[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cjy1992--gym-carla":3,"tool-cjy1992--gym-carla":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},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",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":150},9227,"cjy1992\u002Fgym-carla","gym-carla","An OpenAI gym wrapper for CARLA simulator","gym-carla 是一个将 CARLA 自动驾驶模拟器与 OpenAI Gym 框架无缝连接的开源工具。它旨在解决自动驾驶算法研发中环境搭建复杂、接口不统一的痛点，让研究人员能够直接在标准的强化学习接口下训练和测试智能驾驶模型。\n\n这款工具特别适合从事自动驾驶研究的科研人员、算法工程师以及深度学习开发者使用。通过 gym-carla，用户无需从零构建仿真环境，即可快速开展基于深度强化学习或模仿学习的端到端驾驶策略研究。\n\n其核心技术亮点在于提供了丰富且多维度的观测数据：不仅包含前视摄像头图像、鸟瞰图激光雷达点云和语义地图，还附带了由横向距离、航向误差、车速及前方车辆状态组成的精简状态向量。此外，gym-carla 内置了灵活的奖励函数与终止条件机制，用户可根据具体研究需求，轻松自定义碰撞惩罚、超速限制或车道保持规则。作为多个前沿自动驾驶论文的代码基础，gym-carla 为验证城市场景下的自主驾驶算法提供了一个高效、可靠且易于扩展的实验平台。","# gym-carla\nAn [OpenAI gym third party environment](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgym\u002Fblob\u002Fmaster\u002Fdocs\u002Fenvironments.md) for [CARLA simulator](http:\u002F\u002Fcarla.org\u002F).\n\n## System Requirements\n- Ubuntu 16.04\n\n## Installation\n1. Setup conda environment\n```\n$ conda create -n env_name python=3.6\n$ conda activate env_name\n```\n\n2. Clone this git repo in an appropriate folder\n```\n$ git clone https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla.git\n```\n\n3. Enter the repo root folder and install the packages:\n```\n$ pip install -r requirements.txt\n$ pip install -e .\n```\n\n4. Download [CARLA_0.9.6](https:\u002F\u002Fgithub.com\u002Fcarla-simulator\u002Fcarla\u002Freleases\u002Ftag\u002F0.9.6), extract it to some folder, and add CARLA to ```PYTHONPATH``` environment variable:\n```\n$ export PYTHONPATH=$PYTHONPATH:$YourFolder$\u002FCARLA_0.9.6\u002FPythonAPI\u002Fcarla\u002Fdist\u002Fcarla-0.9.6-py3.5-linux-x86_64.egg\n```\n\n## Usage\n1. Enter the CARLA root folder and launch the CARLA server by:\n```\n$ .\u002FCarlaUE4.sh -windowed -carla-port=2000\n```\nYou can use ```Alt+F1``` to get back your mouse control.\n\nOr you can run in non-display mode by:\n```\n$ DISPLAY= .\u002FCarlaUE4.sh -opengl -carla-port=2000\n```\n\n2. Run the test file:\n```\n$ python test.py\n```\nSee details of ```test.py``` about how to use the CARLA gym wrapper.\n\n## Description\n1.  We provide a dictionary observation including front view camera (obs['camera']), birdeye view lidar point cloud (obs['lidar']) and birdeye view semantic representation (obs['birdeye']):\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_02ba15efc30c.png\" width=75%>\n\u003C\u002Fdiv>\nWe also provide a state vector observation (obs['state']) which is composed of lateral distance and heading error between the ego vehicle to the target lane center line (in meter and rad), ego vehicle's speed (in meters per second), and and indicator of whether there is a front vehicle within a safety margin.\n\n2. The termination condition is either the ego vehicle collides, runs out of lane, reaches a destination, or reaches the maximum episode timesteps. Users may modify function _terminal in carla_env.py to enable customized termination condition.\n\n3. The reward is a weighted combination of longitudinal speed and penalties for collision, exceeding maximum speed, out of lane, large steering and large lateral accleration. Users may modify function _get_reward in carla_env.py to enable customized reward function.