UAV-path-planning
UAV-path-planning 是一个基于深度强化学习的开源项目，专注于解决单架或多架无人机在复杂环境中的自主路径规划难题。它通过智能算法让无人机能够自动避开障碍物、优化飞行路线，并实现多机之间的高效协同作业，从而替代传统依赖人工预设轨迹的低效模式。
该项目特别适合人工智能研究人员、机器人领域开发者以及高校师生使用。其核心亮点在于集成了两种前沿算法：一是基于 MASAC（多智能体软演员 - 评论家）算法的多无人机协同规划，相关成果已发表于《中国科学：信息科学》；二是基于最大熵安全强化学习的单机规划，兼顾了探索效率与飞行安全性。项目采用 PyTorch 框架搭建，代码结构模块化且易于扩展，并配套了详细的 B 站视频教程，极大降低了学习门槛。无论是希望复现学术论文实验的研究者，还是想要快速上手无人机智能控制算法的开发者，都能从中获得实用的代码参考与技术启发。
使用场景
某应急救援团队需要在震后复杂山区快速部署多架无人机，协同搜索被困人员并规避动态障碍物。
没有 UAV-path-planning 时
- 路径规划僵化：依赖预设航点或传统算法，无人机无法实时感知突发障碍（如塌方、飞鸟），极易发生碰撞事故。
- 协同效率低下：多机任务分配靠人工粗略划分，常出现多架无人机重复扫描同一区域，而盲区却无人覆盖的情况。
- 开发门槛极高：研发团队需从零搭建强化学习环境，调试多智能体奖励函数耗时数月，难以快速响应紧急任务。
- 安全性无保障：缺乏基于最大熵的安全机制，无人机在探索未知环境时容易采取激进策略，导致坠机风险激增。
使用 UAV-path-planning 后
- 动态自适应避障：基于深度强化学习（如 MASAC 算法），无人机能实时感知环境变化，自主规划出平滑且安全的避让轨迹。
- 智能协同覆盖：多机系统自动协商任务分工，实现区域搜索全覆盖且无冗余，整体搜救效率提升显著。
- 开箱即用高效：直接复用基于 PyTorch 和 Gym 的成熟代码框架，配合视频教程，团队可在数天内完成模型训练与部署。
- 安全探索机制：引入最大熵安全强化学习，确保无人机在探索未知区域时保持策略的随机性与安全性，大幅降低坠机率。
UAV-path-planning 将原本需要数月研发的多机协同避障能力转化为可立即部署的实战方案，极大提升了复杂环境下的无人系统作业效能。
运行环境要求
- 未说明
需要 NVIDIA GPU (PyTorch 版本指定为 cu113，即 CUDA 11.3)，显存大小未说明
未说明
快速开始
一、 《基于MASAC强化学习算法的多无人机协同路径规划》
- 代码：如果您来自论文《基于MASAC强化学习算法的多无人机协同路径规划》，请看文件“Multi-UAVs path planning”。
- 引用格式：方城亮, 杨飞生, 潘泉. 基于MASAC强化学习算法的多无人机协同路径规划[J]. 中国科学: 信息科学, 2024, 54(8): 1871-1883.
- 24年12月15日0:38留言，视频教程已出（上集 and 下集），建议新手小白们看github代码时配合视频一起服用，效果更加呦~~~ :smiley:，视频地址请见： https://www.bilibili.com/video/BV1FUBHYNE9u/?vd_source=b94eb1c3a80dbcc148ebec37b6e5ff87
二、 《基于最大熵安全强化学习的无人机路径规划》
- 代码：如果您来自论文《基于最大熵安全强化学习的无人机路径规划》，请看文件“Single UAV path planning”。
- 引用格式：杨飞生, 方城亮, 梁睿桀. 基于最大熵安全强化学习的无人机路径规划[C]. 国际制导、导航与控制学术会议, 2024.
框架
PyTorch 框架
如何使用
这里有一个关于多无人机路径规划的视频教程，github代码配合视频教程，效果更佳~~:
https://www.bilibili.com/video/BV1FUBHYNE9u/?vd_source=b94eb1c3a80dbcc148ebec37b6e5ff87
还有一个关于单无人机路径规划的视频教程~~:
依赖包
| 依赖包 | 版本 |
|---|---|
| Python | 3.8 |
| Pygame | 2.1.2 |
| Gym | 0.19.0 |
| Pytorch | 1.10.0+cu113 |
| Numpy | 1.23.1 |
| Matplotlib | 3.5.1 |
| Pickle | 找不到可用Pickle4或Pickle5代替 |
致谢
- 无人机路径规划的代码是站在巨人肩膀上完成的，在此，对讲解强化学习算法的莫烦老师和百度世界冠军团队表示感谢，对Pygame、Gym、Pytorch等库的作者们及其开源社区表示感谢。
- 无人机路径规划的环境搭建，其代码框架的设计借鉴了B站up主趣派编程的马里奥复现，这使得此代码更模块化、更具封装性。感谢此视频给予的灵感，否则，真要一个main函数main到底了😂。
贡献
- 请随意创建留言、提问与请求。
支持
- 如果您觉得这个仓库很有用、有帮到你，可以考虑给它点个星(★)，以致于此仓库能让更多受众看到。
版本历史
tag2025/08/27相似工具推荐
ML-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。 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。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
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。 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。 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。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。