[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-opendilab--DI-drive":3,"tool-opendilab--DI-drive":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",160784,2,"2026-04-19T11:32:54",[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":77,"owner_email":78,"owner_twitter":74,"owner_website":77,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":145},9639,"opendilab\u002FDI-drive","DI-drive","Decision Intelligence Platform for Autonomous Driving simulation.","DI-drive 是一个专为自动驾驶仿真打造的开源决策智能平台。它致力于解决自动驾驶策略研发中算法验证难、仿真环境分散以及训练测试流程不统一的痛点。通过提供一个标准化的统一入口，DI-drive 让用户能够轻松在同一框架下运行模仿学习、强化学习及生成对抗模仿学习等多种前沿算法，无需在不同模拟器间反复切换适配。\n\n该平台特别适合自动驾驶领域的研究人员、算法工程师及开发者使用。无论是希望快速复现经典论文成果，还是需要在多样化场景中测试新策略，用户都能从中获益。DI-drive 的核心亮点在于其强大的兼容性与扩展性：它不仅原生支持 Carla 和 MetaDrive 等主流仿真器，还能灵活适配多种输入输出格式，轻松驾驭各类自定义驾驶场景与案例。此外，DI-drive 基于成熟的强化学习平台 DI-engine 构建，确保了底层模块的高效与稳定，真正实现了从算法设计到仿真验证的一站式闭环，极大地降低了自动驾驶决策智能的研究门槛。","# DI-drive\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_92fd6a6deb1e.png\" alt=\"icon\"\u002F>\n\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl?style=social&url=https%3A%2F%2Ftwitter.com%2Fopendilab)](https:\u002F\u002Ftwitter.com\u002Fopendilab)\n![Style](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Factions\u002Fworkflows\u002Fstyle.yml\u002Fbadge.svg)\n![Docs](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Factions\u002Fworkflows\u002Fdoc.yml\u002Fbadge.svg)\n![Loc](https:\u002F\u002Fimg.shields.io\u002Fendpoint?url=https:\u002F\u002Fgist.githubusercontent.com\u002FRobinC94\u002F4e40f96d252cf02bbfc03333eeef6ee1\u002Fraw\u002Floc.json)\n![Comments](https:\u002F\u002Fimg.shields.io\u002Fendpoint?url=https:\u002F\u002Fgist.githubusercontent.com\u002FRobinC94\u002F4e40f96d252cf02bbfc03333eeef6ee1\u002Fraw\u002Fcomments.json)\n\n![GitHub Org's stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fopendilab)\n[![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fstargazers)\n[![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fnetwork)\n![GitHub commit activity](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fopendilab\u002FDI-drive)\n[![GitHub license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## Introduction\n\n[DI-drive doc](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002F)\n\n**DI-drive** is an open-source Decision Intelligence Platform for Autonomous Driving simulation. DI-drive applies different simulators\u002Fdatasets\u002Fcases in **Decision Intelligence** Training & Testing for **Autonomous Driving** Policy.\nIt aims to\n\n- run Imitation Learning, Reinforcement Learning, GAIL etc. in a single platform and simple unified entry\n- apply Decision Intelligence in any part of the driving simulation\n- suit most of the driving simulators input & output\n- run designed driving cases and scenarios\n\nand most importantly, to **put these all together!