\n\n## Related Repos and Papers\n### Deep Reinforcement Learning for Autonomous Driving\n- See [https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Finterp-e2e-driving](https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Finterp-e2e-driving), which provides implementations for the paper [Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.08726) and paper [Model-free Deep Reinforcement Learning for Urban Autonomous Driving](https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F8917306), as well as several deep RL baselines for autonomous driving on CARLA.\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_1e5550b85770.gif\" width=40%>\n\u003C\u002Fdiv>\n\n### Deep Imitation Learning for Autonomous Driving\n- See paper [Deep Imitation Learning for Autonomous Driving in Generic Urban Scenarios with Enhanced Safety](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.00640).\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_b8e8a6091c1a.gif\" width=25%>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_ce3e07f1b367.gif\" width=25%>\n\u003C\u002Fdiv>\n\n### Autonomous Driving Perception and Representation Learning\n- See [https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fdetect-loc-map](https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fdetect-loc-map), which provides implementations for the paper [End-to-end Autonomous Driving Perception with Sequential Latent Representation Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.12464).\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_9a864021b0e4.gif\" width=60%>\n\u003C\u002Fdiv>\n\n\n","# gym-carla\n一个用于 [CARLA 模拟器](http:\u002F\u002Fcarla.org\u002F) 的 [OpenAI Gym 第三方环境](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgym\u002Fblob\u002Fmaster\u002Fdocs\u002Fenvironments.md)。\n\n## 系统要求\n- Ubuntu 16.04\n\n## 安装\n1. 设置 conda 环境\n```\n$ conda create -n env_name python=3.6\n$ conda activate env_name\n```\n\n2. 在合适的文件夹中克隆此 Git 仓库\n```\n$ git clone https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla.git\n```\n\n3. 进入仓库根目录并安装依赖包：\n```\n$ pip install -r requirements.txt\n$ pip install -e .\n```\n\n4. 下载 [CARLA_0.9.6](https:\u002F\u002Fgithub.com\u002Fcarla-simulator\u002Fcarla\u002Freleases\u002Ftag\u002F0.9.6)，将其解压到某个文件夹，并将 CARLA 添加到 ```PYTHONPATH``` 环境变量中：\n```\n$ export PYTHONPATH=$PYTHONPATH:$YourFolder$\u002FCARLA_0.9.6\u002FPythonAPI\u002Fcarla\u002Fdist\u002Fcarla-0.9.6-py3.5-linux-x86_64.egg\n```\n\n## 使用\n1. 进入 CARLA 根目录，通过以下命令启动 CARLA 服务器：\n```\n$ .\u002FCarlaUE4.sh -windowed -carla-port=2000\n```\n您可以使用 ```Alt+F1``` 恢复鼠标控制权。\n\n或者，您也可以在无显示模式下运行：\n```\n$ DISPLAY= .\u002FCarlaUE4.sh -opengl -carla-port=2000\n```\n\n2. 运行测试文件：\n```\n$ python test.py\n```\n有关如何使用 CARLA gym 封装的具体信息，请参阅 ```test.py``` 文件。\n\n## 描述\n1. 我们提供一个字典形式的观测值，包括前视摄像头图像 (obs['camera'])、鸟瞰视角的激光雷达点云 (obs['lidar']）以及鸟瞰视角的语义表示 (obs['birdeye'])：\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_02ba15efc30c.png\" width=75%>\n\u003C\u002Fdiv>\n我们还提供一个状态向量观测值 (obs['state'])，它由自车与目标车道中心线之间的横向距离和航向误差（单位：米和弧度）、自车速度（单位：米\u002F秒）以及前方车辆是否在安全距离内的指示组成。\n\n2. 终止条件为：自车发生碰撞、驶出车道、到达目的地或达到最大回合步数。用户可以修改 carla_env.py 中的 _terminal 函数以实现自定义的终止条件。\n\n3. 奖励是纵向速度与以下惩罚项的加权组合：碰撞、超速、驶出车道、大转向角和大横向加速度。用户可以修改 carla_env.py 中的 _get_reward 函数以实现自定义奖励函数。