[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-motional--nuplan-devkit":3,"tool-motional--nuplan-devkit":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",138956,2,"2026-04-05T11:33:21",[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":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":115,"forks":116,"last_commit_at":117,"license":118,"difficulty_score":119,"env_os":120,"env_gpu":120,"env_ram":120,"env_deps":121,"category_tags":130,"github_topics":131,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":136,"updated_at":137,"faqs":138,"releases":172},2592,"motional\u002Fnuplan-devkit","nuplan-devkit","The devkit of the nuPlan dataset.","nuplan-devkit 是专为 nuPlan 数据集打造的开发工具包，旨在服务于全球首个自动驾驶规划基准测试。它核心解决了自动驾驶车辆在复杂交通场景中“如何决策与规划路径”的难题，提供了一套完整的仿真环境、评估指标及数据接口，帮助开发者验证算法在真实路况下的安全性与舒适性。\n\n这套工具主要面向自动驾驶领域的研究人员、算法工程师及相关专业的学生。如果你正在从事端到端驾驶模型训练、行为预测或运动规划研究，nuplan-devkit 将是不可或缺的助手。其技术亮点在于支持大规模真实世界传感器数据的加载与分析，内置高效的仿真模拟器可重现各类边缘案例（Corner Cases），并提供了可视化的 nuBoard 仪表盘以便直观调试。此外，工具包还集成了针对国际规划挑战赛的提交框架，支持 Docker 容器化部署，确保实验结果的可复现性与公平对比。无论是学术探索还是工业级算法迭代，nuplan-devkit 都能为用户提供从数据处理到模型评估的一站式解决方案。","\u003Cdiv align=\"center\">\n\n# Motional\u003Csup>TM\u003C\u002Fsup> nuPlan\u003Csup>TM\u003C\u002Fsup>\n\n**The world's first benchmark for autonomous vehicle planning.**\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_c80e50360356.png\" width=\"350px\">\u003C\u002Fp>\n\n\n\n______________________________________________________________________\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.nuplan.org\u002F\">Website\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download\">Download\u003C\u002Fa> •\n  \u003Ca href=\"#citation\">Citation\u003C\u002Fa>\u003Cbr>\n  \u003Ca href=\"#changelog\">Changelog\u003C\u002Fa> •\n  \u003Ca href=\"#devkit-structure\">Structure\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Finstallation.md\">Setup\u003C\u002Fa> \u003Cbr>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Ftutorials\u002Fnuplan_framework.ipynb\">Tutorial\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F\">Documentation\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Feval.ai\u002Fweb\u002Fchallenges\u002Fchallenge-page\u002F1856\u002Foverview\">Competition\u003C\u002Fa>\n\u003C\u002Fp>\n\n[![python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-%20%203.9-blue.svg)]()\n[![license](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002FLICENSE.txt)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_13d664e1afd7.png)](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\n______________________________________________________________________\n\n\u003Cbr>\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_6dfbe3694130.png\" width=\"500px\">\u003C\u002Fp>\n\n\u003C\u002Fdiv>\n\n______________________________________________________________________\n## Sensor Data Release\n#### IMPORTANT: The file structure has changed! Please check [Dataset Setup](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Fdataset_setup.md) page for the updated file structure.\n- The nuPlan sensor data for the v1.1 dataset has been released. Please download the latest dataset from the nuPlan [page](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download).\n- Due to the size of the sensor data, it will be released gradually. This first set of sensor data are the blobs corresponding to nuPlan mini.\n- A short tutorial for the sensor data is provided `nuplan_sensor_data_tutorial.ipynb` to get you started.