[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-cbfinn--gps":3,"similar-cbfinn--gps":95},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":17,"owner_email":17,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":41,"forks":42,"last_commit_at":43,"license":44,"difficulty_score":45,"env_os":46,"env_gpu":47,"env_ram":47,"env_deps":48,"category_tags":51,"github_topics":54,"view_count":60,"oss_zip_url":17,"oss_zip_packed_at":17,"status":61,"created_at":62,"updated_at":63,"faqs":64,"releases":94},6314,"cbfinn\u002Fgps","gps","Guided Policy Search","gps 是加州大学伯克利分校机器人学习实验室开源的“引导策略搜索”（Guided Policy Search）算法复现项目。它主要致力于解决复杂机器人控制中的核心难题：如何在高维状态空间下，让机器通过试错自主学习出高效、平滑的运动策略。传统强化学习往往面临采样效率低和训练不稳定的挑战，而 gps 巧妙地将轨迹优化与策略学习相结合，利用基于线性二次高斯（LQG）的轨迹优化器生成高质量的指导数据，进而训练神经网络策略，显著提升了学习速度和最终性能。\n\n该项目代码旨在帮助社区理解、复用并在此基础上构建新的研究成果，特别适合作为机器人学研究者、强化学习算法开发者以及相关领域学生的参考基准。对于希望深入探究模仿学习与强化学习融合机制，或需要为机械臂、双足机器人等复杂系统开发控制算法的专业人士而言，gps 提供了宝贵的实现细节和实验框架。需要注意的是，目前代码库仍处于持续完善中，但其核心的算法逻辑和架构设计已具备极高的学习与研究价值，是通往高级机器人自主控制的重要阶梯。","GPS\n======\n\nThis code is a reimplementation of the guided policy search algorithm and LQG-based trajectory optimization, meant to help others understand, reuse, and build upon existing work.\n\nFor full documentation, see [rll.berkeley.edu\u002Fgps](http:\u002F\u002Frll.berkeley.edu\u002Fgps).\n\nThe code base is **a work in progress**. See the [FAQ](http:\u002F\u002Frll.berkeley.edu\u002Fgps\u002Ffaq.html) for information on planned future additions to the code.\n","GPS\n======\n\n这段代码是对引导策略搜索算法和基于LQG的轨迹优化的重新实现，旨在帮助他人理解、复用并在此基础上进行进一步开发。\n\n完整的文档请参见 [rll.berkeley.edu\u002Fgps](http:\u002F\u002Frll.berkeley.edu\u002Fgps)。\n\n该代码库目前**仍在开发中**。有关计划中的未来功能更新，请参阅[常见问题解答](http:\u002F\u002Frll.berkeley.edu\u002Fgps\u002Ffaq.html)。","# GPS 快速上手指南\n\nGPS 是引导策略搜索（Guided Policy Search）算法及基于 LQG 的轨迹优化算法的重实现版本，旨在帮助开发者理解、复用并在此基础上构建新的研究工作。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：推荐 Linux (Ubuntu 14.04\u002F16.04) 或 macOS\n- **Python 版本**：Python 2.7 或 Python 3.5+（具体取决于依赖库兼容性，原项目主要基于 Python 2.7）\n- **核心依赖**：\n  - NumPy\n  - SciPy\n  - Matplotlib\n  - Theano 或 TensorFlow（用于神经网络策略部分）\n  - MuJoCo（可选，用于物理仿真环境，需单独获取 license）\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包安装。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n1. **克隆代码仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Frll\u002Fgps.git\n   cd gps\n   ```\n\n2. **安装 Python 依赖**\n   推荐使用虚拟环境以避免冲突：\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n   \n   pip install -r requirements.txt\n   ```\n   *注：若 `requirements.txt` 不存在，请根据项目文档手动安装上述核心依赖。*\n\n3. **配置环境变量（如需使用 MuJoCo）**\n   如果需要使用 MuJoCo 仿真器，请确保已购买 License 并设置环境变量：\n   ```bash\n   export MJKEY_FILE=\u002Fpath\u002Fto\u002Fmjkey.txt\n   export MUJOCO_PY_MUJOCO_PATH=\u002Fpath\u002Fto\u002Fmujoco200\n   export MUJOCO_PY_MJKEY_PATH=\u002Fpath\u002Fto\u002Fmjkey.txt\n   ```\n\n## 基本使用\n\n以下是一个最简单的运行示例，演示如何启动一个基础的训练任务（以内置的简单环境为例）：\n\n1. **进入示例目录**\n   ```bash\n   cd examples\n   ```\n\n2. **运行训练脚本**\n   执行以下命令开始训练（具体脚本名称可能随版本更新变化，请以实际文件为准）：\n   ```bash\n   python train_policy.py --config config_example.py\n   ```\n\n3. **查看结果**\n   训练过程中，日志和模型权重将保存在指定的输出目录中。