[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-whoenig--libMultiRobotPlanning":3,"tool-whoenig--libMultiRobotPlanning":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",151918,2,"2026-04-12T11:33:05",[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。",108322,"2026-04-10T11:39:34",[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},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",[52,13,15,14],"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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":75,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":103,"env_deps":104,"category_tags":113,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":147},6949,"whoenig\u002FlibMultiRobotPlanning","libMultiRobotPlanning","Library with search algorithms for task and path planning for multi robot\u002Fagent systems","libMultiRobotPlanning 是一个专为多机器人或智能体系统设计的 C++ 开源库，核心功能在于提供高效的任务分配与路径规划搜索算法。它主要解决了在复杂环境中，如何让多个机器人协同工作、避免碰撞并最优地到达各自目标这一关键难题。\n\n该工具非常适合机器人领域的研究人员、算法工程师以及需要开发多智能体协同系统的开发者使用。其独特的技术亮点在于采用了高度模板化的 C++14 编写，既保证了卓越的计算性能，又提供了极佳的代码灵活性。库内不仅集成了经典的单机器人算法（如 A*、SIPP），更涵盖了先进的多机器人协同算法，包括冲突基搜索（CBS）及其增强版（ECBS），以及结合最优任务分配的 CBS-TA 和 ECBS-TA 等。此外，它还支持基于流的最小成本分配算法，并能适应广义图结构，允许机器人在路径中执行等待动作，从而更好地适配真实的运动原语。配合丰富的示例代码和可视化工具，libMultiRobotPlanning 能帮助用户快速验证算法原型并部署高效的多机协作方案。","[![Build](https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Factions\u002Fworkflows\u002Fbuild.yml)\n\n# libMultiRobotPlanning\n\nlibMultiRobotPlanning is a library with search algorithms primarily for task and path planning for multi robot\u002Fagent systems.\nIt is written in C++(14), highly templated for good performance, and comes with useful examples.\n\nThe following algorithms are currently supported:\n\n* Single-Robot Algorithms\n  * A*\n  * A* epsilon (also known as focal search)\n  * SIPP (Safe Interval Path Planning)\n\n* Multi-Robot Algorithms\n  * Conflict-Based Search (CBS)\n  * Enhanced Conflict-Based Search (ECBS)\n  * Conflict-Based Search with Optimal Task Assignment (CBS-TA)\n  * Enhanced Conflict-Based Search with Optimal Task Assignment (ECBS-TA)\n  * Prioritized Planning using SIPP (example code for SIPP)\n\n* Assignment Algorithms\n  * Minimum sum-of-cost (flow-based; integer costs; any number of agents\u002Ftasks)\n  * Best Next Assignment (series of optimal solutions)\n\n## Building\n\nTested on Ubuntu 16.04.\n\n```\nmkdir build\ncd build\ncmake ..\nmake\n```\n\n### Targets\n\n* `make`: Build examples, only\n* `make docs`: build doxygen documentation\n* `make clang-format`: Re-format all source files\n* `make clang-tidy`: Run linter & static code analyzer\n* `make run-test`: Run unit-tests\n\n## Run specific tests\n\n```\npython3 ..