\n______________________________________________________________________\n## Planning challenges\n#### IMPORTANT: The base docker image used in nuPlan submission has been updated. You should rebuild your submission container with the new `Dockerfile.submission`\n\n- The Planning Challenge will be using devkit version 1.2 from now on. Submissions generated from version v1.1 should remain compatible. However, please double-check by submitting to the warm-up phase.\n- The challenge will be presented as part of the [End-to-End Autonomous Driving](https:\u002F\u002Fopendrivelab.com\u002Fevent\u002Fcvpr23_ADworkshop) workshop at CVPR 2023\n- The nuPlan Dataset v1.1 has been released. Please download the latest dataset from the nuPlan [page](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download).\n______________________________________________________________________\n\n## Changelog\n- May 11th 2023\n  * v1.2.2 Devkit: Upated the submission base images.\n- May 9th 2023\n  * v1.2.1 Devkit: Update to competition dates. Submission Deadline extended to May 26th, 2023.\n- April 25th 2023\n  * v1.2 Devkit: The nuPlan sensor data have been released! Improved feature caching and nuBoard dashboard functionality. Changed dataset file structure, data interfaces now allow retrieval of sensor data. Pinned several packages including hydra, numpy and sqlalchemy.\n- January 20th 2023\n  * v1.1 Devkit: The official nuPlan Challenge Release. Optimized training caching, simulation improvements, shapely 2.0 update. \n- Oct 13th 2022\n  * v1.1 Dataset: Full nuPlan dataset - improved route plan, traffic light status, mission goal and more!\n  * v1.0 Devkit: Update to nuplan-v1.1 dataset, metrics improvements, route plan fixes, documentation, IDMPlanner\n- Sep 09 2022\n  * v0.6 Devkit: Smart agents optimizations, nuBoard improvements, metrics improvements, submission pipeline deployment and documentation.\n- Aug 26 2022\n  * v0.5 Devkit: New map features, simulation improvements, open-loop detections with smart agents, iLQR tracker, metrics improvements and documentation.\n- Aug 05 2022\n  * v0.4 Devkit: Database optimization, PYGEOS warning suppression, metrics improvements, scenario filter for training.\n- Jul 15 2022\n  * v0.3 Devkit: Updates to the devit including but not limited to: nuBoard update, reduce RAM usage during caching and training, new map APIs, simulation and metrics runtime improvements.\n- Jun 10 2022\n  * v1.0 Dataset: Full nuPlan dataset release with over 1,300 hours of driving data (15,000+ logs) across 4 cities (Las Vegas, Pittsburgh, Boston, Singapore).\n  * v0.2 Devkit: Multiple devkit updates with improvements across the whole framework (planning models, training, simulation, metrics, dashboard, tutorials and more).\n- Dec 19 2021\n  * v0.2 Dataset: Fixed bugs in the teaser nuPlan dataset.\n- Dec 10 2021\n  * v0.1 Dataset: Initial teaser nuPlan dataset release with over 200 hours of driving data (350+ logs) across Las Vegas.\n  * v0.1 Devkit: Initial nuPlan devkit release.\n\n\n______________________________________________________________________\n\n## Devkit and dataset setup\nPlease refer to the [installation page](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002Finstallation.html) for detailed instructions on how to setup the devkit.\n\nPlease refer to the [dataset page](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002Fdataset_setup.html) for detailed instructions on how to download and setup the dataset.