\n\n## 相关仓库与论文\n### 自动驾驶中的深度强化学习\n- 参见 [https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Finterp-e2e-driving](https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Finterp-e2e-driving)，其中提供了论文《基于潜在深度强化学习的可解释端到端城市自动驾驶》（[https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.08726](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.08726)）和论文《面向城市自动驾驶的无模型深度强化学习》（[https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F8917306](https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F8917306)）的实现，以及在 CARLA 上进行自动驾驶的若干深度强化学习基准。\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_1e5550b85770.gif\" width=40%>\n\u003C\u002Fdiv>\n\n### 自动驾驶中的深度模仿学习\n- 参见论文《具有增强安全性的通用城市场景下的深度模仿学习自动驾驶》（[https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.00640](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.00640)）。\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_b8e8a6091c1a.gif\" width=25%>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_ce3e07f1b367.gif\" width=25%>\n\u003C\u002Fdiv>\n\n### 自动驾驶中的感知与表征学习\n- 参见 [https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fdetect-loc-map](https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fdetect-loc-map)，其中提供了论文《基于序列式潜在表征学习的端到端自动驾驶感知》（[https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.12464](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.12464)）的实现。\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_readme_9a864021b0e4.gif\" width=60%>\n\u003C\u002Fdiv>","# gym-carla 快速上手指南\n\n`gym-carla` 是一个基于 [CARLA 模拟器](http:\u002F\u002Fcarla.org\u002F) 的 OpenAI Gym 第三方环境，专为自动驾驶强化学习研究设计。\n\n## 环境准备\n\n- **操作系统**：Ubuntu 16.04（推荐）\n- **前置依赖**：\n  - Conda 环境管理工具\n  - Python 3.6\n  - CARLA 模拟器版本：0.9.6\n\n> 💡 **国内加速建议**：安装 Python 包时可使用清华或阿里镜像源加速，例如：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. **创建并激活 Conda 环境**\n   ```bash\n   conda create -n env_name python=3.6\n   conda activate env_name\n   ```\n\n2. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla.git\n   cd gym-carla\n   ```\n\n3. **安装 Python 依赖**\n   ```bash\n   pip install -r requirements.txt\n   pip install -e .\n   ```\n\n4. **配置 CARLA 模拟器**\n   - 下载 [CARLA_0.9.6](https:\u002F\u002Fgithub.com\u002Fcarla-simulator\u002Fcarla\u002Freleases\u002Ftag\u002F0.9.6) 并解压到指定目录（例如 `\u002Fhome\u002Fuser\u002FCARLA_0.9.6`）。\n   - 将 CARLA Python API 添加到环境变量 `PYTHONPATH`：\n     ```bash\n     export PYTHONPATH=$PYTHONPATH:\u002Fhome\u002Fuser\u002FCARLA_0.9.6\u002FPythonAPI\u002Fcarla\u002Fdist\u002Fcarla-0.9.6-py3.5-linux-x86_64.egg\n     ```\n     > 请将 `\u002Fhome\u002Fuser\u002FCARLA_0.9.6` 替换为你实际的解压路径。\n\n## 基本使用\n\n1. **启动 CARLA 服务器**\n   \n   进入 CARLA 根目录，运行以下命令启动服务器（窗口模式）：\n   ```bash\n   .\u002FCarlaUE4.sh -windowed -carla-port=2000\n   ```\n   > 提示：按 `Alt+F1` 可释放鼠标控制权。\n   \n   若需在无显示界面模式下运行（如服务器环境）：\n   ```bash\n   DISPLAY= .\u002FCarlaUE4.sh -opengl -carla-port=2000\n   ```\n\n2. **运行测试示例**\n   \n   回到 `gym-carla` 项目目录，执行测试脚本验证环境是否正常工作：\n   ```bash\n   python test.py\n   ```\n   查看 `test.py` 源码可了解如何调用 CARLA Gym 封装接口进行训练或推理。\n\n---\n\n该环境提供多模态观测（摄像头、激光雷达、鸟瞰语义图）及状态向量，支持自定义奖励函数与终止条件，适用于端到端自动驾驶策略开发。","某自动驾驶算法团队正在 CARLA 仿真环境中研发基于深度强化学习的城市道路自主驾驶策略，急需高效训练模型以应对复杂路况。\n\n### 没有 gym-carla 时\n- **接口开发耗时**：研究人员需手动编写大量代码连接 CARLA 仿真器与 RL 框架，反复调试传感器数据（如摄像头、激光雷达）的格式转换。\n- **环境标准化难**：缺乏统一的观测空间定义，每次更换算法基线（如从 DQN 切换到 PPO）都需重新适配状态向量和奖励函数逻辑。\n- **实验迭代缓慢**：自定义终止条件（如碰撞、偏离车道）和奖励机制需要修改底层仿真逻辑，导致验证新想法的周期长达数天。\n- **多模态数据整合复杂**：难以同时协调前视相机图像、鸟瞰图点云及语义地图数据，阻碍了多传感器融合算法的快速原型设计。