\u002Ftest\u002Ftest_next_best_assignment.py TestNextBestAssignment.test_1by2\n```\n\n## Run example instances\n\n### ECBS\n\n````\n.\u002Fecbs -i ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml -o output.yaml -w 1.3\npython3 ..\u002Fexample\u002Fvisualize.py ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml output.yaml\n````\n\n### Generalized Roadmaps\n\nCBS works on generalized graphs, with a particular focus on optional wait actions (e.g., this can be used with motion primitives as well).\nHowever, the roadmap annotation and visualization step currently assume a 2D Euclidean embedding and straight-line edges.\n\n```\npython3 ..\u002Ftools\u002Fannotate_roadmap.py ..\u002Ftest\u002Fmapf_simple1_roadmap_to_annotate.yaml mapf_simple1_roadmap_annotated.yaml\n.\u002Fcbs_roadmap -i mapf_simple1_roadmap_annotated.yaml -o output.yaml\npython3 ..\u002Fexample\u002Fvisualize_roadmap.py mapf_simple1_roadmap_annotated.yaml output.yaml\n```","[![构建](https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Factions\u002Fworkflows\u002Fbuild.yml)\n\n# libMultiRobotPlanning\n\nlibMultiRobotPlanning 是一个包含搜索算法的库，主要用于多机器人\u002F智能体系统的任务规划和路径规划。该库使用 C++14 编写，广泛采用模板技术以获得优异性能，并附带实用示例。\n\n目前支持以下算法：\n\n* 单机器人算法\n  * A*\n  * A* epsilon（也称为焦点搜索）\n  * SIPP（安全间隔路径规划）\n\n* 多机器人算法\n  * 基于冲突的搜索（CBS）\n  * 增强型基于冲突的搜索（ECBS）\n  * 带最优任务分配的基于冲突的搜索（CBS-TA）\n  * 带最优任务分配的增强型基于冲突的搜索（ECBS-TA）\n  * 使用 SIPP 的优先级规划（SIPP 示例代码）\n\n* 分配算法\n  * 最小总代价法（基于流；整数代价；任意数量的智能体\u002F任务）\n  * 下一个最佳分配法（一系列最优解）\n\n## 构建\n\n已在 Ubuntu 16.04 上测试通过。\n\n```\nmkdir build\ncd build\ncmake ..\nmake\n```\n\n### 目标\n* `make`：仅构建示例\n* `make docs`：构建 Doxygen 文档\n* `make clang-format`：重新格式化所有源文件\n* `make clang-tidy`：运行代码检查工具及静态代码分析器\n* `make run-test`：运行单元测试\n\n## 运行特定测试\n\n```\npython3 ..\u002Ftest\u002Ftest_next_best_assignment.py TestNextBestAssignment.test_1by2\n```\n\n## 运行示例实例\n\n### ECBS\n\n````\n.\u002Fecbs -i ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml -o output.yaml -w 1.3\npython3 ..\u002Fexample\u002Fvisualize.py ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml output.yaml\n````\n\n### 广义路网\n\nCBS 可在广义图上运行，尤其侧重于可选的等待动作（例如，也可与运动基元结合使用）。然而，当前的路网标注和可视化步骤假定为二维欧几里得嵌入以及直线边。\n\n```\npython3 ..\u002Ftools\u002Fannotate_roadmap.py ..\u002Ftest\u002Fmapf_simple1_roadmap_to_annotate.yaml mapf_simple1_roadmap_annotated.yaml\n.\u002Fcbs_roadmap -i mapf_simple1_roadmap_annotated.yaml -o output.yaml\npython3 ..