[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-erwincoumans--tiny-differentiable-simulator":3,"tool-erwincoumans--tiny-differentiable-simulator":61},[4,18,26,36,44,53],{"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",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},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",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"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":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":77,"owner_url":78,"languages":79,"stars":111,"forks":112,"last_commit_at":113,"license":114,"difficulty_score":115,"env_os":116,"env_gpu":117,"env_ram":118,"env_deps":119,"category_tags":128,"github_topics":74,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":130,"updated_at":131,"faqs":132,"releases":163},5479,"erwincoumans\u002Ftiny-differentiable-simulator","tiny-differentiable-simulator","Tiny Differentiable Simulator is a header-only C++ and CUDA physics library for reinforcement learning and robotics with zero dependencies.","tiny-differentiable-simulator 是一款专为强化学习与机器人领域设计的轻量级物理仿真库。它采用纯头文件 C++ 与 CUDA 编写，无需任何外部依赖即可运行，极大地降低了部署门槛。\n\n该工具主要解决了传统物理引擎难以直接融入深度学习训练流程的痛点。通过原生支持前向与反向模式自动微分，它能将刚体动力学、接触模型及各类执行器（如电机、串联弹性驱动器）的计算过程转化为可导操作，让研究人员能够轻松结合神经网络进行端到端的策略优化与参数推断。\n\ntiny-differentiable-simulator 特别适合从事机器人控制算法研究、强化学习开发以及需要高保真物理仿真的科研人员与工程师使用。其核心技术亮点在于高度的模板化设计：用户不仅可以使用常规的浮点数进行高速计算，还能无缝切换至 CppAD、Stan Math 等自动微分标量类型，甚至利用定点整数数学实现跨平台的确定性计算。此外，凭借高效的 CUDA 并行加速能力，它能在单张 RTX 2080 显卡上以每秒 50 帧的速度并行运行数千个仿真环境，显著提升了大规模训练的效率。配合内置的 OpenGL 或基于 Web ","tiny-differentiable-simulator 是一款专为强化学习与机器人领域设计的轻量级物理仿真库。它采用纯头文件 C++ 与 CUDA 编写，无需任何外部依赖即可运行，极大地降低了部署门槛。\n\n该工具主要解决了传统物理引擎难以直接融入深度学习训练流程的痛点。通过原生支持前向与反向模式自动微分，它能将刚体动力学、接触模型及各类执行器（如电机、串联弹性驱动器）的计算过程转化为可导操作，让研究人员能够轻松结合神经网络进行端到端的策略优化与参数推断。\n\ntiny-differentiable-simulator 特别适合从事机器人控制算法研究、强化学习开发以及需要高保真物理仿真的科研人员与工程师使用。其核心技术亮点在于高度的模板化设计：用户不仅可以使用常规的浮点数进行高速计算，还能无缝切换至 CppAD、Stan Math 等自动微分标量类型，甚至利用定点整数数学实现跨平台的确定性计算。此外，凭借高效的 CUDA 并行加速能力，它能在单张 RTX 2080 显卡上以每秒 50 帧的速度并行运行数千个仿真环境，显著提升了大规模训练的效率。配合内置的 OpenGL 或基于 Web 的 MeshCat 可视化方案，开发者可以直观地调试与展示仿真结果。","# Tiny Differentiable Simulator\n\nTiny Differentiable Simulator is a header-only C++ (and CUDA) physics library with zero dependencies.\n\n+ Note that the main repository is transfered from google-research to [Erwin Coumans](https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator)\n\nIt currently implements various rigid-body dynamics algorithms, including forward and inverse dynamics, as well as contact models based on impulse-level LCP and force-based nonlinear spring-dampers. Actuator models for motors, servos, and Series-Elastic Actuator (SEA) dynamics are implemented.\n\nThe entire codebase is templatized so you can use forward- and reverse-mode automatic differentiation\nscalar types, such as CppAD, Stan Math fvar and ceres::Jet. The library can also be used with\nregular float or double precision values. Another option is to use the included\nfix-point integer math, that provide cross-platform deterministic computation.