\n\n______________________________________________________________________\n\n## Getting started\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_68cf86c08dc5.png\" width=\"350px\">\u003C\u002Fp>\nFor those interested in participating in the Motional\u003Csup>TM\u003C\u002Fsup> nuPlan\u003Csup>TM\u003C\u002Fsup> Planning Competition, please refer to the competition landing [page](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F).\n\nPlease follow these steps to make yourself familiar with the nuPlan dataset:\n- Familiarize yourself with the main [features of nuPlan](https:\u002F\u002Fwww.nuplan.org) and the [dataset description](https:\u002F\u002Fwww.nuplan.org\u002Fnuplan).\n- Setup the devkit and dataset as described [above](#devkit-and-dataset-setup).\n- Walk through the tutorials in [this folder](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Ftutorials\u002F) or run them yourself using `jupyter notebook ~\u002Fnuplan-devkit\u002Ftutorials\u002F\u003Cfilename>.ipynb` and replacing `\u003Cfilename>` with the tutorial's name. The following tutorials are available:\n  - `nuplan_framework.ipynb`: Main tutorial for anyone who wants to dive right into ML planning.\n  It describes how to 1) train an ML planner, 2) simulate it, 3) measure the performance and 4) visualize the results.\n  - `nuplan_scenario_visualization.ipynb`: Tutorial for visualizing various scenario types contained within the nuPlan dataset (e.g. unprotected turns, lane changes, interactions with pedestrians and more).\n  - `nuplan_planner_tutorial.ipynb`: Tutorial with instructions on how to develop and simulate a planner from scratch within the nuPlan framework.\n  - `nuplan_advanced_model_training.ipynb`: This notebook will cover the details involved in training a planning model in the NuPlan framework. This notebook is a more detailed deep dive into the NuPlan architecture, and covers the extensibility points that can be used to build customized models in the NuPlan framework.\n\n- Familiarize yourself with the nuPlan CLI, which gets installed by installing the devkit using `pip` (editable and not)\n  by running:\n  ```\n  nuplan_cli --help\n  nuplan_cli COMMAND --help\n  ```\n- Read the [nuPlan paper](https:\u002F\u002Fwww.nuplan.org\u002Fpublications) to understand the details behind the dataset.\n\n______________________________________________________________________\n\n## Performance tuning guide\nTraining configurations are important to ensure your expected system performance, for example preprocessing cost, training speed, and numerical stability. If you encounter problems related to aforementioned aspects, please refer to [performance tuning guide](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Fperformance_tuning_guide.md) to find potential solutions.\n\n______________________________________________________________________\n\n## Devkit structure\nOur code is organized in these directories:\n\n```\nnuplan_devkit\n├── ci              - Continuous integration code - not relevant for average users.\n├── docs            - Readmes and other documentation of the repo and dataset.\n├── nuplan          - The main source folder.\n│   ├── common      - Code shared by \"database\" and \"planning\".\n│   ├── database    - The core devkit used to load and render nuPlan dataset and maps.\n│   ├── planning    - The stand-alone planning framework for simulation, training and evaluation.\n│   ├── submission  - The submission engine used for the planning challenge.