\u002Fexample\u002Fvisualize_roadmap.py mapf_simple1_roadmap_annotated.yaml output.yaml\n```","# libMultiRobotPlanning 快速上手指南\n\nlibMultiRobotPlanning 是一个专为多机器人\u002F智能体系统设计的任务与路径规划搜索算法库。该库基于 C++14 编写，采用高度模板化设计以确保高性能，并提供了丰富的示例代码。\n\n## 环境准备\n\n*   **操作系统**：推荐 Ubuntu 16.04 或更高版本（Linux 环境）。\n*   **编译器**：支持 C++14 标准的编译器（如 GCC 5.0+ 或 Clang 3.4+）。\n*   **构建工具**：\n    *   CMake (3.5+)\n    *   Make\n*   **运行时依赖**（用于运行示例和可视化）：\n    *   Python 3\n    *   PyYAML (`pip3 install pyyaml`)\n    *   Matplotlib (`pip3 install matplotlib`)\n\n> **提示**：国内用户可使用清华源或阿里源加速 `apt` 和 `pip` 包的安装。\n\n## 安装步骤\n\n克隆仓库并编译项目：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning.git\ncd libMultiRobotPlanning\nmkdir build\ncd build\ncmake ..\nmake\n```\n\n编译完成后，可执行文件将生成在 `build` 目录下。\n\n### 可选构建目标\n\n*   `make docs`：生成 Doxygen 文档。\n*   `make run-test`：运行单元测试。\n*   `make clang-format` \u002F `make clang-tidy`：代码格式化与静态分析。\n\n## 基本使用\n\n以下演示如何运行 **ECBS** (Enhanced Conflict-Based Search) 算法示例，并进行结果可视化。\n\n### 1. 运行规划算法\n\n使用提供的基准地图文件运行 ECBS 算法，设置亚最优界权重 `-w 1.3`：\n\n```bash\n.\u002Fecbs -i ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml -o output.yaml -w 1.3\n```\n\n*   `-i`: 输入配置文件路径。\n*   `-o`: 输出规划结果文件路径。\n*   `-w`: 权重参数，控制求解速度与最优性的平衡。\n\n### 2. 可视化结果\n\n使用 Python 脚本加载地图和规划结果进行可视化：\n\n```bash\npython3 ..\u002Fexample\u002Fvisualize.py ..\u002Fbenchmark\u002F32x32_obst204\u002Fmap_32by32_obst204_agents10_ex1.yaml output.yaml\n```\n\n### 其他场景：通用路线图 (Generalized Roadmaps)\n\nCBS 算法也支持在通用图上运行（包含等待动作）。若需处理自定义路线图，需先标注再运行：\n\n```bash\n# 1. 标注路线图\npython3 ..\u002Ftools\u002Fannotate_roadmap.py ..\u002Ftest\u002Fmapf_simple1_roadmap_to_annotate.yaml mapf_simple1_roadmap_annotated.yaml\n\n# 2. 运行 CBS 规划\n.\u002Fcbs_roadmap -i mapf_simple1_roadmap_annotated.yaml -o output.yaml\n\n# 3. 可视化路线图结果\npython3 ..\u002Fexample\u002Fvisualize_roadmap.py mapf_simple1_roadmap_annotated.yaml output.yaml\n```\n\n### 运行特定测试\n\n如需验证特定算法模块（例如“次优分配”测试）：\n\n```bash\npython3 ..\u002Ftest\u002Ftest_next_best_assignment.py TestNextBestAssignment.test_1by2\n```","某大型电商仓储中心正在部署由 50 台 AGV 组成的自动搬运集群，需要在高密度货架间实现高效的任务分配与无碰撞路径规划。\n\n### 没有 libMultiRobotPlanning 时\n- **任务分配低效**：缺乏最优任务分配算法（如 CBS-TA），只能采用简单的“最近优先”策略，导致部分机器人过载而其他闲置，整体搬运效率低下。\n- **死锁与碰撞频发**：传统单机器人 A* 算法无法感知其他智能体，多车交汇时极易发生死锁或物理碰撞，需人工频繁介入重置。\n- **动态适应性差**：面对临时插入的紧急订单或突发障碍物，原有系统重新规划路径耗时过长，造成流水线停滞。\n- **开发门槛高**：团队需从零编写复杂的冲突检测与搜索逻辑，C++ 底层优化难度大，且难以保证算法的理论最优性。\n\n### 使用 libMultiRobotPlanning 后\n- **全局最优调度**：利用内置的 CBS-TA 和 ECBS-TA 算法，系统能同时计算最佳任务指派与路径，使集群总通行时间缩短约 30%。\n- **天然无碰撞运行**：基于冲突的搜索（CBS）机制在规划阶段即消除时空冲突，彻底杜绝了死锁现象，实现了真正的无人化流畅作业。\n- **毫秒级重规划**：借助高效的 SIPP（安全间隔路径规划）和增量搜索能力，系统能在毫秒级内响应环境变化并生成新路径，保障业务连续性。