**\n\n**DI-drive** uses [DI-engine](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-engine), a Reinforcement Learning\nplatform to build most of the running modules and demos. **DI-drive** currently supports [Carla](http:\u002F\u002Fcarla.org),\nan open-source Autonomous Driving simulator to operate driving simulation, and [MetaDrive](https:\u002F\u002Fdecisionforce.github.io\u002Fmetadrive\u002F),\na diverse driving scenarios for Generalizable Reinforcement Learning. DI-drive is an application platform under [OpenDILab](http:\u002F\u002Fopendilab.org\u002F)\n\n![icon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_6cb164ce6a0b.png)\n\u003Cp align=\"center\"> Visualization of Carla driving in DI-drive \u003C\u002Fp>\n\n## Outline\n\n * [Introduction](#introduction)\n * [Outline](#outline)\n * [Installation](#installation)\n * [Quick Start](#quick-start)\n * [Model Zoo](#model-zoo)\n * [Casezoo](#di-drive-casezoo)\n * [File Structure](#file-structure)\n * [Contributing](#contributing)\n * [License](#license)\n * [Citation](#citation)\n\n## Installation\n\n**DI-drive** runs with **Python >= 3.5** and **DI-engine >= 0.3.1** (Pytorch is needed in DI-engine). You can install DI-drive from the source code:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive.git\ncd DI-drive\npip install -e .\n```\n\nDI-engine and Pytorch will be installed automatically.\n\nIn addition, at least one simulator in **Carla** and **MetaDrive** need to be installed to run in DI-drive. [MetaDrive](https:\u002F\u002Fdecisionforce.github.io\u002Fmetadrive\u002F) can be easily installed via `pip`.\nIf [Carla](http:\u002F\u002Fcarla.org) server is used for simulation, users need to install 'Carla Python API' in addition. You can use either one of them or both. Make sure to modify the activated simulators in `core.__init__.py` to avoid import error.\n\nPlease refer to the [installation guide](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002Finstallation\u002Findex.html) for details about the installation of **DI-drive**.\n\n## Quick Start\n\n### Carla\n\nUsers can check the installation of Carla and watch the visualization by running an 'auto' policy in provided town map. You need to start a Carla server first and modify the Carla host and port in `auto_run.py` into yours. Then run:\n\n```bash\ncd demo\u002Fauto_run\npython auto_run.py\n```\n\n### MetaDrive\n\nAfter installation of MetaDrive, you can start an RL training in MetaDrive Macro Environment by running the following code:\n\n```bash\ncd demo\u002Fmetadrive\npython macro_env_dqn_train.py.\n```\n\nWe provide detail guidance for IL and RL experiments in all simulators and quick run of existing policy for beginners in our [documentation](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002F). Please refer to it if you have further questions.\n\n## Model Zoo\n\n### Imitation Learning\n\n- [Conditional Imitation Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.02410)\n- [Learning by Cheating](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.12294)\n- [from Continuous Intention to Continuous Trajectory](https:\u002F\u002Farxiv.org\u002Fabs\u002F2010.10393)\n\n### Reinforcement Learning\n\n- BeV Speed RL\n- [Implicit Affordance](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.10868)\n- [Latent DRL](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.08726)\n- MetaDrive Macro RL\n\n### Other Method\n\n- [DREX](http:\u002F\u002Fproceedings.mlr.press\u002Fv100\u002Fbrown20a.html)\n\n## DI-drive Casezoo\n\n**DI-drive Casezoo** is a scenario set for training and testing the Autonomous Driving policy in simulator.