您可以使用提供的可视化工具查看学习曲线：\n   ```bash\n   python plot_results.py --dir .\u002Foutput\u002Fexperiment_1\n   ```\n\n> **注意**：该代码库仍在持续开发中（work in progress），部分功能可能尚不完善。建议参考官方文档 [rll.berkeley.edu\u002Fgps](http:\u002F\u002Frll.berkeley.edu\u002Fgps) 获取最新的配置说明和算法细节。","某机器人实验室的研究团队正致力于让双足机器人在复杂非结构化地形中实现稳定且高效的动态行走。\n\n### 没有 gps 时\n- 研究人员需手动设计复杂的奖励函数并反复试错，策略收敛极慢且容易陷入局部最优解。\n- 传统强化学习算法采样效率低下，训练一个稳定的步态往往需要数周的真实机器人交互或数百万次仿真迭代。\n- 缺乏轨迹层面的全局优化指导，机器人在面对突发扰动（如地面打滑）时动作僵硬，极易摔倒。\n- 难以将经典的控制理论（如 LQG）与现代深度策略网络有效结合，导致生成的动作既不平滑也不符合动力学约束。\n\n### 使用 gps 后\n- 利用引导策略搜索机制，自动构建局部控制器来指导全局策略更新，大幅减少了人工调参成本并加速收敛。\n- 基于轨迹优化的采样方式显著提升了数据利用率，将原本需要数周的训练周期缩短至几天甚至几小时。\n- 通过生成平滑且符合动力学的最优轨迹作为“老师”，机器人学会了柔顺的抗干扰步态，在复杂地形下的稳定性显著提升。\n- 无缝集成了 LQG 轨迹优化与深度神经网络，既保留了模型预测的准确性，又具备了端到端策略的泛化能力。\n\ngps 通过将轨迹优化的精确性与策略搜索的灵活性相结合，彻底解决了高维连续控制任务中采样效率低和收敛难的痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcbfinn_gps_1a1b0a60.png","cbfinn","Chelsea Finn","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcbfinn_dbcf5077.jpg",null,"Stanford University","ai.stanford.edu\u002F~cbfinn","https:\u002F\u002Fgithub.com\u002Fcbfinn",[22,26,30,34,37],{"name":23,"color":24,"percentage":25},"Python","#3572A5",80.2,{"name":27,"color":28,"percentage":29},"C++","#f34b7d",18.9,{"name":31,"color":32,"percentage":33},"CMake","#DA3434",0.6,{"name":35,"color":17,"percentage":36},"Protocol Buffer",0.3,{"name":38,"color":39,"percentage":40},"Shell","#89e051",0.1,604,246,"2026-03-30T04:05:09","NOASSERTION",4,"","未说明",{"notes":49,"python":47,"dependencies":50},"README 中未提供具体的运行环境需求、依赖库列表或安装说明。该项目是引导策略搜索（GPS）算法和基于 LQG 的轨迹优化的重新实现，旨在帮助理解现有工作。代码库处于“进行中”状态，详细文档和未来计划需参考官方网页 (rll.berkeley.edu\u002Fgps) 及其 FAQ。",[],[52,53],"开发框架","其他",[55,56,57,58,59],"robotics","reinforcement-learning","reinforcement-learning-algorithms","deep-learning","deep-reinforcement-learning",2,"ready","2026-03-27T02:49:30.150509","2026-04-11T00:43:11.584545",[65,70,75,80,85,90],{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},28582,"在 Mac 或 Linux 上编译时遇到 CMake 错误：'get_filename_component called with incorrect number of arguments'，如何解决？","这是一个常见的 Python 库冲突问题。解决方法是注释掉 `gps\u002Fsrc\u002F3rdparty\u002FBoost.NumPy\u002FCMakeLists.txt` 文件中的第 14 行。该行试图查找必需的 PythonLibs 2.7，但这会与主 CMakeLists.txt 中的要求发生冲突（特别是在使用 Anaconda 虚拟环境时）。修改后重新运行 cmake 即可解决。","https:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fgps\u002Fissues\u002F28",{"id":71,"question_zh":72,"answer_zh":73,"source_url":74},28583,"运行代码时出现 'ImportError: No module named Box2D' 错误，即使已经安装了 pybox2d 怎么办？","如果通过传统方式安装失败，推荐使用 pip 直接安装 gym 的 box2d 依赖：运行命令 `pip3 install gym[box2d]`。如果仍需手动编译，请下载 Box2D 源码，按照官方构建说明编译生成 `Box2D.lib`（或对应系统的库文件），然后将其复制到 Python 安装路径下的 `libs` 目录中。","https:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fgps\u002Fissues\u002F34",{"id":76,"question_zh":77,"answer_zh":78,"source_url":79},28584,"在 mjc_peg_images 任务中，平均成本（average cost）出现负数甚至 NaN 导致仿真崩溃，这是正常现象吗？","这不是预期行为。