--- | :---: | :---: | :---: |\n| HiVT-64 | 0.69 | 1.03 | 0.10 |\n| HiVT-128 | 0.66 | 0.97 | 0.09 |","某自动驾驶初创公司的感知算法团队正在优化城市复杂路口的车辆轨迹预测模块，以应对多车交互频繁的挑战。\n\n### 没有 HiVT 时\n- **交互建模能力弱**：传统模型难以捕捉路口处多辆车间复杂的相互避让与博弈关系，导致预测轨迹不符合实际驾驶逻辑。\n- **长时预测误差大**：随着预测时间步长增加，累积误差迅速放大，车辆在未来 3-5 秒的位置偏差严重，影响规划层决策。\n- **计算资源消耗高**：为提升精度强行堆叠网络层数，导致推理延迟过高，无法满足车载嵌入式设备的实时性要求。\n- **极端场景泛化差**：面对拥堵或突发变道等罕见场景，模型容易输出违背物理规律的轨迹，增加系统误刹风险。\n\n### 使用 HiVT 后\n- **层级化交互感知**：HiVT 利用分层向量 Transformer 机制，精准建模了智能体间的局部细节与全局拓扑，预测轨迹更符合人类驾驶习惯。\n- **长时序稳定性强**：凭借强大的序列建模能力，显著降低了长时预测的位移误差（minFDE 降至 0.97 米），提升了规划安全性。\n- **高效推理部署**：模型结构在保持高精度的同时大幅压缩了计算量，在单张 RTX 2080 Ti 上即可快速完成训练与推理，易于工程落地。\n- **鲁棒性显著提升**：在 Argoverse 数据集的复杂验证集中，运动模式覆盖率（MR）优化至 0.09，有效覆盖了各类极端驾驶行为。\n\nHiVT 通过分层架构突破了多智能体运动预测的瓶颈，让自动驾驶系统在复杂动态环境中看得更准、判得更稳。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZikangZhou_HiVT_2575ca52.png","ZikangZhou","Zikang Zhou","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FZikangZhou_1a5ddc4d.jpg","Tech Lead@Zhuoyu Technology, End-to-End Navigation \u002F End-to-End Architecture","Zhuoyu Technology Co., Ltd. (ZYT)","Shenzhen, China","zhouzikang666@gmail.com","zkktg00","https:\u002F\u002Fzikangzhou.github.io\u002F","https:\u002F\u002Fgithub.com\u002FZikangZhou",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,716,128,"2026-04-05T08:39:07","Apache-2.0",4,"未说明","需要 NVIDIA GPU，示例环境为 RTX 2080 Ti，CUDA 11.1",{"notes":98,"python":99,"dependencies":100},"需下载 Argoverse Motion Forecasting Dataset v1.1 数据集。首次运行训练脚本时，数据预处理耗时较长（约 3.5 小时）。在 RTX 2080 Ti 上训练每个 epoch 约需 35-40 分钟。建议使用 conda 管理环境。","3.8",[101,102,103,104,105],"pytorch==1.8.0","cudatoolkit==11.1","pytorch-geometric==1.7.2","pytorch-lightning==1.5.2","argoverse-api",[14,52,15,26],[108,109,110,111],"autonomous-driving","motion-prediction","transformer","cvpr2022",null,"2026-03-27T02:49:30.150509","2026-04-06T06:46:17.518722",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},8766,"为什么我复现的测试结果与论文中报告的差距很大？","主要原因有两点：1. 在验证或测试前，务必调用 `model.eval()` 以停用所有 dropout 层，否则结果会偏差很大。2. 开源代码库是为了提高可读性而重新实现的，可能与提交到排行榜的原始代码存在无意间的差异；此外，最终提交的模型通常使用了更多的训练轮数（epochs）和略微不同的训练配方。提供的检查点可能并非用于报告最终测试结果的那个版本。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F31",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},8767,"如何获取或使用结果可视化代码？","作者已添加了一个新函数来保存场景中所有车辆的轨迹并进行分组。你可以参考相关仓库（如 MapUncertaintyPrediction）中的轨迹保存说明，将轨迹保存为 pkl 文件以便后续可视化。注意：直接使用的代码可能需要修改（例如去除不确定性组件），且可能存在只保存自车（ego）轨迹的版本不匹配问题，需根据最新 issue 追踪更新进行调整。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F16",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},8768,"如何将模型输出坐标转换回原始坐标系？","要将预测结果 `y_hat` 转换回原始坐标系，需要使用旋转矩阵（基于 `av_theta`）以及 `av_theta` 对应的原点坐标进行逆变换。具体实现涉及利用 `data['theta']`、`data['origin']` 以及代理对象的局部原点 `data.positions[..., 19, :]` 构建旋转矩阵并应用变换。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F14",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},8769,"如何正确计算场景中所有对象（不仅是自车）的预测指标（minADE\u002FminFDE）？","在 Argoverse 1.1 数据集中，只有焦点自车（focal agent）和自动驾驶车辆拥有完整的轨迹，其他代理（如行人、自行车）的未来轨迹噪声大且缺失值多。计算全场景指标时，必须忽略无效的时间步。可以使用预处理数据中的 `data['padding_mask']`（形状为 [N, 50]，True 表示该时间步无效）来进行掩码处理。对于 FDE 和 MR 指标，最好跳过那些在最终时间步没有有效数据的代理。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F35",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},8770,"代码中计算邻域时，为什么在 Huffman 距离之后还需要计算欧几里得距离？只用 Huffman 距离会不会更快？","并没有特定的原因必须同时使用两者。你可以尝试只使用 Huffman 距离，但预计性能表现会与同时使用两种距离非常相似。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F27",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},8771,"在哪里可以找到定性结果（Qualitative Results）的可视化示例或方法？","关于定性结果的可视化方法，可以参考项目中关于“结果可视化”的相关讨论（见 Issue #16）。作者建议参照那里提供的轨迹保存和可视化方案来生成定性结果图。","https:\u002F\u002Fgithub.com\u002FZikangZhou\u002FHiVT\u002Fissues\u002F30",[]]