\n**Casezoo** combines data collected from actual vehicles and Shanghai Lingang road license test Scenarios.\n**Casezoo** supports both evaluating and training, which makes the simulation closer to real driving.\n\nPlease see [casezoo instruction](docs\u002Fcasezoo_instruction.md) for details about **Casezoo**.\n\n## File Structure\n\n```\nDI-drive\n|-- .gitignore\n|-- .style.yapf\n|-- CHANGELOG\n|-- LICENSE\n|-- README.md\n|-- format.sh\n|-- setup.py\n|-- core\n|   |-- data\n|   |   |-- base_collector.py\n|   |   |-- benchmark_dataset_saver.py\n|   |   |-- bev_vae_dataset.py\n|   |   |-- carla_benchmark_collector.py\n|   |   |-- cict_dataset.py\n|   |   |-- cilrs_dataset.py\n|   |   |-- lbc_dataset.py\n|   |   |-- benchmark\n|   |   |-- casezoo\n|   |   |-- srunner\n|   |-- envs\n|   |   |-- base_drive_env.py\n|   |   |-- drive_env_wrapper.py\n|   |   |-- md_macro_env.py\n|   |   |-- md_traj_env.py\n|   |   |-- scenario_carla_env.py\n|   |   |-- simple_carla_env.py\n|   |-- eval\n|   |   |-- base_evaluator.py\n|   |   |-- carla_benchmark_evaluator.py\n|   |   |-- serial_evaluator.py\n|   |   |-- single_carla_evaluator.py\n|   |-- models\n|   |   |-- bev_speed_model.py\n|   |   |-- cilrs_model.py\n|   |   |-- common_model.py\n|   |   |-- lbc_model.py\n|   |   |-- model_wrappers.py\n|   |   |-- mpc_controller.py\n|   |   |-- pid_controller.py\n|   |   |-- vae_model.py\n|   |   |-- vehicle_controller.py\n|   |-- policy\n|   |   |-- traj_policy\n|   |   |-- auto_policy.py\n|   |   |-- base_carla_policy.py\n|   |   |-- cilrs_policy.py\n|   |   |-- lbc_policy.py\n|   |-- simulators\n|   |   |-- base_simulator.py\n|   |   |-- carla_data_provider.py\n|   |   |-- carla_scenario_simulator.py\n|   |   |-- carla_simulator.py\n|   |   |-- fake_simulator.py\n|   |   |-- srunner\n|   |-- utils\n|       |-- data_utils\n|       |-- env_utils\n|       |-- learner_utils\n|       |-- model_utils\n|       |-- others\n|       |-- planner\n|       |-- simulator_utils\n|-- demo\n|   |-- auto_run\n|   |-- cict\n|   |-- cilrs\n|   |-- implicit\n|   |-- latent_rl\n|   |-- lbc\n|   |-- metadrive\n|   |-- simple_rl\n|-- docs\n|   |-- casezoo_instruction.md\n|   |-- figs\n|   |-- source\n```\n\n## Join and Contribute\n\nWe appreciate all contributions to improve DI-drive, both algorithms and system designs. Welcome to OpenDILab community! Scan the QR code and add us on Wechat:\n\n\u003Cdiv align=center>\u003Cimg width=\"250\" height=\"250\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_43a1d9e42f1b.png\" alt=\"qr\"\u002F>\u003C\u002Fdiv>\n\nOr you can contact us with [slack](https:\u002F\u002Fopendilab.slack.com\u002Fjoin\u002Fshared_invite\u002Fzt-v9tmv4fp-nUBAQEH1_Kuyu_q4plBssQ#\u002Fshared-invite\u002Femail) or email (opendilab@pjlab.org.cn).\n\n## License\n\nDI-engine released under the Apache 2.0 license.