\n│   └── cli         - Command line interface tools for the nuPlan database.\n└── tutorials       - Interactive tutorials, see \"Getting started\".\n```\n______________________________________________________________________\n\n\n## Citation\nPlease use the following citation when referencing [nuPlan](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11810):\n```\n@INPROCEEDINGS{nuplan, \n  title={NuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles},\n  author={H. Caesar, J. Kabzan, K. Tan et al.,},\n  booktitle={CVPR ADP3 workshop},\n  year=2021\n}\n```\n","\u003Cdiv align=\"center\">\n\n# Motional\u003Csup>TM\u003C\u002Fsup> nuPlan\u003Csup>TM\u003C\u002Fsup>\n\n**全球首个自动驾驶规划基准测试。**\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_c80e50360356.png\" width=\"350px\">\u003C\u002Fp>\n\n\n\n______________________________________________________________________\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.nuplan.org\u002F\">官网\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download\">下载\u003C\u002Fa> •\n  \u003Ca href=\"#citation\">引用\u003C\u002Fa>\u003Cbr>\n  \u003Ca href=\"#changelog\">更新日志\u003C\u002Fa> •\n  \u003Ca href=\"#devkit-structure\">开发套件结构\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Finstallation.md\">安装指南\u003C\u002Fa> \u003Cbr>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Ftutorials\u002Fnuplan_framework.ipynb\">教程\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F\">文档\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Feval.ai\u002Fweb\u002Fchallenges\u002Fchallenge-page\u002F1856\u002Foverview\">竞赛\u003C\u002Fa>\n\u003C\u002Fp>\n\n[![python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-%20%203.9-blue.svg)]()\n[![license](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002FLICENSE.txt)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_13d664e1afd7.png)](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\n______________________________________________________________________\n\n\u003Cbr>\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_6dfbe3694130.png\" width=\"500px\">\u003C\u002Fp>\n\n\u003C\u002Fdiv>\n\n______________________________________________________________________\n## 传感器数据发布\n#### 重要提示：文件结构已更改！请查看 [数据集设置](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Fdataset_setup.md) 页面，了解更新后的文件结构。\n- nuPlan v1.1 数据集的传感器数据现已发布。请从 nuPlan [页面](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download) 下载最新数据集。\n- 由于传感器数据体积较大，将分阶段逐步发布。首批发布的传感器数据对应于 nuPlan mini 数据子集。\n- 我们提供了一个简短的传感器数据使用教程 `nuplan_sensor_data_tutorial.ipynb`，帮助您快速上手。\n______________________________________________________________________\n## 规划挑战赛\n#### 重要提示：nuPlan 提交所使用的基础 Docker 镜像已更新。请使用新的 `Dockerfile.submission` 重新构建您的提交容器。\n\n- 规划挑战赛自即日起将采用开发套件版本 1.2。由版本 1.1 生成的提交应保持兼容性。不过，建议您通过参与热身阶段来再次确认。\n- 该挑战赛将在 CVPR 2023 的 [端到端自动驾驶](https:\u002F\u002Fopendrivelab.com\u002Fevent\u002Fcvpr23_ADworkshop) 研讨会上进行展示。\n- nuPlan 数据集 v1.1 已发布。请从 nuPlan [页面](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download) 下载最新数据集。\n______________________________________________________________________\n\n## 更新日志\n- 2023年5月11日\n  * 开发套件 v1.2.2：更新了提交用的基础镜像。\n- 2023年5月9日\n  * 开发套件 v1.2.1：更新了竞赛日期。提交截止日期延长至2023年5月26日。\n- 2023年4月25日\n  * 开发套件 v1.2：nuPlan 传感器数据正式发布！优化了特征缓存和 nuBoard 控制台功能。调整了数据集文件结构，新接口支持传感器数据的获取。固定了 hydra、numpy 和 sqlalchemy 等多个软件包版本。\n- 2023年1月20日\n  * 开发套件 v1.1：正式发布 nuPlan 挑战赛。优化了训练缓存，改进了仿真功能，并升级至 shapely 2.0。\n- 2022年10月13日\n  * 数据集 v1.1：完整 nuPlan 数据集——优化了路线规划、交通信号灯状态、任务目标等！