\n\n### 使用 gym-carla 后\n- **即插即用集成**：直接通过 OpenAI Gym 标准接口调用 CARLA，内置的前视相机、激光雷达及鸟瞰语义表示可直接作为观测值输入模型。\n- **灵活定制策略**：只需修改 `carla_env.py` 中的 `_get_reward` 和 `_terminal` 函数，即可快速调整速度惩罚、碰撞检测等逻辑，无需触动底层仿真。\n- **加速算法验证**：团队能在几小时内完成从环境配置到基准测试（如端到端驾驶或模仿学习）的全流程，大幅缩短实验迭代周期。\n- **统一数据流处理**：工具自动封装字典形式的观测数据（包含图像、点云及车辆状态），让研究人员能专注于模型架构优化而非数据预处理。\n\ngym-carla 通过标准化仿真接口与灵活的定制能力，将自动驾驶强化学习的研发重心从繁琐的环境搭建回归到核心算法创新本身。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcjy1992_gym-carla_02ba15ef.png","cjy1992","Jianyu Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcjy1992_b1001455.png",null,"Tsinghua University","http:\u002F\u002Fpeople.iiis.tsinghua.edu.cn\u002F~jychen\u002F","https:\u002F\u002Fgithub.com\u002Fcjy1992",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,614,120,"2026-04-13T06:42:34","MIT",4,"Linux (Ubuntu 16.04)","未说明（依赖 CARLA 模拟器，通常建议配备支持 OpenGL 的显卡以进行渲染）","未说明",{"notes":94,"python":95,"dependencies":96},"必须安装特定版本的 CARLA 模拟器 (0.9.6) 并配置 PYTHONPATH 环境变量。运行时需要启动 CARLA 服务器（支持窗口模式或无显示模式的 OpenGL 模式）。建议使用 conda 创建 Python 3.6 环境进行安装。","3.6",[97,98,99],"gym","carla (0.9.6)","requirements.txt 中定义的包",[13],[102,103,104,105,106],"carla-simulator","autonomous-driving","deep-reinforcement-learning","imitation-learning","perception","2026-03-27T02:49:30.150509","2026-04-19T03:09:41.478698",[110,115,120,125,130,135,140,145],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},41415,"如何在训练网络时隐藏 CARLA 服务器的显示窗口？","可以使用非显示模式命令启动服务器。具体命令为：`DISPLAY= .\u002FCarlaUE4.sh -opengl -carla-port=2000`。这将阻止图形界面弹出，适合后台训练。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F9",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},41416,"是否支持多实例并行训练以加速过程？","CARLA 本身不直接支持单进程内的并行仿真。解决方案是开启多个仿真服务器，每个服务器分配不同的端口号，然后使用 Python 客户端分别连接对应的端口。此外，维护者指出对于强化学习代理，单环境训练通常在 1-2 天内即可收敛（引入潜在模型的情况下），速度是可以接受的。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},41417,"NPC 车辆不遵守交通规则随机行驶怎么办？","这是一个同步模式设置问题。请在 `carla_env.py` 文件中，将 `self._set_synchronous_mode(False)` 修改为 `self._set_synchronous_mode()`（即删除 'False' 参数），以启用同步模式，这样 NPC 车辆就会遵守交通规则。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F51",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},41418,"遇到 CARLA 版本不匹配或 .egg 文件缺失的错误如何解决？","该仓库最初是针对 CARLA 0.9.6 版本开发的。如果下载了更新版本（如 0.9.8）导致出现 `ImportError` 或找不到 `.egg` 文件，建议下载并安装与仓库匹配的 CARLA 0.9.6 版本，或者需要手动调整代码以适配新版本的 API 和文件结构。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F48",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},41419,"城镇地图中的导航路线是如何定义的？","在该环境中，导航路线并不是预设的固定路径。路线是通过在交叉路口随机选择方向来动态定义的。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F20",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},41420,"如何创建用于运动规划实验的 Costmap（代价地图）？","Costmap 分支的基本逻辑是为可行车道创建代价地图：可行车道区域内的代价被赋值为低，而其他区域赋值为高。具体的实现细节建议参考 CARLA 的官方文档，因为这是基于 CARLA 对象的功能。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F7",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},41421,"能否在鸟瞰图中添加交通灯状态和限速信息？","技术上是可以的。可以通过获取 CARLA 中的交通灯和限速信息来实现。一种方法是根据限速比例绘制车道颜色（参考 ChauffeurNet 论文），另一种是将交通灯信息通过改变路由颜色展示在鸟瞰图中。但维护者指出，目前提取交通灯信息的方法不够准确，因此该功能在当前仓库中暂未默认开启。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F1",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},41422,"摄像头观测图像中出现遮挡（Masked）现象是什么原因？","这通常不是代码逻辑导致的主动遮挡（代码中没有手动掩膜操作），而是与计算机硬件性能有关。有用户反馈在从笔记本电脑切换到性能更好的台式机后，渲染正常且遮挡消失。此外，该现象可能特定于某些地图（如在 Town1, Town2, Town4 中出现，但在 Town3 中正常）。","https:\u002F\u002Fgithub.com\u002Fcjy1992\u002Fgym-carla\u002Fissues\u002F22",[]]