\n\nTDS can run thousands of simulations in parallel on a single RTX 2080 CUDA GPU at 50 frames per second:\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F725468\u002F135697035-7df34b85-c73e-4739-9a76-dc114ce84c4c.mp4\n\nMultiple visualizers are available, see below.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ferwincoumans_tiny-differentiable-simulator_readme_4f245dc97e0b.jpg)\n\n## Bibtex\nPlease use the following reference to cite this research:\n\n```\n@inproceedings{heiden2021neuralsim,\n  author =\t  {Heiden, Eric and Millard, David and Coumans, Erwin and Sheng, Yizhou and Sukhatme, Gaurav S},\n  year =\t\t  {2021},\n  title =\t\t  {Neural{S}im: Augmenting Differentiable Simulators with Neural Networks},\n  booktitle = {Proceedings of the IEEE International Conference on Robotics and Automation (ICRA)},\n  url =\t\t    {https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ftiny-differentiable-simulator}\n}\n```\n\n## Related Papers\n* \"Inferring Articulated Rigid Body Dynamics from RGBD Video\" (IROS 2022 submission) Eric Heiden, Ziang Liu, Vibhav Vineet, Erwin Coumans, Gaurav S. Sukhatme [Project Page](https:\u002F\u002Feric-heiden.com\u002Fpublication\u002F2022-video2sim-iros)\n* \"NeuralSim: Augmenting Differentiable Simulators with Neural Networks\" (ICRA 2021) Eric Heiden, David Millard, Erwin Coumans, Yizhou Sheng, Gaurav S. Sukhatme. [PDF on Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.04217)\n* “Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap” (RSS 2020 sim-to-real workshop), Eric Heiden, David Millard, Erwin Coumans, Gaurav Sukhatme. [PDF on Arxiv](https:\u002F\u002Fsim2real.github.io\u002Fassets\u002Fpapers\u002F2020\u002Fheiden.pdf) and [video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=awhkI5xtFa0)\n* \"Interactive Differentiable Simulation\", 2020, Eric Heiden, David Millard, Hejia Zhang, Gaurav S. Sukhatme. [PDF on Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.10706)\n\n## Related Research using TDS by Others\n* \"Efficient Differentiable Simulation of Articulated Bodies\" (ICML 2021) Yi-Ling Qiao, Junbang Liang, Vladlen Koltun, Ming C. Lin [PDF on Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2109.07719)\n\n## Getting started\nThe open-source version builds using CMake and requires a compiler with C++17 support.\n\n```\nmkdir build\ncd build\ncmake ..\nmake -j\n```\n\n## Examples\n\nFor visualization, two options are supported:\n\n### OpenGL 3+ Visualization\n\n* tiny_opengl3_app, an OpenGL3 visualizer\n\nThis visualizer is native part of this library under src\u002Fvisualizer\u002Fopengl\n\n### MeshCat Visualization\n\n* [MeshCat](https:\u002F\u002Fgithub.com\u002Frdeits\u002Fmeshcat), a web-based visualizer that uses WebGL\n\nA C++ ZMQ interface is provided.