\n\n## Citation\n\n```latex\n@misc{didrive,\n    title={{DI-drive: OpenDILab} Decision Intelligence platform for Autonomous Driving simulation},\n    author={DI-drive Contributors},\n    publisher = {GitHub},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive}},\n    year={2021},\n}\n```\n","# DI-drive\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_92fd6a6deb1e.png\" alt=\"icon\"\u002F>\n\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl?style=social&url=https%3A%2F%2Ftwitter.com%2Fopendilab)](https:\u002F\u002Ftwitter.com\u002Fopendilab)\n![Style](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Factions\u002Fworkflows\u002Fstyle.yml\u002Fbadge.svg)\n![Docs](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Factions\u002Fworkflows\u002Fdoc.yml\u002Fbadge.svg)\n![Loc](https:\u002F\u002Fimg.shields.io\u002Fendpoint?url=https:\u002F\u002Fgist.githubusercontent.com\u002FRobinC94\u002F4e40f96d252cf02bbfc03333eeef6ee1\u002Fraw\u002Floc.json)\n![Comments](https:\u002F\u002Fimg.shields.io\u002Fendpoint?url=https:\u002F\u002Fgist.githubusercontent.com\u002FRobinC94\u002F4e40f96d252cf02bbfc03333eeef6ee1\u002Fraw\u002Fcomments.json)\n\n![GitHub Org's stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fopendilab)\n[![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fstargazers)\n[![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fnetwork)\n![GitHub commit activity](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fopendilab\u002FDI-drive)\n[![GitHub license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopendilab\u002FDI-drive)](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## 简介\n\n[DI-drive 文档](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002F)\n\n**DI-drive** 是一个用于自动驾驶仿真的开源决策智能平台。DI-drive 在 **自动驾驶** 策略的 **决策智能** 训练与测试中，应用不同的仿真器、数据集和场景。其目标是：\n\n- 在单一平台上以简洁统一的入口运行模仿学习、强化学习、GAIL 等算法；\n- 将决策智能应用于驾驶模拟的任何环节；\n- 适配大多数驾驶仿真器的输入与输出；\n- 运行设计好的驾驶案例和场景；\n\n而最重要的是，将这些功能 **全部整合在一起！**\n\n**DI-drive** 使用 [DI-engine](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-engine)，一个强化学习平台，来构建大部分运行模块和演示。目前，**DI-drive** 支持 [Carla](http:\u002F\u002Fcarla.org)，一个开源的自动驾驶仿真器，用于执行驾驶仿真；同时也支持 [MetaDrive](https:\u002F\u002Fdecisionforce.github.io\u002Fmetadrive\u002F)，一个用于可泛化强化学习的多样化驾驶场景。DI-drive 是 [OpenDILab](http:\u002F\u002Fopendilab.org\u002F) 下的一个应用平台。\n\n![icon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_6cb164ce6a0b.png)\n\u003Cp align=\"center\"> DI-drive 中 Carla 驾驶的可视化效果 \u003C\u002Fp>\n\n## 目录\n\n * [简介](#introduction)\n * [目录](#outline)\n * [安装](#installation)\n * [快速入门](#quick-start)\n * [模型库](#model-zoo)\n * [案例库](#di-drive-casezoo)\n * [文件结构](#file-structure)\n * [贡献](#contributing)\n * [许可证](#license)\n * [引用](#citation)\n\n## 安装\n\n**DI-drive** 需要 **Python >= 3.5** 和 **DI-engine >= 0.3.1**（DI-engine 需要 Pytorch）。您可以从源代码安装 DI-drive：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive.git\ncd DI-drive\npip install -e .\n```\n\nDI-engine 和 Pytorch 将会自动安装。\n\n此外，为了在 DI-drive 中运行，您至少需要安装 **Carla** 或 **MetaDrive** 中的一个仿真器。[MetaDrive](https:\u002F\u002Fdecisionforce.github.io\u002Fmetadrive\u002F) 可以通过 `pip` 轻松安装。如果使用 [Carla](http:\u002F\u002Fcarla.org) 服务器进行仿真，用户还需要额外安装 'Carla Python API'。您可以选择其中一个或同时使用两者。请务必在 `core.__init__.py` 中修改已激活的仿真器，以避免导入错误。\n\n有关 **DI-drive** 的详细安装说明，请参阅 [安装指南](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002Finstallation\u002Findex.html)。\n\n## 快速入门\n\n### Carla\n\n用户可以检查 Carla 的安装情况，并通过在提供的城镇地图上运行“auto”策略来观看可视化效果。