[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-devendrachaplot--Neural-SLAM":3,"tool-devendrachaplot--Neural-SLAM":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",140436,2,"2026-04-05T23:32:43",[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":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":106,"github_topics":107,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":148},2727,"devendrachaplot\u002FNeural-SLAM","Neural-SLAM","Pytorch code for ICLR-20 Paper \"Learning to Explore using Active Neural SLAM\"","Neural-SLAM 是一个基于 PyTorch 开源的主动探索系统，源自 ICLR 2020 的研究论文。它旨在解决智能体在未知环境中如何高效自主导航与建图的核心难题。不同于传统方法，Neural-SLAM 让智能体学会“主动”规划路径去探索未知区域，而非被动响应指令。\n\n该系统由三大核心模块组成：神经 SLAM 模块负责根据视觉图像和传感器数据实时构建环境地图并估算自身位置；全局策略基于地图制定长期探索目标；局部策略则结合解析路径规划器，将长期目标转化为具体的短期行动指令，驱动智能体精准移动。这种分层架构巧妙融合了深度学习的感知决策能力与传统算法的路径规划优势，显著提升了探索效率。\n\nNeural-SLAM 主要面向机器人学、人工智能领域的研究人员及开发者，特别是那些专注于强化学习、视觉导航或具身智能（Embodied AI）方向的团队。依托 Facebook Habitat 仿真平台，用户可以快速复现前沿实验、验证新算法或在自定义场景中进行训练。虽然其部署需要一定的编程基础和计算资源，但它为理解智能体如何通过“看”和“想”来掌握复杂环境提供了极具价值的参考实现。","# Active Neural SLAM\nThis is a PyTorch implementation of the ICLR-20 paper:\n\n[Learning To Explore Using Active Neural SLAM](https:\u002F\u002Fopenreview.net\u002Fpdf?id=HklXn1BKDH)\u003Cbr \u002F>\nDevendra Singh Chaplot, Dhiraj Gandhi, Saurabh Gupta, Abhinav Gupta, Ruslan Salakhutdinov\u003Cbr \u002F>\nCarnegie Mellon University, Facebook AI Research, UIUC\n\nProject Website: https:\u002F\u002Fdevendrachaplot.github.io\u002Fprojects\u002FNeural-SLAM\n\n![example](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdevendrachaplot_Neural-SLAM_readme_84a827d5352b.gif)\n\n### Overview:\nThe Active Neural SLAM model consists of three modules: a Global Policy, a Local Policy and a Neural SLAM Module. \nAs shown below, the Neural-SLAM module predicts a map and agent pose estimate from incoming RGB observations and \nsensor readings. This map and pose are used by a Global policy to output a long-term goal, which is converted to \na short-term goal using an analytic path planner. A Local Policy is trained to navigate to this short-term goal.\n\n![overview](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdevendrachaplot_Neural-SLAM_readme_aa2419e43434.png)\n\n\n## Installing Dependencies\nWe use earlier versions of [habitat-sim](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-sim) and [habitat-api](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api). The specific commits are mentioned below.\n\nInstalling habitat-sim:\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-sim.git\ncd habitat-sim; git checkout 9575dcd45fe6f55d2a44043833af08972a7895a9; \npip install -r requirements.txt; \npython setup.py install --headless\npython setup.py install # (for Mac OS)\n\n```\n\nInstalling habitat-api:\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api.git\ncd habitat-api; git checkout b5f2b00a25627ecb52b43b13ea96b05998d9a121; \npip install -e .