\n  * 开发套件 v1.0：适配 nuplan-v1.1 数据集，改进了评估指标，修复了路线规划问题，并完善了文档和 IDMPlanner。\n- 2022年9月9日\n  * 开发套件 v0.6：优化了智能代理，改进了 nuBoard 控制台，提升了评估指标，部署了提交流程并完善了文档。\n- 2022年8月26日\n  * 开发套件 v0.5：新增地图功能，改进了仿真效果，实现了基于智能代理的开环检测和 iLQR 跟踪器，同时提升了评估指标和文档质量。\n- 2022年8月5日\n  * 开发套件 v0.4：优化了数据库性能，抑制了 PYGEOS 警告信息，提升了评估指标，并增加了用于训练的场景筛选功能。\n- 2022年7月15日\n  * 开发套件 v0.3：对开发套件进行了多项更新，包括但不限于：nuBoard 控制台升级、降低缓存和训练过程中的内存占用、新增地图 API 以及提升仿真和评估指标的运行效率。\n- 2022年6月10日\n  * 数据集 v1.0：完整 nuPlan 数据集发布，包含来自拉斯维加斯、匹兹堡、波士顿和新加坡四个城市超过 1,300 小时的驾驶数据（15,000 多条日志）。\n  * 开发套件 v0.2：对开发套件进行了多处更新，涵盖了整个框架的改进（规划模型、训练、仿真、评估指标、控制台、教程等）。\n- 2021年12月19日\n  * 数据集 v0.2：修复了预告版 nuPlan 数据集中的 bug。\n- 2021年12月10日\n  * 数据集 v0.1：首次发布预告版 nuPlan 数据集，包含来自拉斯维加斯超过 200 小时的驾驶数据（350 多条日志）。\n  * 开发套件 v0.1：首次发布 nuPlan 开发套件。\n\n\n______________________________________________________________________\n\n## 开发套件与数据集设置\n请参阅 [安装指南](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002Finstallation.html) 以获取详细的开发套件安装说明。\n\n请参阅 [数据集设置指南](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002Fdataset_setup.html) 以获取详细的数据集下载和设置说明。\n\n______________________________________________________________________\n\n## 入门指南\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_readme_68cf86c08dc5.png\" width=\"350px\">\u003C\u002Fp>\n对于有兴趣参与 Motional\u003Csup>TM\u003C\u002Fsup> nuPlan\u003Csup>TM\u003C\u002Fsup> 规划竞赛的人员，请参阅竞赛 landing [页面](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F)。\n\n请按照以下步骤熟悉 nuPlan 数据集：\n- 了解 nuPlan 的主要 [功能](https:\u002F\u002Fwww.nuplan.org) 和 [数据集说明](https:\u002F\u002Fwww.nuplan.org\u002Fnuplan)。\n- 按照[上述](#devkit-and-dataset-setup)说明设置开发工具包和数据集。\n- 浏览[此文件夹](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Ftutorials\u002F)中的教程，或使用 `jupyter notebook ~\u002Fnuplan-devkit\u002Ftutorials\u002F\u003Cfilename>.ipynb` 命令自行运行，并将 `\u003Cfilename>` 替换为相应教程的名称。目前提供以下教程：\n  - `nuplan_framework.ipynb`：适合希望直接深入机器学习规划的用户的主要教程。该教程介绍了如何 1) 训练一个机器学习规划器，2) 进行仿真，3) 评估性能，以及 4) 可视化结果。\n  - `nuplan_scenario_visualization.ipynb`：用于可视化 nuPlan 数据集中包含的各种场景类型（例如无保护左转、变道、与行人交互等）的教程。\n  - `nuplan_planner_tutorial.ipynb`：介绍如何在 nuPlan 框架内从头开始开发并仿真规划器的教程。\n  - `nuplan_advanced_model_training.ipynb`：本笔记本将详细介绍在 NuPlan 框架中训练规划模型的相关细节。它更深入地探讨了 NuPlan 架构，并涵盖了可用于在 NuPlan 框架中构建自定义模型的扩展点。\n\n- 熟悉 nuPlan CLI 工具，该工具可通过使用 `pip` 安装开发工具包时一并安装（可编辑版和不可编辑版均可），运行以下命令即可查看帮助信息：\n  ```\n  nuplan_cli --help\n  nuplan_cli COMMAND --help\n  ```\n- 阅读[nuPlan 论文](https:\u002F\u002Fwww.nuplan.org\u002Fpublications)，以深入了解该数据集的细节。\n\n______________________________________________________________________\n\n## 性能调优指南\n训练配置对于确保系统达到预期性能至关重要，例如预处理开销、训练速度和数值稳定性。如果您遇到与上述方面相关的问题，请参考[性能调优指南](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Fperformance_tuning_guide.md)，以寻找可能的解决方案。\n\n______________________________________________________________________\n\n## 开发工具包结构\n我们的代码组织如下：\n\n```\nnuplan_devkit\n├── ci              - 持续集成代码 - 对普通用户不重要。\n├── docs            - 仓库和数据集的 README 文件及其他文档。\n├── nuplan          - 主要源代码目录。\n│   ├── common      - “数据库”和“规划”共享的代码。\n│   ├── database    - 用于加载和渲染 nuPlan 数据集及地图的核心开发工具包。\n│   ├── planning    - 用于仿真、训练和评估的独立规划框架。\n│   ├── submission  - 用于规划挑战赛的提交引擎。\n│   └── cli         - nuPlan 数据库的命令行工具。\n└── tutorials       - 交互式教程，详见“入门指南”。\n```\n______________________________________________________________________\n\n\n## 引用\n引用[nuPlan](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11810)时，请使用以下引用格式：\n```\n@INPROCEEDINGS{nuplan, \n  title={NuPlan: 一种面向自动驾驶车辆的闭环基于机器学习的规划基准测试},\n  author={H. Caesar, J. Kabzan, K. Tan 等,},\n  booktitle={CVPR ADP3 workshop},\n  year=2021\n}\n```","# nuPlan-devkit 快速上手指南\n\nnuPlan 是全球首个自动驾驶规划基准测试平台，由 Motional 开源。