您需要先启动 Carla 服务器，并将 `auto_run.py` 中的 Carla 主机和端口修改为您自己的设置。然后运行：\n\n```bash\ncd demo\u002Fauto_run\npython auto_run.py\n```\n\n### MetaDrive\n\n安装 MetaDrive 后，您可以通过运行以下代码，在 MetaDrive 宏观环境中开始强化学习训练：\n\n```bash\ncd demo\u002Fmetadrive\npython macro_env_dqn_train.py。\n```\n\n我们在 [文档](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002F) 中为初学者提供了所有仿真器中 IL 和 RL 实验的详细指导，以及现有策略的快速运行方法。如有进一步疑问，请参考该文档。\n\n## 模型库\n\n### 模仿学习\n\n- [条件模仿学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.02410)\n- [作弊式学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.12294)\n- [从连续意图到连续轨迹](https:\u002F\u002Farxiv.org\u002Fabs\u002F2010.10393)\n\n### 强化学习\n\n- BeV 速度强化学习\n- [隐式可用性](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.10868)\n- [潜在空间强化学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.08726)\n- MetaDrive 宏观强化学习\n\n### 其他方法\n\n- [DREX](http:\u002F\u002Fproceedings.mlr.press\u002Fv100\u002Fbrown20a.html)\n\n## DI-drive 案例库\n\n**DI-drive 案例库** 是一套用于在仿真器中训练和测试自动驾驶策略的场景集合。**案例库** 结合了从实际车辆收集的数据以及上海临港道路驾照考试场景。**案例库** 既支持评估也支持训练，从而使仿真更接近真实驾驶。\n\n有关 **案例库** 的详细信息，请参阅 [案例库说明](docs\u002Fcasezoo_instruction.md)。\n\n## 文件结构\n\n```\nDI-drive\n|-- .gitignore\n|-- .style.yapf\n|-- CHANGELOG\n|-- LICENSE\n|-- README.md\n|-- format.sh\n|-- setup.py\n|-- core\n|   |-- data\n|   |   |-- base_collector.py\n|   |   |-- benchmark_dataset_saver.py\n|   |   |-- bev_vae_dataset.py\n|   |   |-- carla_benchmark_collector.py\n|   |   |-- cict_dataset.py\n|   |   |-- cilrs_dataset.py\n|   |   |-- lbc_dataset.py\n|   |   |-- benchmark\n|   |   |-- casezoo\n|   |   |-- srunner\n|   |-- envs\n|   |   |-- base_drive_env.py\n|   |   |-- drive_env_wrapper.py\n|   |   |-- md_macro_env.py\n|   |   |-- md_traj_env.py\n|   |   |-- scenario_carla_env.py\n|   |   |-- simple_carla_env.py\n|   |-- eval\n|   |   |-- base_evaluator.py\n|   |   |-- carla_benchmark_evaluator.py\n|   |   |-- serial_evaluator.py\n|   |   |-- single_carla_evaluator.py\n|   |-- models\n|   |   |-- bev_speed_model.py\n|   |   |-- cilrs_model.py\n|   |   |-- common_model.py\n|   |   |-- lbc_model.py\n|   |   |-- model_wrappers.py\n|   |   |-- mpc_controller.py\n|   |   |-- pid_controller.py\n|   |   |-- vae_model.py\n|   |   |-- vehicle_controller.py\n|   |-- policy\n|   |   |-- traj_policy\n|   |   |-- auto_policy.py\n|   |   |-- base_carla_policy.py\n|   |   |-- cilrs_policy.py\n|   |   |-- lbc_policy.py\n|   |-- simulators\n|   |   |-- base_simulator.py\n|   |   |-- carla_data_provider.py\n|   |   |-- carla_scenario_simulator.py\n|   |   |-- carla_simulator.py\n|   |   |-- fake_simulator.py\n|   |   |-- srunner\n|   |-- utils\n|       |-- data_utils\n|       |-- env_utils\n|       |-- learner_utils\n|       |-- model_utils\n|       |-- others\n|       |-- planner\n|       |-- simulator_utils\n|-- demo\n|   |-- auto_run\n|   |-- cict\n|   |-- cilrs\n|   |-- implicit\n|   |-- latent_rl\n|   |-- lbc\n|   |-- metadrive\n|   |-- simple_rl\n|-- docs\n|   |-- casezoo_instruction.md\n|   |-- figs\n|   |-- source\n```\n\n## 加入并贡献\n\n我们非常感谢所有对 DI-drive 的改进贡献，无论是算法还是系统设计。欢迎加入 OpenDILab 社区！