\n```\n\nInstall pytorch from https:\u002F\u002Fpytorch.org\u002F according to your system configuration. The code is tested on pytorch v1.2.0. If you are using conda:\n```\nconda install pytorch==1.2.0 torchvision cudatoolkit=10.0 -c pytorch #(Linux with GPU)\nconda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch #(Mac OS)\n```\n\n## Setup\nClone the repository and install other requirements:\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\ncd Neural-SLAM;\npip install -r requirements.txt\n```\n\nThe code requires datasets in a `data` folder in the following format (same as habitat-api):\n```\nNeural-SLAM\u002F\n  data\u002F\n    scene_datasets\u002F\n      gibson\u002F\n        Adrian.glb\n        Adrian.navmesh\n        ...\n    datasets\u002F\n      pointnav\u002F\n        gibson\u002F\n          v1\u002F\n            train\u002F\n            val\u002F\n            ...\n```\nPlease download the data using the instructions here: https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api#data\n\nTo verify that dependencies are correctly installed and data is setup correctly, run:\n```\npython main.py -n1 --auto_gpu_config 0 --split val\n```\n\n\n## Usage\n\n### Training:\nFor training the complete Active Neural SLAM model on the Exploration task:\n```\npython main.py\n```\n\n### Downloading pre-trained models\n```\nmkdir pretrained_models;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1UK2hT0GWzoTaVR5lAI6i8o27tqEmYeyY' -O pretrained_models\u002Fmodel_best.global;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1A1s_HNnbpvdYBUAiw2y1JmmELRLfAJb8' -O pretrained_models\u002Fmodel_best.local;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1o5OG7DIUKZyvi5stozSqRpAEae1F2BmX' -O pretrained_models\u002Fmodel_best.slam;\n```\n\n### For evaluation:\nFor evaluating the pre-trained models:\n```\npython main.py --split val --eval 1 --train_global 0 --train_local 0 --train_slam 0 \\\n--load_global pretrained_models\u002Fmodel_best.global \\\n--load_local pretrained_models\u002Fmodel_best.local \\\n--load_slam pretrained_models\u002Fmodel_best.slam \n```\n\nFor visualizing the agent observations and predicted map and pose, add `-v 1` as an argument to the above\n\nFor more detailed instructions, see [INSTRUCTIONS](.\u002Fdocs\u002FINSTRUCTIONS.md).\n\n\n## Cite as\n>Chaplot, D.S., Gandhi, D., Gupta, S., Gupta, A. and Salakhutdinov, R., 2020. Learning To Explore Using Active Neural SLAM. In International Conference on Learning Representations (ICLR). ([PDF](https:\u002F\u002Fopenreview.net\u002Fpdf?id=HklXn1BKDH))\n\n### Bibtex:\n```\n@inproceedings{chaplot2020learning,\n  title={Learning To Explore Using Active Neural SLAM},\n  author={Chaplot, Devendra Singh and Gandhi, Dhiraj and Gupta, Saurabh and Gupta, Abhinav and Salakhutdinov, Ruslan},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2020}\n}\n```\n\n## Acknowledgements\nThis repository uses Habitat API (https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api) and parts of the code from the API.\nThe implementation of PPO is borrowed from https:\u002F\u002Fgithub.com\u002Fikostrikov\u002Fpytorch-a2c-ppo-acktr-gail\u002F.