\n\nBefore running the example, install python, pip and meshcat, run the meshcat-server \nand open the web browser (Chrome is recommended for a good three.js experience.)\n```\npip install meshcat\nmeshcat-server --open\nThis should open Chrome at http:\u002F\u002Flocalhost:7000\u002Fstatic\u002F\nThen compile and run tiny_urdf_parser_meshcat_example in optimized\u002Frelease build.\n```\n\nURDF files can be loaded using a provided parser based on TinyXML2.\n\nAll dependencies for meshcat visualization are included in third_party.\n\n---\n\n*Disclaimer: This is not an official Google product.*\n\n","# 微型可微分物理引擎\n\n微型可微分物理引擎是一个无依赖的、仅包含头文件的 C++（及 CUDA）物理库。\n\n+ 注意：该主仓库已从 google-research 迁移到 [Erwin Coumans](https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator)。\n\n目前实现了多种刚体动力学算法，包括正向和逆向动力学，以及基于冲量级线性互补问题（LCP）和基于力的非线性弹簧阻尼器的接触模型。此外还实现了电机、伺服电机和串联弹性执行器（SEA）动力学的执行器模型。\n\n整个代码库采用模板化设计，因此可以使用前向和反向模式的自动微分标量类型，例如 CppAD、Stan Math fvar 和 ceres::Jet。该库也可以与常规的 float 或 double 精度值一起使用。另一种选择是使用内置的定点整数数学，它能够提供跨平台的确定性计算。\n\nTDS 在单个 RTX 2080 CUDA GPU 上以每秒 50 帧的速度并行运行数千次仿真：\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F725468\u002F135697035-7df34b85-c73e-4739-9a76-dc114ce84c4c.mp4\n\n提供了多种可视化工具，详见下文。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ferwincoumans_tiny-differentiable-simulator_readme_4f245dc97e0b.jpg)\n\n## Bibtex 引用\n请使用以下引用文献来标注本研究：\n\n```\n@inproceedings{heiden2021neuralsim,\n  author =\t  {Heiden, Eric and Millard, David and Coumans, Erwin and Sheng, Yizhou and Sukhatme, Gaurav S},\n  year =\t\t  {2021},\n  title =\t\t  {Neural{S}im: Augmenting Differentiable Simulators with Neural Networks},\n  booktitle = {Proceedings of the IEEE International Conference on Robotics and Automation (ICRA)},\n  url =\t\t    {https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ftiny-differentiable-simulator}\n}\n```\n\n## 相关论文\n* “从 RGBD 视频中推断铰接式刚体动力学”（IROS 2022 提交）Eric Heiden、Ziang Liu、Vibhav Vineet、Erwin Coumans、Gaurav S. Sukhatme [项目页面](https:\u002F\u002Feric-heiden.com\u002Fpublication\u002F2022-video2sim-iros)\n* “NeuralSim：用神经网络增强可微分模拟器”（ICRA 2021）Eric Heiden、David Millard、Erwin Coumans、Yizhou Sheng、Gaurav S. Sukhatme。[Arxiv 上的 PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.04217)\n* “用神经网络增强可微分模拟器以缩小模拟到现实的差距”（RSS 2020 模拟到现实研讨会），Eric Heiden、David Millard、Erwin Coumans、Gaurav Sukhatme。[Arxiv 上的 PDF](https:\u002F\u002Fsim2real.github.io\u002Fassets\u002Fpapers\u002F2020\u002Fheiden.pdf) 和 [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=awhkI5xtFa0)\n* “交互式可微分仿真”，2020 年，Eric Heiden、David Millard、Hejia Zhang、Gaurav S. Sukhatme。[Arxiv 上的 PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.10706)\n\n## 其他研究者使用 TDS 的相关研究\n* “铰接体的高效可微分仿真”（ICML 2021）Yi-Ling Qiao、Junbang Liang、Vladlen Koltun、Ming C. Lin [Arxiv 上的 PDF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2109.07719)\n\n## 快速入门\n开源版本使用 CMake 构建，需要支持 C++17 的编译器。\n\n```\nmkdir build\ncd build\ncmake ..