请扫描二维码添加我们的微信：\n\n\u003Cdiv align=center>\u003Cimg width=\"250\" height=\"250\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_readme_43a1d9e42f1b.png\" alt=\"qr\"\u002F>\u003C\u002Fdiv>\n\n您也可以通过 [Slack](https:\u002F\u002Fopendilab.slack.com\u002Fjoin\u002Fshared_invite\u002Fzt-v9tmv4fp-nUBAQEH1_Kuyu_q4plBssQ#\u002Fshared-invite\u002Femail) 或电子邮件 (opendilab@pjlab.org.cn) 联系我们。\n\n## 许可证\n\nDI-engine 采用 Apache 2.0 许可证发布。\n\n## 引用\n\n```latex\n@misc{didrive,\n    title={{DI-drive: OpenDILab} 自动驾驶仿真决策智能平台},\n    author={DI-drive 贡献者},\n    publisher = {GitHub},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive}},\n    year={2021},\n}\n```","# DI-drive 快速上手指南\n\nDI-drive 是一个开源的自动驾驶决策智能平台，支持在 Carla 和 MetaDrive 等模拟器中进行模仿学习（IL）、强化学习（RL）等策略的训练与测试。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求：\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python 版本**: >= 3.5\n*   **核心依赖**: \n    *   [DI-engine](https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-engine) >= 0.3.1 (安装 DI-drive 时会自动安装)\n    *   PyTorch (由 DI-engine 依赖自动安装)\n*   **模拟器 (至少安装其一)**:\n    *   **MetaDrive**: 可通过 pip 直接安装。\n    *   **Carla**: 需单独安装 Carla 服务器及 `Carla Python API`。\n\n> **提示**：国内用户建议使用国内镜像源加速 Python 包的安装（如清华源、阿里源）。\n\n## 安装步骤\n\n### 1. 克隆代码并安装 DI-drive\n\n从源码安装 DI-drive，系统将自动处理 DI-engine 和 PyTorch 的依赖：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive.git\ncd DI-drive\npip install -e .\n```\n\n*(可选) 若需加速安装，可指定国内镜像源：*\n```bash\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装模拟器依赖\n\n根据你想使用的模拟器，执行以下任一操作：\n\n*   **安装 MetaDrive** (简单模式):\n    ```bash\n    pip install metadrive-simulator\n    ```\n\n*   **配置 Carla**:\n    1. 下载并运行 Carla 服务器。\n    2. 安装对应的 Python API (通常位于 Carla 安装包内的 `PythonAPI\u002Fcarla\u002Fdist\u002F` 目录下)。\n    3. **重要**：修改 `core\u002F__init__.py` 文件，启用你已安装的模拟器，避免导入错误。\n\n## 基本使用\n\n### 场景一：运行 Carla 自动驾驶演示\n\n此示例展示如何在 Carla 地图中运行一个预设的“自动”策略并查看可视化效果。\n\n1.  启动 Carla 服务器。\n2.  打开 `demo\u002Fauto_run\u002Fauto_run.py`，修改其中的 host 和 port 以匹配你的 Carla 服务器地址。\n3.  运行脚本：\n\n```bash\ncd demo\u002Fauto_run\npython auto_run.py\n```\n\n### 场景二：运行 MetaDrive 强化学习训练\n\n此示例展示如何在 MetaDrive 宏观环境中启动一个 DQN 强化学习训练任务。\n\n确保已安装 MetaDrive 后，运行以下命令：\n\n```bash\ncd demo\u002Fmetadrive\npython macro_env_dqn_train.py\n```\n\n---\n更多详细的实验指导（包括模仿学习 IL 和强化学习 RL 的具体配置），请参考 [官方文档](https:\u002F\u002Fopendilab.github.io\u002FDI-drive\u002F)。","某自动驾驶算法团队正在研发城市复杂路况下的决策模型，急需在统一框架下验证模仿学习与强化学习策略。\n\n### 没有 DI-drive 时\n- **环境适配繁琐**：团队需在 Carla 和 MetaDrive 之间手动编写大量胶水代码，每次切换仿真器都要重构数据接口，耗时且易错。\n- **算法验证割裂**：测试模仿学习（Imitation Learning）与强化学习（RL）需搭建两套独立运行流程，无法在同一平台对比策略优劣。\n- **场景复用困难**：设计好的极端驾驶案例（如鬼探头、强行加塞）难以在不同仿真后端间迁移，导致测试覆盖率低。\n- **调试效率低下**：缺乏统一的可视化与日志标准，开发人员花费大量时间排查是算法问题还是仿真器配置错误。\n\n### 使用 DI-drive 后\n- **统一接入入口**：通过 DI-drive 的标准接口，团队可一键切换 Carla 或 MetaDrive 后端，无需修改核心算法代码，环境适配时间缩短 80%。\n- **算法无缝切换**：在单一配置文件中即可灵活切换模仿学习、GAIL 或深度强化学习模式，快速迭代并横向对比不同策略的性能。\n- **案例通用性强**：定义的特定驾驶场景可在不同仿真器中直接复用，轻松构建涵盖长尾效应的高保真测试集。\n- **全流程可视化**：依托内置的可视化模块，实时观测车辆决策轨迹与状态数据，快速定位模型缺陷，显著降低调试门槛。\n\nDI-drive 通过屏蔽底层仿真差异并提供标准化决策智能流水线，让研发团队能专注于核心算法创新而非环境适配。