\nWe thank Guillaume Lample for discussions and coding during initial stages of this project.\n","# 主动神经SLAM\n这是ICLR-20论文的PyTorch实现：\n\n[使用主动神经SLAM学习探索](https:\u002F\u002Fopenreview.net\u002Fpdf?id=HklXn1BKDH)\u003Cbr \u002F>\n德文德拉·辛格·查普洛特、迪拉吉·甘地、索拉布·古普塔、阿比纳夫·古普塔、鲁斯兰·萨拉胡丁诺夫\u003Cbr \u002F>\n卡内基梅隆大学、Facebook AI Research、伊利诺伊大学厄巴纳-香槟分校\n\n项目官网：https:\u002F\u002Fdevendrachaplot.github.io\u002Fprojects\u002FNeural-SLAM\n\n![example](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdevendrachaplot_Neural-SLAM_readme_84a827d5352b.gif)\n\n### 概述：\n主动神经SLAM模型由三个模块组成：全局策略、局部策略和神经SLAM模块。\n如下所示，神经SLAM模块根据传入的RGB观测和传感器读数预测地图及智能体位姿估计。该地图和位姿由全局策略用于输出长期目标，再通过解析式路径规划器将其转换为短期目标。局部策略则被训练来导航至该短期目标。\n\n![overview](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdevendrachaplot_Neural-SLAM_readme_aa2419e43434.png)\n\n\n## 安装依赖\n我们使用较早版本的[habitat-sim](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-sim)和[habitat-api](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api)。具体提交记录如下。\n\n安装habitat-sim：\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-sim.git\ncd habitat-sim; git checkout 9575dcd45fe6f55d2a44043833af08972a7895a9; \npip install -r requirements.txt; \npython setup.py install --headless\npython setup.py install # (适用于Mac OS)\n```\n\n安装habitat-api：\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api.git\ncd habitat-api; git checkout b5f2b00a25627ecb52b43b13ea96b05998d9a121; \npip install -e .\n```\n\n根据您的系统配置，从https:\u002F\u002Fpytorch.org\u002F安装PyTorch。代码已在PyTorch v1.2.0上测试。如果您使用conda：\n```\nconda install pytorch==1.2.0 torchvision cudatoolkit=10.0 -c pytorch #(适用于带GPU的Linux)\nconda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch #(适用于Mac OS)\n```\n\n## 设置\n克隆仓库并安装其他依赖：\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\ncd Neural-SLAM;\npip install -r requirements.txt\n```\n\n代码需要在`data`文件夹中以以下格式存放数据集（与habitat-api相同）：\n```\nNeural-SLAM\u002F\n  data\u002F\n    scene_datasets\u002F\n      gibson\u002F\n        Adrian.glb\n        Adrian.navmesh\n        ...\n    datasets\u002F\n      pointnav\u002F\n        gibson\u002F\n          v1\u002F\n            train\u002F\n            val\u002F\n            ...\n```\n请按照此处的说明下载数据：https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api#data\n\n要验证依赖是否正确安装以及数据是否正确设置，请运行：\n```\npython main.py -n1 --auto_gpu_config 0 --split val\n```\n\n\n## 使用\n\n### 训练：\n要在探索任务上训练完整的主动神经SLAM模型：\n```\npython main.py\n```\n\n### 下载预训练模型\n```\nmkdir pretrained_models;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1UK2hT0GWzoTaVR5lAI6i8o27tqEmYeyY' -O pretrained_models\u002Fmodel_best.global;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1A1s_HNnbpvdYBUAiw2y1JmmELRLfAJb8' -O pretrained_models\u002Fmodel_best.local;\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1o5OG7DIUKZyvi5stozSqRpAEae1F2BmX' -O pretrained_models\u002Fmodel_best.slam;\n```\n\n### 评估：\n要评估预训练模型：\n```\npython main.py --split val --eval 1 --train_global 0 --train_local 0 --train_slam 0 \\\n--load_global pretrained_models\u002Fmodel_best.global \\\n--load_local pretrained_models\u002Fmodel_best.local \\\n--load_slam pretrained_models\u002Fmodel_best.slam \n```\n\n若需可视化智能体观测以及预测的地图和位姿，可在上述命令中添加`-v 1`参数。