\nmake -j\n```\n\n## 示例\n\n对于可视化，支持两种方式：\n\n### OpenGL 3+ 可视化\n\n* tiny_opengl3_app，一个 OpenGL3 可视化工具\n\n该可视化工具是本库的一部分，位于 src\u002Fvisualizer\u002Fopengl 目录下。\n\n### MeshCat 可视化\n\n* [MeshCat](https:\u002F\u002Fgithub.com\u002Frdeits\u002Fmeshcat)，一个基于 WebGL 的 Web 可视化工具\n\n提供了 C++ ZMQ 接口。\n\n在运行示例之前，请先安装 Python、pip 和 meshcat，启动 meshcat-server，并打开浏览器（推荐使用 Chrome 以获得更好的 three.js 体验）。\n```\npip install meshcat\nmeshcat-server --open\n这将打开 Chrome 浏览器，访问 http:\u002F\u002Flocalhost:7000\u002Fstatic\u002F\n然后编译并运行 tiny_urdf_parser_meshcat_example，使用优化\u002F发布版本进行构建。\n```\n\n可以使用基于 TinyXML2 的解析器加载 URDF 文件。\n\nMeshCat 可视化的所有依赖项均已包含在 third_party 目录中。\n\n---\n\n*免责声明：这不是 Google 的官方产品。*","# Tiny Differentiable Simulator 快速上手指南\n\nTiny Differentiable Simulator (TDS) 是一个无依赖的头文件 C++ (及 CUDA) 物理库，支持刚体动力学、前向\u002F逆向动力学及多种接触模型。其核心特性是支持自动微分（Forward\u002FReverse Mode），可无缝对接 CppAD、Stan Math 或 Ceres 等库，同时也支持定点整数运算以实现跨平台确定性计算。\n\n## 环境准备\n\n*   **操作系统**: Linux, macOS 或 Windows (需支持 CMake)\n*   **编译器**: 支持 **C++17** 标准的编译器 (如 GCC 7+, Clang 5+, MSVC 2019+)\n*   **构建工具**: CMake\n*   **可选依赖 (用于可视化)**:\n    *   **OpenGL 3+**: 用于原生 `tiny_opengl3_app` 可视化器。\n    *   **Python & pip**: 用于 MeshCat Web 可视化。\n    *   **MeshCat**: Python 包 (`meshcat`) 及运行中的 `meshcat-server`。\n    *   **浏览器**: 推荐 Chrome (以获得最佳的 three.js 体验)。\n\n> **注意**: 核心库本身零依赖。若仅需编译库或使用 OpenGL 可视化，无需安装 Python 环境。\n\n## 安装步骤\n\nTDS 采用标准的 CMake 构建流程。请在终端执行以下命令：\n\n```bash\nmkdir build\ncd build\ncmake ..\nmake -j\n```\n\n*注：`-j` 参数将利用所有可用 CPU 核心加速编译。如需构建 Release 优化版本，可在 cmake 阶段添加 `-DCMAKE_BUILD_TYPE=Release`。*\n\n## 基本使用\n\n### 1. 代码集成\n由于 TDS 是 **header-only** 库，无需链接额外的 `.lib` 或 `.so` 文件。只需在 CMakeLists.txt 中包含头文件路径，并在 C++ 代码中引入即可：\n\n```cpp\n#include \"tiny_simulator.h\"\n\u002F\u002F 支持模板化标量类型，例如：\n\u002F\u002F using Scalar = double; \n\u002F\u002F using Scalar = ceres::Jet\u003Cdouble, N>; \n\u002F\u002F using Scalar = CppAD::AD\u003Cdouble>;\n```\n\n### 2. 运行可视化示例\n\nTDS 提供两种主要的可视化方式：\n\n#### 方案 A：MeshCat Web 可视化 (推荐)\n适合远程调试或在无图形界面服务器上使用。\n\n1.  **安装 Python 依赖**:\n    ```bash\n    pip install meshcat\n    # 国内用户如遇下载慢，可使用清华源：\n    # pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple meshcat\n    ```\n\n2.  **启动可视化服务**:\n    ```bash\n    meshcat-server --open\n    ```\n    系统将自动打开浏览器访问 `http:\u002F\u002Flocalhost:7000\u002Fstatic\u002F`。\n\n3.  **编译并运行示例**:\n    确保在 `build` 目录下编译了 `tiny_urdf_parser_meshcat_example` (通常在 Release 模式下性能最佳)，然后运行该可执行文件。它将加载 URDF 模型并通过 ZMQ 接口推送到网页端显示。\n\n#### 方案 B：OpenGL 原生可视化\n适合本地开发且具备图形显卡的环境。\n\n直接编译并运行 `tiny_opengl3_app` 目标：\n```bash\n# 在 build 目录中\n.\u002Ftiny_opengl3_app\n```\n该应用位于 `src\u002Fvisualizer\u002Fopengl`，可直接渲染仿真场景。\n\n### 3. 加载模型\nTDS 内置了基于 TinyXML2 的 URDF 解析器，可直接加载标准的机器人描述文件 (`.urdf`) 进行动力学仿真。","某机器人研发团队正在为四足机器狗开发基于强化学习的复杂地形适应算法，需要高频次训练策略网络以应对真实世界的物理不确定性。\n\n### 没有 tiny-differentiable-simulator 时\n- **梯度获取困难**：传统物理引擎（如 Bullet 或 MuJoCo）不支持自动微分，团队必须使用样本效率极低的黑盒优化算法，或通过有限差分法近似梯度，导致训练收敛缓慢且不稳定。