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopendilab_DI-drive_6cb164ce.png","opendilab","OpenDILab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopendilab_83f31d72.png","Open-source Decision Intelligence (DI) Platform",null,"opendilab@pjlab.org.cn","https:\u002F\u002Fgithub.com\u002Fopendilab",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.8,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.2,637,60,"2026-04-16T07:49:35","Apache-2.0",4,"未说明","未说明 (依赖 PyTorch 和模拟器，通常建议 NVIDIA GPU)",{"notes":97,"python":98,"dependencies":99},"必须至少安装 Carla 或 MetaDrive 其中一个模拟器才能运行。若使用 Carla，需单独启动 Carla 服务器并安装其 Python API。安装后需修改 core\u002F__init__.py 以激活对应的模拟器避免导入错误。",">=3.5",[100,101,102,103],"DI-engine>=0.3.1","torch","Carla Python API","MetaDrive",[13,14],[106,107,108,109,110,111,112],"reinforcement-learning","imitation-learning","autodrive","carla","pytorch","autonomous-driving","metadrive","2026-03-27T02:49:30.150509","2026-04-20T04:06:11.984870",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},43283,"DI-drive 是否支持多智能体强化学习（MARL）训练？","多智能体强化学习（MARL）已在开发路线图中。目前正尝试在 DI-drive 中添加 MetaDrive 支持以实现该功能。如果您有紧急需求，可以通过邮件或 Slack 群组联系团队，团队会根据情况考虑提高优先级。支持的场景包括路口多车协作与竞争、匝道汇入等复杂场景。","https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fissues\u002F11",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},43284,"运行 auto_run.py 或其他脚本时出现 'KeyError: vehicle_state' 并导致核心转储（core dumped），如何解决？","该错误通常发生在环境重置时无法获取 'vehicle_state' 字段。虽然原始讨论中未给出明确的代码修复步骤，但此类问题通常与环境配置或版本兼容性有关。建议检查 CARLA 服务器是否正常启动，确认 DI-drive 和 DI-engine 版本匹配，并确保传感器配置正确。如果问题持续，可尝试重新安装最新版本的 DI-drive 或回退到稳定版本。","https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fissues\u002F20",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},43285,"导入时出现 'ModuleNotFoundError: No module named ding' 错误怎么办？","'ding' 模块属于 DI-engine 库，并非 DI-drive 内置。解决方法是先安装 DI-engine：\n1. 访问 https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-engine\n2. 按照说明安装 DI-engine\n3. 重新运行脚本即可识别 'ding' 模块。\n如果安装后仍报错，请尝试重新安装 DI-drive 以确保依赖完整。","https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},43286,"运行 RL 训练脚本时提示找不到 'ding' 模块或相关策略类，如何获取这些文件？","需要先安装 DI-engine 库。'ding' 是 DI-engine 提供的强化学习算法库，包含 DQN、PPO、TD3、SAC、DDPG 等策略。\n安装方法：\ngit clone https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-engine\ncd DI-engine\npip install -e .\n安装完成后即可在 DI-drive 中正常导入和使用相关策略。","https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fissues\u002F31",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},43287,"运行 simple_rl_train.py 时出现 'please first close the env manager' 断言错误，如何解决？","该错误通常由 DI-engine 版本不兼容引起。解决方案是降级 DI-engine 到较早的稳定版本，例如 0.4.0：\npip install di-engine==0.4.0\n同时确保 CARLA 服务器端口配置正确（如 carla_ports=[9000, 9006]），并在运行前关闭所有已占用的环境管理器。","https:\u002F\u002Fgithub.com\u002Fopendilab\u002FDI-drive\u002Fissues\u002F30",{"id":142,"question_zh":143,"answer_zh":144,"source_url":130},43288,"安装 DI-drive 后运行示例代码仍报 'ModuleNotFoundError: No module named core.utils'，如何处理？","此错误表明即使安装了 DI-engine，部分内部模块仍未正确加载。可能原因包括：\n1. DI-drive 未以可编辑模式安装（建议使用 pip install -e .）\n2. Python 路径未包含项目根目录\n3. 依赖版本冲突\n建议操作：\n- 重新克隆仓库并执行 pip install -e .