\n\n更多详细说明，请参阅[INSTRUCTIONS](.\u002Fdocs\u002FINSTRUCTIONS.md)。\n\n\n## 引用方式\n>Chaplot, D.S., Gandhi, D., Gupta, S., Gupta, A. and Salakhutdinov, R., 2020. Learning To Explore Using Active Neural SLAM. In International Conference on Learning Representations (ICLR). ([PDF](https:\u002F\u002Fopenreview.net\u002Fpdf?id=HklXn1BKDH))\n\n### Bibtex：\n```\n@inproceedings{chaplot2020learning,\n  title={Learning To Explore Using Active Neural SLAM},\n  author={Chaplot, Devendra Singh and Gandhi, Dhiraj and Gupta, Saurabh and Gupta, Abhinav and Salakhutdinov, Ruslan},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2020}\n}\n```\n\n## 致谢\n本仓库使用了Habitat API（https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api）以及该API的部分代码。\nPPO的实现借鉴自https:\u002F\u002Fgithub.com\u002Fikostrikov\u002Fpytorch-a2c-ppo-acktr-gail\u002F。\n我们感谢纪尧姆·朗普尔在本项目初期阶段的讨论与编码工作。","# Neural-SLAM 快速上手指南\n\nNeural-SLAM 是一个基于 PyTorch 实现的主动神经 SLAM（Active Neural SLAM）模型，源自 ICLR 2020 论文。该模型包含全局策略、局部策略和神经 SLAM 模块，能够利用 RGB 观测和传感器数据构建地图并规划探索路径。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐) 或 macOS\n- **Python**: 兼容版本需配合 PyTorch 1.2.0\n- **GPU**: 推荐使用 NVIDIA GPU (CUDA 10.0)，也可在无头模式（headless）下运行\n- **磁盘空间**: 需预留足够空间存放 Habitat 场景数据集（Gibson 等）\n\n### 前置依赖\n本项目依赖特定版本的 `habitat-sim` 和 `habitat-api`，以及 PyTorch 1.2.0。请确保已安装 `git` 和 `pip`。\n\n> **注意**：国内用户若遇到 GitHub 克隆或 PyTorch 下载缓慢，建议配置国内镜像源（如清华源、阿里源）或使用代理加速。\n\n## 安装步骤\n\n### 1. 安装 Habitat 依赖\n需严格按照指定 commit 版本安装，否则可能导致兼容性问题。\n\n**安装 habitat-sim:**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-sim.git\ncd habitat-sim\ngit checkout 9575dcd45fe6f55d2a44043833af08972a7895a9\npip install -r requirements.txt\n# Linux 无头模式安装\npython setup.py install --headless\n# macOS 用户请使用以下命令\n# python setup.py install\ncd ..\n```\n\n**安装 habitat-api:**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api.git\ncd habitat-api\ngit checkout b5f2b00a25627ecb52b43b13ea96b05998d9a121\npip install -e .\ncd ..\n```\n\n### 2. 安装 PyTorch\n代码已在 PyTorch v1.2.0 上测试通过。\n\n**Linux (GPU 版本):**\n```bash\nconda install pytorch==1.2.0 torchvision cudatoolkit=10.0 -c pytorch\n```\n\n**macOS (CPU 版本):**\n```bash\nconda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch\n```\n*(国内用户可使用清华源加速：`-c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F`)*\n\n### 3. 克隆项目与安装其余依赖\n```bash\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\ncd Neural-SLAM\npip install -r requirements.txt\n```\n\n### 4. 数据集配置\n项目需要 Habitat 格式的数据集。请在 `Neural-SLAM\u002F` 目录下创建 `data` 文件夹，结构如下：\n```text\nNeural-SLAM\u002F\n  data\u002F\n    scene_datasets\u002F\n      gibson\u002F\n        Adrian.glb\n        Adrian.navmesh\n        ...\n    datasets\u002F\n      pointnav\u002F\n        gibson\u002F\n          v1\u002F\n            train\u002F\n            val\u002F\n            ...