\n- **仿真速度瓶颈**：在单张 RTX 2080 显卡上难以并行运行数千个环境实例，数据采集速度慢，无法在合理时间内完成大规模强化学习所需的亿级步数训练。\n- **部署依赖沉重**：现有方案往往依赖庞大的外部库和复杂的运行时环境，使得将训练好的策略迁移到嵌入式边缘设备时面临严重的兼容性和体积问题。\n- **模拟与现实差距大**：由于缺乏可微分的接触模型和精确的驱动器动力学（如 SEA），仿真中的摩擦和弹性行为与真实硬件偏差较大，导致“虚实迁移”失败率高。\n\n### 使用 tiny-differentiable-simulator 后\n- **端到端梯度传播**：利用其头文件模板化设计，团队直接结合 CppAD 或 Stan Math 实现前向与反向模式自动微分，精准计算物理状态对控制参数的梯度，大幅提升了策略网络的收敛速度。\n- **GPU 大规模并行**：借助原生 CUDA 支持，在单卡上即可同时运行数千个仿真实例并保持 50 FPS 高帧率，将数据采集效率提升了两个数量级，缩短了研发周期。\n- **零依赖轻量部署**：作为无外部依赖的纯头文件 C++ 库，代码可直接嵌入资源受限的机器人控制器中，实现了从训练到部署的无缝衔接，且保证了跨平台的确定性计算。\n- **高保真物理建模**：通过内置的脉冲级 LCP 接触模型及串联弹性驱动器（SEA）动力学，仿真结果高度逼近真实物理特性，显著缩小了 Sim2Real 差距，让机器狗在真机上一次成功。\n\ntiny-differentiable-simulator 通过提供高性能、可微分且零依赖的物理仿真内核，彻底解决了机器人强化学习中梯度难算、仿真慢及虚实迁移难的三大核心痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ferwincoumans_tiny-differentiable-simulator_edd28a1a.png","erwincoumans",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ferwincoumans_c3d3fe7c.jpg","NVIDIA, Physics Simulation, Robotics Learning.","http:\u002F\u002Ftwitter.com\u002Ferwincoumans","https:\u002F\u002Fgithub.com\u002Ferwincoumans",[80,84,88,92,96,100,104,108],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",81.5,{"name":85,"color":86,"percentage":87},"C","#555555",14.5,{"name":89,"color":90,"percentage":91},"Python","#3572A5",2.8,{"name":93,"color":94,"percentage":95},"Objective-C","#438eff",0.5,{"name":97,"color":98,"percentage":99},"CMake","#DA3434",0.4,{"name":101,"color":102,"percentage":103},"GLSL","#5686a5",0.2,{"name":105,"color":106,"percentage":107},"Batchfile","#C1F12E",0.1,{"name":109,"color":110,"percentage":107},"Shell","#89e051",1356,137,"2026-03-28T15:27:23","Apache-2.0",4,"Linux, macOS, Windows","可选。若需并行加速则必需 NVIDIA GPU（示例提及 RTX 2080），需支持 CUDA；CPU 模式下无需 GPU。","未说明",{"notes":120,"python":121,"dependencies":122},"该库为纯头文件库，零外部依赖。代码已模板化，支持自动微分标量类型（如 CppAD, Stan Math, ceres::Jet）或普通浮点数。若使用 MeshCat 可视化，需安装 Python、pip 和 meshcat，并运行 meshcat-server，推荐使用 Chrome 浏览器。固定点整数数学运算可提供跨平台确定性计算。","未说明（仅在使用 MeshCat 可视化或运行相关示例时需要安装 Python）",[97,123,124,125,126,127],"C++17 兼容编译器","CUDA (可选，用于 GPU 加速)","TinyXML2 (内置)","MeshCat (可选，用于 Web 可视化)","pyzmq (可选，用于 MeshCat C++ 接口)",[14,129],"其他","2026-03-27T02:49:30.150509","2026-04-08T17:47:44.648274",[133,138,143,148,153,158],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},24876,"编译时出现 'undefined reference to xg::newGuid()' 错误怎么办？","这通常是因为缺少 UUID 开发库。在 Ubuntu\u002FDebian 系统上，请运行以下命令安装依赖：\nsudo apt-get install uuid-dev\n\n如果是在重构分支（refactor branch）或需要手动配置 CMake，请确保在 third_party\u002Fcrossguid 的 CMakeLists.txt 中正确链接 uuid 库：\nIF(APPLE)\n    target_compile_definitions(crossguid PUBLIC GUID_LIBUUID PRIVATE GUID_LIBUUID)\n    target_link_libraries(crossguid PUBLIC uuid PRIVATE uuid)\nELSE()\n    target_compile_definitions(crossguid PUBLIC GUID_LIBUUID PRIVATE GUID_LIBUUID)\n    target_link_libraries(crossguid PUBLIC uuid PRIVATE uuid)\nENDIF()","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F17",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},24877,"模拟浮动基座（floating base）或球头关节时遇到问题如何解决？","浮动基座和球头关节的功能现已修复并可靠运行。