\n- 确保在 DI-drive 根目录下运行脚本\n- 检查是否正确安装 DI-engine 且版本兼容",[146,151,156,161,166,171,176,181,186,191,196],{"id":147,"version":148,"summary_zh":149,"released_at":150},342965,"v0.3.4","- 添加 Traj SAC 和 PPO 策略\n- 添加 MetaDrive 评估器\n- 添加 MetaDrive TREX 演示和文档\n- 将 Carla 支持更新至 0.9.10\n- 修复 MetaDrive 重置与 EnvManager 冲突的 bug\n- 修复 DingEnvManager 中的 bug","2022-07-28T13:57:43",{"id":152,"version":153,"summary_zh":154,"released_at":155},342966,"v0.3.3","- 更新 README，重新组织信息\n- 添加 MetaDriveTrajEnv 及其文档\n- 添加 MetaDrive 的工具函数\n- 修改宏观环境相关的工具函数","2022-06-06T06:18:21",{"id":157,"version":158,"summary_zh":159,"released_at":160},342967,"v0.3.2","- 更新横幅Logo\n- 升级至DI-engine 0.3，修改环境属性\n- 修复基础策略的Bug\n- 修复CILRS模型的Bug\n- 修复评估器中的Bug\n- 修复PPO配置中的Bug\n- 修复简单强化学习流水线中的Bug\n- 在FOC中添加预训练权重路径","2022-04-25T08:24:09",{"id":162,"version":163,"summary_zh":164,"released_at":165},342968,"v0.3.0","- 添加 MetaDrive 支持（环境、入口、文档）\n- 导入时增加模拟器选择功能\n- 重命名所有不含“carla”的通用模块\n- 添加 MetaDrive 基础环境训练\n- 添加 MetaDrive 宏观环境训练与测试\n- 添加所有环境注册\n- 更新 DriveEnvWrapper\n- 更新 logo\n- 更新文档，新增 MetaDrive 使用指南和教程\n- 重构简单强化学习代码，所有策略现均有统一的入口（训练、评估、测试）\n- 修复 LBC 规划器 bug\n- 删除配置辅助工具","2022-01-06T09:50:31",{"id":167,"version":168,"summary_zh":169,"released_at":170},342969,"v0.2.2","- 为基准收集器添加失败计数和重试机制\n- 添加 LBC 图像训练的第 0 阶段和第 1 阶段\n- 为常用默认配置添加注释\n- 添加 LBC 图像训练文档、场景文档和保存回放文档\n- 更新 CI 和设置\n- 更新简单的强化学习环境封装器\n- 更新所有 Carla 策略中的参数\n- 将所有 ε-贪心策略的输入修改为学习迭代次数\n- 修复 CILRS 模型中的 bug\n- 修复文档和注释中的拼写错误","2021-12-03T12:58:59",{"id":172,"version":173,"summary_zh":174,"released_at":175},342970,"v0.2.1","- 添加 NoCrash Carla099\n- 添加 Bev 数据集\n- 添加 Carla AD 挑战赛场景和路线\n- 添加 LBC 数据采集及 Bev 训练文档\n- 添加基于潜在空间的强化学习 Bev 以及 RL 训练文档\n- 在 LBC 训练中加入验证环节\n- 更新基准测试数据保存器\n- 更新 VAE 模型\n- 更新 LBC 图像策略学习模式\n- 修复基准测试收集器中的 bug\n- 修复可视化工具在任务完成后未关闭的问题\n- 修复传感器被错误杀死导致无法存活的 bug","2021-11-22T08:55:42",{"id":177,"version":178,"summary_zh":179,"released_at":180},342971,"v0.2.0","- 将 DI-engine 更新至 0.2.0 版本\n- 将 CIL 格式重格式化为 CILRS\n- 添加 CILRS 数据集、模型、策略及入口\n- 添加 LBC 数据采集与数据集\n- 添加 LBC BeV 训练入口\n- 添加简单的强化学习演示文档\n- 为所有评估器添加日志记录器及 should_eval 功能\n- 在 DI-engine 演示中启用回放缓存保存功能\n- 更新 IL 教程及 CILRS 演示文档\n- 更新 Steer Noise 包装器\n- 更新基准测试的数据保存器和采集器\n- 修复传感器辅助工具中的导入错误\n- 修复可视化错误","2021-11-01T12:59:07",{"id":182,"version":183,"summary_zh":184,"released_at":185},342972,"v0.1.3","- 将 DI-engine 更新至 0.1.1 版本\n- 添加串行评估器用于训练中的评估，支持 TensorBoard\n- 更新单机评估器和基准评估器\n- 更新 simple_rl 的入口文件，适配 ding 0.1.1\n- 修改 simple_rl 中的模型，使用 ding 中的模块\n- 修改 simple_rl 中的环境封装器，为离散动作空间的封装器添加输入参数\n- 更新强化学习中的配置系统，将所有非服务器相关的配置移至环境和策略模块\n- 更新 comple_config 以适配新系统\n- 添加 CICT 评估\n- 修复 BasicPlanner 中的 bug\n- 修复 implicit train_sl 中的 bug\n- 修正文档中的图表\n- 在 GitHub Pages 上添加自动生成的文档\n","2021-09-23T03:20:39",{"id":187,"version":188,"summary_zh":189,"released_at":190},342973,"v0.1.2","- 将‘orientation’重命名为‘forward_vector’\n- 在演示中重新定义训练、测试和评估流程\n- 将简单强化学习中的‘utils’模块移至核心模块\n- 添加潜在强化学习演示，包括环境、DQN的训练、测试和评估\n- 添加支持航点输入的MPC控制器\n- 添加AutoMPCPolicy，并将AutoPolicy重命名为AutoPIDPolicy\n- 添加Vanilla VAE模型\n- 为MPC控制器添加API文档\n- 为LPC策略添加API文档\n- 更新评估器。现在它会返回成功标志或成功率\n- 修复一个错误：在CarlaDataProvider中，行走控制器可能会被误识别为行人\n- 修复鸟瞰视角可视化工具，使其显示更少的通道","2021-09-09T15:04:31",{"id":192,"version":193,"summary_zh":194,"released_at":195},342974,"v0.1.1","- 更新 AutoPolicy：提升多车道地图下的性能\n- 在行为规划器中添加自行车避让及智能体状态\n- 添加 CICT IL 方法：包括数据、训练、评估和测试\n- 添加 CICT 文档\n- 添加 LBC：评估和测试\n- 添加 LBC 文档\n- 添加通用 PID 控制器\n- 添加 LBC 规划器\n- 为评估器添加观测变换\n- 在模拟器的导航模块和数据提供者中添加速度、角速度和旋转信息\n- 修改 AutoPolicy 的初始化\n- 修复所有模块默认配置中的 bug\n- 为隐式可供性文档添加概述","2021-08-17T03:05:32",{"id":197,"version":198,"summary_zh":199,"released_at":200},342975,"v0.1.0","Initial release","2021-07-09T14:46:02"]