\n```\n请参考 [Habitat-API 数据下载指南](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fhabitat-api#data) 获取数据集文件。\n\n### 5. 验证安装\n运行以下命令验证环境和数据配置是否正确：\n```bash\npython main.py -n1 --auto_gpu_config 0 --split val\n```\n\n## 基本使用\n\n### 方式一：从头训练\n直接运行以下命令开始训练完整的 Active Neural SLAM 模型（探索任务）：\n```bash\npython main.py\n```\n\n### 方式二：使用预训练模型评估\n如果您只想快速体验或评估效果，可下载预训练权重并进行评估。\n\n**1. 下载预训练模型:**\n```bash\nmkdir pretrained_models\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1UK2hT0GWzoTaVR5lAI6i8o27tqEmYeyY' -O pretrained_models\u002Fmodel_best.global\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1A1s_HNnbpvdYBUAiw2y1JmmELRLfAJb8' -O pretrained_models\u002Fmodel_best.local\nwget --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Fuc?export=download&id=1o5OG7DIUKZyvi5stozSqRpAEae1F2BmX' -O pretrained_models\u002Fmodel_best.slam\n```\n*(注：若无法访问 Google Drive，请手动下载上述 ID 对应的文件并放入 `pretrained_models` 目录)*\n\n**2. 运行评估:**\n```bash\npython main.py --split val --eval 1 --train_global 0 --train_local 0 --train_slam 0 \\\n--load_global pretrained_models\u002Fmodel_best.global \\\n--load_local pretrained_models\u002Fmodel_best.local \\\n--load_slam pretrained_models\u002Fmodel_best.slam\n```\n\n**3. 可视化效果:**\n在评估命令后添加 `-v 1` 参数，即可实时查看智能体的观测画面、预测地图及姿态估计：\n```bash\npython main.py --split val --eval 1 --train_global 0 --train_local 0 --train_slam 0 \\\n--load_global pretrained_models\u002Fmodel_best.global \\\n--load_local pretrained_models\u002Fmodel_best.local \\\n--load_slam pretrained_models\u002Fmodel_best.slam \\\n-v 1\n```","某机器人研发团队正在开发一款能在未知灾难现场自主执行搜救任务的移动机器人，急需解决其在复杂环境中高效探索与建图的难题。\n\n### 没有 Neural-SLAM 时\n- **探索效率低下**：机器人依赖传统的随机游走或简单的边界前沿策略，经常重复访问已探索区域，导致覆盖整个灾区耗时过长，错失黄金救援时间。\n- **环境感知割裂**：定位系统与地图构建模块相互独立，在纹理缺失或光照剧烈的废墟中极易丢失位置信息，无法生成连贯的全局环境认知。\n- **长程规划困难**：缺乏对未观测区域的预测能力，机器人难以制定合理的长期探索目标，常陷入局部死胡同或无法跨越复杂地形。\n- **仿真验证成本高**：在真实部署前，团队难以在高保真模拟器中快速训练出具备主动探索智能的策略模型，导致实地测试失败率高。\n\n### 使用 Neural-SLAM 后\n- **主动探索加速**：Neural-SLAM 的全局策略模块能基于预测地图主动选择最具信息量的下一个目标点，将未知区域的探索覆盖率提升显著，大幅缩短任务时间。\n- **端到端感知融合**：其神经 SLAM 模块直接从 RGB 图像和传感器数据中联合推断地图与位姿，即使在视觉特征稀疏的走廊或废墟中也能保持高精度的定位与建图。\n- **分层决策智能**：通过“全局目标 - 局部路径”的分层架构，Neural-SLAM 能将长期的探索意图转化为可执行的短程导航指令，灵活绕过障碍物并规划最优路径。\n- **仿真到现实迁移**：依托 Habitat 仿真平台，团队可利用 Neural-SLAM 的代码快速完成大规模强化学习训练，并将预训练模型无缝迁移至实体机器人，降低试错成本。\n\nNeural-SLAM 通过将神经网络的预测能力与传统 SLAM 的几何约束相结合，赋予了机器人在完全未知环境中像人类一样“思考”并主动探索的核心智能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdevendrachaplot_Neural-SLAM_84a827d5.gif","devendrachaplot","Devendra Chaplot","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdevendrachaplot_c5d2be56.jpg","xAI","Thinking Machines Lab",null,"dchaplot","https:\u002F\u002Fdevendrachaplot.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fdevendrachaplot",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,846,152,"2026-04-01T08:36:21","MIT",4,"Linux, macOS","Linux 环境下需要 NVIDIA GPU (配合 CUDA 10.0)；macOS 可使用 CPU 运行。代码在 PyTorch v1.2.0 + CUDA 10.0 上经过测试。","未说明",{"notes":98,"python":99,"dependencies":100},"1. 