本指南帮助开发者快速搭建环境并运行基础示例。\n\n## 1. 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**: Linux (推荐 Ubuntu 20.04\u002F22.04) 或 macOS。Windows 用户建议使用 WSL2 或 Docker。\n*   **Python 版本**: **Python 3.9** (严格依赖，其他版本可能导致兼容性问题)。\n*   **包管理工具**: `pip` 和 `virtualenv` (或 `conda`)。\n*   **硬件建议**: 若需训练模型或进行大规模仿真，建议配备 NVIDIA GPU 及对应的 CUDA 驱动。\n\n> **注意**：nuPlan 数据集较大，请确保有足够的磁盘空间（建议预留 50GB+ 用于数据集和缓存）。\n\n## 2. 安装步骤\n\n### 2.1 创建虚拟环境\n推荐使用 `venv` 或 `conda` 隔离环境，避免依赖冲突。\n\n```bash\n# 使用 venv\npython3.9 -m venv nuplan-env\nsource nuplan-env\u002Fbin\u002Factivate\n\n# 或者使用 conda\nconda create -n nuplan-env python=3.9\nconda activate nuplan-env\n```\n\n### 2.2 克隆代码库\n从 GitHub 获取最新源码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit.git\ncd nuplan-devkit\n```\n\n### 2.3 安装依赖\n安装开发套件及其依赖项。国内用户若遇到下载慢的问题，可临时指定清华或阿里镜像源加速。\n\n```bash\n# 标准安装\npip install -e .\n\n# 【国内加速推荐】使用清华源安装\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2.4 数据集配置\nnuPlan 的核心是数据集。您需要单独下载数据并配置路径。\n\n1.  **下载数据**: 访问 [nuPlan 下载页面](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download) 注册并下载数据集（包含地图、日志和传感器数据）。\n2.  **设置环境变量**: 下载完成后，将数据根目录路径设置为环境变量 `NUPLAN_DATA_ROOT`。\n\n```bash\n# 假设数据下载到 \u002Fdata\u002Fnuplan\nexport NUPLAN_DATA_ROOT=\u002Fdata\u002Fnuplan\n\n# 建议将上述命令添加到 ~\u002F.bashrc 或 ~\u002F.zshrc 中永久生效\necho \"export NUPLAN_DATA_ROOT=\u002Fdata\u002Fnuplan\" >> ~\u002F.bashrc\nsource ~\u002F.bashrc\n```\n\n> **重要提示**: v1.1 版本后文件结构有所变更，请务必参照官方 [Dataset Setup](https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fblob\u002Fmaster\u002Fdocs\u002Fdataset_setup.md) 文档确认目录结构正确。\n\n## 3. 基本使用\n\n安装完成后，您可以通过命令行工具或 Jupyter Notebook 快速体验。\n\n### 3.1 验证 CLI 工具\n检查命令行接口是否安装成功：\n\n```bash\nnuplan_cli --help\n```\n\n### 3.2 运行官方教程 (推荐)\nnuPlan 提供了详细的 Jupyter Notebook 教程，涵盖从数据加载、规划器训练到仿真评估的全流程。\n\n启动 Jupyter Notebook 并打开主框架教程：\n\n```bash\njupyter notebook tutorials\u002Fnuplan_framework.ipynb\n```\n\n该教程 (`nuplan_framework.ipynb`) 将引导您完成以下核心步骤：\n1.  **训练**: 训练一个基础的机器学习规划器。\n2.  **仿真**: 在仿真环境中运行该规划器。\n3.  **评估**: 计算性能指标。\n4.  **可视化**: 查看规划轨迹和场景结果。\n\n### 3.3 其他实用教程\n根据需求，您还可以运行以下特定教程：\n\n*   **场景可视化**: 浏览数据集中的不同驾驶场景（如无保护左转、行人交互等）。\n    ```bash\n    jupyter notebook tutorials\u002Fnuplan_scenario_visualization.ipynb\n    ```\n*   **从零开发规划器**: 学习如何在 nuPlan 框架内从头构建和模拟一个规划器。\n    ```bash\n    jupyter notebook tutorials\u002Fnuplan_planner_tutorial.ipynb\n    ```\n*   **高级模型训练**: 深入架构细节，定制自定义模型。\n    ```bash\n    jupyter notebook tutorials\u002Fnuplan_advanced_model_training.ipynb\n    ```\n\n### 3.4 传感器数据体验\n如果您已下载传感器数据（Sensor Data），可运行专用教程：\n\n```bash\njupyter notebook tutorials\u002Fnuplan_sensor_data_tutorial.ipynb\n```\n\n---\n*更多详细文档请参考 [nuPlan 官方文档](https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F)。*","某自动驾驶初创公司的算法团队正在研发新一代端到端规划模型，急需在复杂城市路况中验证车辆决策的安全性与舒适性。\n\n### 没有 nuplan-devkit 时\n- **数据整合困难**：团队需手动解析多源传感器日志与高精地图，花费数周清洗数据才能构建出可训练的仿真场景。\n- **评估标准缺失**：缺乏统一的行业基准，只能自定义简单的碰撞检测指标，无法量化评估车辆在无保护左转等长尾场景下的拟人化程度。\n- **仿真闭环低效**：自建仿真器物理引擎不够精准，难以复现真实交通流的动态交互，导致模型在实车部署前无法发现潜在风险。\n- **竞赛对接繁琐**：想要参与顶级学术会议的挑战赛，需额外开发大量适配代码来符合提交格式，分散了核心算法研发精力。\n\n### 使用 nuplan-devkit 后\n- **数据即插即用**：直接调用 nuplan-devkit 提供的标准化数据接口，分钟级加载包含交通灯状态、行人轨迹的全球首个规划基准数据集。\n- **权威多维评估**：内置符合工业界标准的评分体系，自动从安全性、舒适度及通行效率等多个维度输出详细报告，精准定位模型缺陷。\n- **高保真闭环测试**：利用集成的仿真环境进行大规模回归测试，在虚拟城市中重现极端工况，显著降低实车路测的风险与成本。\n- **无缝参赛部署**：通过预置的 Docker 提交模板，一键将模型封装并上传至 EvalAI 平台，轻松参与 CVPR 等顶会的自动驾驶规划挑战赛。