关键注意事项是：确保基座连杆（base link）没有任何惯性质心偏移（inertial center of mass offset）。如果仍有问题，可以参考相关的修复补丁（如 PR #163）来更新代码。","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F91",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},24878,"用于生成动力学模型代码（如 omp_model_ant_forward_zero.h）的工具是什么？","该项目使用 cppad-codegen 工具来生成优化的动力学模型代码。你可以尝试运行项目中的 build_libs* 脚本来启用 cppad 和 cppad-codegen 支持，以便自行生成类似的模型代码。","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F205",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},24879,"为什么导入 pytinydiffsim_ad 模块失败或提示属性不存在？","这是一个已知的问题，部分 Python 绑定（如 pytinydiffsim_ad）可能未正确编译或 API 已发生变更。由于这是一个活跃的研究项目，API 变动较快。建议检查是否成功构建了带有 CppAD 支持的版本。如果某些示例（如 b_urdf_structs_example.py）报错提示缺少 'set_base_position' 属性，可能是因为该示例已过时或与当前主分支代码不兼容。建议参考当前能正常运行的示例（如 e_load_urdf.py）来学习正确的用法，或从最新的 master 分支重新构建。","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F192",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},24880,"torch_example.cpp 编译报错，提示无法将 at::Tensor 转换为 btScalar 怎么办？","这是因为示例代码中缺少从 PyTorch Tensor 到 Bullet 标量类型的显式转换。在其他函数中可以看到使用 TinyConstants::scalar_from_double() 进行转换的写法。你需要手动修改报错处的代码，提取 Tensor 中的数值并转换为标量，例如：\njoint.joint_origin_xyz.setValue(\n    TinyConstants::scalar_from_double(pos.getOrigin()[0]),\n    TinyConstants::scalar_from_double(pos.getOrigin()[1]),\n    TinyConstants::scalar_from_double(pos.getOrigin()[2])\n);\n注意：由于核心代码正在重构，建议从当前的 master 分支（原 refactor 分支）拉取最新代码，因为文件结构已发生较大变化，旧示例可能无法直接编译。","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F21",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},24881,"该项目是否支持移植到 Web 平台（WASM\u002FWebGL）运行？","目前官方没有明确的 Web 移植计划，但技术上是可行的。C++17 标准已被 Emscripten 支持，理论上可以将代码编译为 WASM 并在浏览器中运行。如果有兴趣，开发者可以尝试使用 Emscripten 工具链自行进行移植实验，利用 GPU 加速仿真或将状态保留在 GPU 上。","https:\u002F\u002Fgithub.com\u002Ferwincoumans\u002Ftiny-differentiable-simulator\u002Fissues\u002F188",[164,169],{"id":165,"version":166,"summary_zh":167,"released_at":168},154354,"cuda_laikago_codegen2","详情请参见 https:\u002F\u002Ftwitter.com\u002Ferwincoumans\u002Fstatus\u002F1340056288902795266\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=sWYRH-bGD3M\n为 CUDA Laikago 代码生成示例提供了预编译的 Windows 二进制文件。需要配备高性能 NVIDIA 显卡（已测试过 GeForce RTX 2080）。\n您可以指定 Laikago 的数量（建议设置为 2 的幂次方，例如 16、256、1024、2048 或 8192）。\n当 Laikago 数量较多时，构建图形网格可能需要较长时间，此问题将在后续版本中修复。","2020-12-18T23:09:32",{"id":170,"version":171,"summary_zh":172,"released_at":173},154355,"cuda_laikago_codegen","详情请参见 https:\u002F\u002Ftwitter.com\u002Ferwincoumans\u002Fstatus\u002F1340056288902795266\nhttps:\u002F\u002Fwww.youtube.com\u002Fwatch?v=sWYRH-bGD3M\n为 CUDA Laikago 代码生成示例提供了预编译的 Windows 二进制文件。需要配备高性能 NVIDIA 显卡（已测试过 GeForce RTX 2080）。\n您可以指定 Laikago 的数量（可能需要是 2 的幂，例如 16、256、1024、2048 或 8192）。\n当 Laikago 数量较多时，构建图形网格可能需要较长时间，此问题将在后续版本中修复。","2020-12-19T08:44:23"]