通常所有任务应在少于 12 次迭代内完成，GPS 方法一般不需要超过 100 次迭代。将迭代次数设置过高（如 100-200 次）并在仿真收敛后继续运行，会导致线性化表现不佳，从而引发稳定性问题和 NaN。建议减少迭代次数，并在收敛后停止训练。此外，MDGPS 算法通常比 BADMM 对超参数更不敏感。","https:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fgps\u002Fissues\u002F77",{"id":81,"question_zh":82,"answer_zh":83,"source_url":84},28585,"使用 MuJoCo 试用版许可证时提示 'Invalid activation key' 或 'Could not open activation key file'，如何解决？","确保已将 `mjkey.txt` 许可证文件正确放置在 `src\u002F3rdparty\u002Fmjpro\u002F` 目录下。如果文件路径正确但仍报错，请检查文件名是否完全匹配（包括大小写），并确认该文件具有读取权限。试用版许可证在 MuJoCo 自带模拟器中有效但在 GPS 中无效通常是因为文件路径配置错误或未被 CMake\u002F编译过程正确识别。","https:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fgps\u002Fissues\u002F47",{"id":86,"question_zh":87,"answer_zh":88,"source_url":89},28586,"项目是否有官方提供的 Docker 镜像？如果有，哪个版本是最新的？","社区成员维护了相关的 Docker 镜像。在 Docker Hub 上可以看到 `gps-v0.0.2` 和 `v0.1.1` 等标签。通常情况下，标签号最高的是最新版本（即 v0.1.1）。由于官方未明确说明差异，建议优先尝试最新版本，若遇兼容性问题再回退到旧版本。","https:\u002F\u002Fgithub.com\u002Fcbfinn\u002Fgps\u002Fissues\u002F61",{"id":91,"question_zh":92,"answer_zh":93,"source_url":89},28587,"为什么选择非 catkin 化的 ROS 包结构？未来会提供 catkin 版本吗？","目前代码库采用的是非 catkin 化的实现方式。关于具体原因，维护者表示记忆模糊，但社区用户已提出希望提供 catkin 版本和 Docker 镜像的需求。截至目前，建议用户根据现有源码手动集成到自己的工作空间，或参考社区提供的 Docker 方案进行部署。",[],[96,108,116,125,133,142],{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":102,"last_commit_at":103,"category_tags":104,"status":61},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[105,52,106,107],"Agent","图像","数据工具",{"id":109,"name":110,"github_repo":111,"description_zh":112,"stars":113,"difficulty_score":102,"last_commit_at":114,"category_tags":115,"status":61},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,"2026-04-05T11:01:52",[52,106,105],{"id":117,"name":118,"github_repo":119,"description_zh":120,"stars":121,"difficulty_score":60,"last_commit_at":122,"category_tags":123,"status":61},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",149489,"2026-04-10T11:32:46",[52,105,124],"语言模型",{"id":126,"name":127,"github_repo":128,"description_zh":129,"stars":130,"difficulty_score":60,"last_commit_at":131,"category_tags":132,"status":61},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。",108322,"2026-04-10T11:39:34",[52,106,105],{"id":134,"name":135,"github_repo":136,"description_zh":137,"stars":138,"difficulty_score":60,"last_commit_at":139,"category_tags":140,"status":61},6121,"gemini-cli","google-gemini\u002Fgemini-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。\n\n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。\n\n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。",100752,"2026-04-10T01:20:03",[141,105,106,52],"插件",{"id":143,"name":144,"github_repo":145,"description_zh":146,"stars":147,"difficulty_score":60,"last_commit_at":148,"category_tags":149,"status":61},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[141,52]]