\n\nnuplan-devkit 将原本需要数月搭建的规划验证基础设施缩短为几天，让团队能专注于核心算法创新而非重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotional_nuplan-devkit_6dfbe369.png","motional","Motional","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmotional_03c3d3bd.png","We're making self-driving vehicles a safe, reliable, and accessible reality.",null,"motionaldrive","motional.com","https:\u002F\u002Fgithub.com\u002Fmotional",[84,88,92,96,100,104,108,112],{"name":85,"color":86,"percentage":87},"Python","#3572A5",83.8,{"name":89,"color":90,"percentage":91},"Jupyter Notebook","#DA5B0B",9.2,{"name":93,"color":94,"percentage":95},"Starlark","#76d275",6.1,{"name":97,"color":98,"percentage":99},"HTML","#e34c26",0.5,{"name":101,"color":102,"percentage":103},"CSS","#663399",0.3,{"name":105,"color":106,"percentage":107},"Shell","#89e051",0.1,{"name":109,"color":110,"percentage":111},"Dockerfile","#384d54",0,{"name":113,"color":114,"percentage":111},"JavaScript","#f1e05a",980,207,"2026-04-02T22:21:49","NOASSERTION",4,"未说明",{"notes":122,"python":123,"dependencies":124},"该工具主要用于自动驾驶规划基准测试。提交竞赛时需使用特定的 Docker 镜像（Dockerfile.submission）。数据集文件结构已更新，需参考官方文档进行设置。建议使用 Docker 进行环境部署以确保证书提交兼容性。","3.9",[125,126,127,128,129],"hydra","numpy","sqlalchemy","shapely>=2.0","pygeos",[15,54,13],[132,133,134,135],"planning","machine-learning","autonomous-driving","simulation","2026-03-27T02:49:30.150509","2026-04-06T05:16:39.459211",[139,144,148,153,158,162,167],{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},12005,"提交规划器时遇到 'Trajectory computation timed out' 或 'DEADLINE_EXCEEDED' 错误怎么办？","这通常是因为 Dockerfile.submission 版本过旧或与当前 nuplan-devkit 版本不匹配。请参照相关 Issue（如 #298）手动更新 Dockerfile.submission 到最新版本。另外，检查是否在 entrypoint_submission.sh 中误注释了关键行，例如：`[ -d \"\u002Fmnt\u002Fdata\" ] && cp -r \u002Fmnt\u002Fdata\u002Fnuplan-v1.1\u002Fmaps\u002F* $NUPLAN_MAPS_ROOT`，如果注释了请恢复该行。","https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fissues\u002F308",{"id":145,"question_zh":146,"answer_zh":147,"source_url":143},12006,"提交时 checkpoint_path 配置错误或 ${NUPLAN_HOME} 为空导致失败如何解决？","在 Dockerfile.submission 中，${NUPLAN_HOME} 通常被设置为 `\u002Fnuplan_devkit`。如果您的 Hydra 配置文件指向 `\u002Fmodel.ckpt` 但报错找不到路径，可能是因为环境变量未正确解析。请检查您的配置路径是否应改为 `${NUPLAN_HOME}\u002Fmodel.ckpt` 或绝对路径 `\u002Fnuplan_devkit\u002Fmodel.ckpt`，并确保环境变量在容器启动时已正确加载。",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},12007,"Nuboard 启动后显示无数据或页面卡住不动怎么办？","Nuboard 目前仍处于开发阶段，可能存在不稳定情况。如果遇到 'agent failed to be restarted' 错误或页面长时间加载无数据，请检查 `dashboard_agent.log` 获取详细失败信息。如果是本地运行卡住，尝试重启 Ray 服务或清理之前的实验缓存。若问题持续，可暂时通过查看生成的原始日志文件或仿真输出目录来获取训练和仿真数据。","https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fissues\u002F67",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},12008,"运行 nuplan_planner_tutorial.ipynb 时内核崩溃或出现 'Canceled future' 错误如何解决？","在 Jupyter Notebook 中运行复杂仿真容易导致内核不稳定。建议将 Notebook 中的代码逻辑提取到标准的 Python 脚本文件（.py）中运行，这样更容易捕捉具体错误堆栈。例如，可以创建一个脚本并设置 `BASE_CONFIG_PATH` 指向 nuplan-devkit 根目录，然后直接通过命令行运行该脚本，避免 Notebook 环境带来的干扰。","https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fissues\u002F136",{"id":159,"question_zh":160,"answer_zh":161,"source_url":157},12009,"训练过程中运行 main_train(cfg) 一小时后报 RunError 或内存溢出怎么办？","长时间运行后报错通常与资源限制或配置不当有关。首先尝试将代码从 Notebook 迁移到独立 Python 脚本运行以获取更清晰的错误日志。其次，检查 Hydra 配置文件中的 batch size、仿真场景数量是否过大，适当减小参数进行测试。如果是在特定节点报错，可能是该节点资源不足，尝试更换运行环境或增加内存限制。",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},12010,"提交状态为 'Failed' 但 stderr 文件为空，如何排查原因？","即使 stderr 为空，平台后台通常会有更详细的超时或初始化错误记录。常见原因是规划器初始化超时（StatusCode.DEADLINE_EXCEEDED）。