必须安装特定版本的 habitat-sim 和 habitat-api（通过 git checkout 指定 commit），不能直接使用最新版。\n2. Linux 用户安装 habitat-sim 时需添加 --headless 参数，Mac 用户则不需要。\n3. 需要手动下载 Gibson 等场景数据集并按特定目录结构放置。\n4. 首次验证环境需运行特定的 python main.py 命令。","未说明 (需兼容 PyTorch 1.2.0)",[101,102,103,104,105],"habitat-sim (特定 commit: 9575dcd)","habitat-api (特定 commit: b5f2b00)","pytorch==1.2.0","torchvision==0.4.0 (Mac) \u002F torchvision (Linux)","cudatoolkit=10.0 (Linux GPU)",[54,13],[108,109,110,111,112,113,114,115,116],"navigation","visual-navigation","robotics","neural-slam","active-neural-slam","exploration","deep-reinforcement-learning","deep-rl","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T08:19:47.054483",[120,125,130,134,139,144],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},12631,"运行代码时遇到 'No module named attr' 错误怎么办？","这通常是由于 habitat 安装问题或版本不匹配导致的。建议尝试以下步骤：\n1. 在 Anaconda 中重新安装一个全新的环境。\n2. 确保安装的 habitat-sim 和 habitat-api 版本与 README 中指定的版本一致。\n3. 如果遇到 'Could NOT find EGL' 相关错误，请运行命令 `sudo apt-get install libgles2-mesa-dev` 安装 EGL 库并重启系统。\n维护者提供的完整安装步骤包括安装 conda、cmake 以及克隆 habitat-sim 仓库。","https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\u002Fissues\u002F18",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},12632,"运行时出现 'BrokenPipeError: [Errno 32] Broken pipe' 错误如何解决？","该错误通常是因为系统显存不足或 PyTorch 未正确编译支持 CUDA。可以尝试添加 `--no_cuda` 参数来禁用 GPU 运行，例如：`python main.py --no_cuda ...`。如果必须使用 GPU，请检查显存是否足够或重新编译支持 CUDA 的 PyTorch。","https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\u002Fissues\u002F29",{"id":131,"question_zh":132,"answer_zh":133,"source_url":129},12633,"如何加载预训练模型进行评估（Evaluation）？","在修复好 habitat-api 和 habitat-sim 的问题后，可以使用以下命令加载预训练的全局、局部和 SLAM 模型进行评估：\n```bash\npython main.py --split val --eval 1 --train_global 0 --train_local 0 --train_slam 0 \\\n--load_global pretrained_models\u002Fmodel_best.global \\\n--load_local pretrained_models\u002Fmodel_best.local \\\n--load_slam pretrained_models\u002Fmodel_best.slam\n```\n注意将路径替换为你实际的预训练模型文件路径。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},12634,"导入时出现 'ImportError: cannot import name register_move_fn' 错误？","这是因为 habitat-sim 的版本不兼容。该函数在某些新版本中已被移除或更改。请检查你的 habitat-sim 版本，并确保其与项目 README 中要求的版本完全一致。通常降级或升级到特定版本（如与 habitat-api 匹配的旧版本）可以解决此问题。建议在 Python 3.7 环境下尝试重新安装依赖。","https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\u002Fissues\u002F1",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},12635,"在 Matterport 数据集上运行时，Ego Map 中的墙壁出现弯曲失真怎么办？","这是由于 Matterport 数据集的相机内参（Camera Intrinsics）与 Gibson 数据集不同导致的。用户尝试调整 FOV、帧高宽等参数（如 Frame width: 640, Frame Height: 480, FOV: 79），但问题可能依然存在。这通常表明需要针对 Matterport 数据集专门校正相机内参矩阵。如果问题持续，可能是依赖项安装环境问题，尝试在其他机器上安装依赖可能解决问题。","https:\u002F\u002Fgithub.com\u002Fdevendrachaplot\u002FNeural-SLAM\u002Fissues\u002F16",{"id":145,"question_zh":146,"answer_zh":147,"source_url":138},12636,"如何在 Google Colab 上运行该项目？","在 Google Colab 上运行时，常见的错误是 'cannot import name register_move_fn'，这表明 habitat-sim 版本不匹配。你需要严格按照项目 README 中的版本要求安装 habitat-sim 和 habitat-api。由于 Colab 预装的库版本可能与项目需求冲突，建议强制安装指定版本的依赖包，并确保使用 Python 3.7 环境进行测试。",[]]