请检查日志中是否有 'InitializePlanner' 相关的堆栈跟踪，确认模型实例化（instantiate cfg）是否成功。如果是自定义规划器，确保其初始化过程轻量且不会阻塞主线程，必要时简化模型加载逻辑以适应容器的时间限制。","https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fissues\u002F284",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},12011,"在使用 ROS 等外部线程的规划器时，遇到 'cannot pickle _thread.RLock object' 错误如何解决？","这是因为包含线程锁的对象无法被序列化（pickle）。解决方案是在每个场景的第一步（step 函数的第一帧）动态初始化 ROS 节点，而不是在 `__init__` 中初始化。或者，利用平台会在每个场景重建 Planner 对象（调用 `__init__`）的特性，确保在 `__init__` 中不包含不可序列化的线程资源，改为懒加载或在 step 中按需创建。","https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\u002Fissues\u002F300",[173,178,183,188,193,198,203],{"id":174,"version":175,"summary_zh":176,"released_at":177},62455,"nuplan-devkit-v1.2","nuPlan v1.2 开发工具包\n\n- nuPlan 传感器数据已发布！\n- 改进了特征缓存机制。\n- 优化了 nuBoard 仪表板功能。\n- 更改了数据集文件结构。\n- 数据接口现支持获取传感器数据。\n- 锁定了多个软件包，包括 hydra、numpy 和 sqlalchemy。","2023-04-27T07:29:02",{"id":179,"version":180,"summary_zh":181,"released_at":182},62456,"nuplan-devkit-v1.1","nuplan-devkit v1.1 官方发布版，又称挑战赛版本。\n\n开始参与挑战赛\n\n- 请前往 https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan 注册并下载数据集。\n- 克隆 devkit 仓库。如有任何问题，欢迎在我们的 GitHub 仓库中提交 Issue：https:\u002F\u002Fgithub.com\u002Fmotional\u002Fnuplan-devkit\n- 请阅读竞赛详情：https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002F","2023-02-15T14:58:05",{"id":184,"version":185,"summary_zh":186,"released_at":187},62457,"nuplan-devkit-v1.0","nuPlan 开发工具包 v1.0 正式发布\r\n\r\n我们还发布了 nuPlan v1.1 数据集，这是一个经过更新、数据标注更加完善的版本。请访问我们的[官网](https:\u002F\u002Fwww.nuscenes.org\u002Fnuplan#download)下载新数据集。\n\n感谢所有为开发工具包做出贡献的开发者：@dimitris-motional @shakiba-motional @gianmarco-motional @christopher-motional @michael-motional @Noushin.Mehdipour @kokseang-motional @mspryn-motional @evan-motional @armuren @patk-motional @Juraj.Kabzan @Holger.Caesar","2022-10-13T05:55:38",{"id":189,"version":190,"summary_zh":191,"released_at":192},62458,"nuplan-devkit-v0.6","nuplan-devkit v0.6 — nuPlan 规划挑战赛发布！\r\n\r\n这是竞赛热身阶段的正式版本。更多信息请访问我们的 landing page：https:\u002F\u002Fnuplan-devkit.readthedocs.io\u002Fen\u002Flatest\u002Fcompetition.html。\n\n智能代理优化 — @patk-motional\nnuBoard 改进 — @kokseang-motional\n指标改进 — @shakiba-motional、@Noushin.Mehdipour\n提交流程部署及文档编写 — @gianmarco-motional、@michael-motional\n全新高级教程 — @mspryn-motional","2022-09-09T19:21:22",{"id":194,"version":195,"summary_zh":196,"released_at":197},62459,"nuplan-devkit-v0.5","- 地图 API 的改进，新增 adjacent_edges() 函数用于获取相邻车道 @Daniel.Ahn\r\n- 指标与文档的优化 @shakiba-motional @Noushin.Mehdipour\r\n- 反馈式智能体的闭环控制现已纳入开环检测结果 @patk-motional\r\n- 引入 iLQR 算法以提升轨迹跟踪性能 @Vijay.Govindarajan","2022-08-24T07:20:04",{"id":199,"version":200,"summary_zh":201,"released_at":202},62460,"nuplan-devkit-v0.4","将开发工具包更新至 v0.4\n\nNuPlanDB 优化 @mspryn-motional\n指标改进 @shakiba-motional @Noushin.Mehdipour\n特性缓存日志修复 @mspryn-motional\n抑制 Pygeos 警告 @michael-noronha-motional\nnuBoard 可视化更新 @kokseang-motional\n在训练过程中启用场景过滤 @Hiok.Hian.Ong\nLogFuturePlanner 错误修复 @patk-motional","2022-08-11T13:55:33",{"id":204,"version":205,"summary_zh":206,"released_at":207},62461,"nuplan-devkit-v0.3","nuPlan 开发工具包版本升级至 v0.3\n\n功能列表：\n\n- 指标运行时性能优化 @shakiba-motional @Noushin.Mehdipour\n- 重构数据库模型以提升测试覆盖率 @Rachel.Koh @Clarence.Chye\n- 在地图中添加车道边界 API @christopher-motional\n- 模型部署流水线 @mspryn-motional\n- 降低内存占用 @mspryn-motional\n- 开发工具包安装修复 @gianmarco-motional\n- nuBoard 功能改进 @kokseang-motional\n- 提升仿真运行效率 @michael-noronha-motional\n- 运动学自行车模型优化 @shakiba-motional\n- 启用 LR 调度器 @Hiok.Hian.Ong\n- IDM 智能交通参与者缺陷修复 @patk-motional","2022-07-25T06:48:52"]