\n- **开箱即用的高性能**：直接调用高度模板化的 C++ 核心库，无需重复造轮子，即可将学术界的先进算法快速落地到生产环境。\n\nlibMultiRobotPlanning 通过提供工业级的多智能体协同规划算法，将原本混乱的低效搬运升级为有序、最优的自动化物流网络。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhoenig_libMultiRobotPlanning_e80ebe2d.png","whoenig","Wolfgang Hönig","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwhoenig_0026d9b7.jpg",null,"Technical University Berlin","Berlin, Germany","https:\u002F\u002Fwhoenig.github.io","https:\u002F\u002Fgithub.com\u002Fwhoenig",[81,85,89,93],{"name":82,"color":83,"percentage":84},"C++","#f34b7d",83.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",14.7,{"name":90,"color":91,"percentage":92},"CMake","#DA3434",1.6,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.1,997,235,"2026-04-08T10:35:41","MIT",4,"Linux","未说明",{"notes":105,"python":106,"dependencies":107},"该库主要使用 C++14 编写，仅在 Ubuntu 16.04 上经过测试。部分示例脚本和可视化工具需要 Python 3 环境。构建系统基于 CMake 和 Make。未提及对 GPU、特定内存大小或 Windows\u002FmacOS 的支持。","3.x (README 中示例使用 python3)",[108,90,109,110,111,112],"C++14 编译器","Make","Doxygen (可选，用于生成文档)","Clang-format (可选，用于代码格式化)","Clang-tidy (可选，用于静态分析)",[13,114],"其他","2026-03-27T02:49:30.150509","2026-04-13T04:23:12.413622",[118,123,128,133,138,143],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},31313,"为什么 CBS 算法有时只输出一个最优解，而论文中提到可能有多个？","CBS 默认生成一个最优解。当存在多个成本相同的最优解时（平局），算法会根据内部数据结构的顺序任意打破平局并返回其中一个。如果需要生成所有最优解，需要修改代码以在成本发生变化之前继续搜索，但该功能当前未实现。","https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Fissues\u002F24",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},31314,"如何在 CBS 中避免智能体产生自循环（self-loops）或优化路径长度以减少能耗？","可以使用包含新成本函数的版本（参见 issue40 分支）。该版本允许调整 `self_loop_cost`（自循环成本）和 `base_cost`（每时间步的基础成本）。如果不使用避免自循环的技巧，解决方案可能会非常长且包含零成本的自循环。通过增加自循环的成本或优化路径长度，可以激励更短的路径，从而通常能减少能耗（因为动能消耗通常与运动距离或加速度相关）。","https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Fissues\u002F40",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},31315,"在添加对角线移动动作后程序出现段错误（Segmentation Fault），原因是什么？","这通常是因为启发式函数不再可容许（admissible）。如果对角线动作的成本设置为 1，那么使用欧几里得距离作为启发式是不可容许的。对角线动作的成本必须至少为 sqrt(2) 才能保持可容许性，否则会导致搜索算法出错甚至崩溃。建议检查动作成本设置，确保其符合几何距离原则。","https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Fissues\u002F27",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},31316,"为什么代码在目标分配（Target Assignment）部分使用连续最短路径算法而不是匈牙利算法？","虽然匈牙利算法的时间复杂度是 O(n^3)，但在某些情况下，连续最短路径算法的表现取决于最大流值 U。如果边权重非常大（例如达到 1e8），即使节点数 N 很小，U 也会很大，导致连续最短路径算法变慢。然而，维护者指出在大多数小规模案例（N\u003C1000）中，计算运行时间与路径规划相比可以忽略不计。如果需要进行基准测试或处理特定大图，可以尝试使用 Dlib 库中的 C++ 匈牙利算法实现。","https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Fissues\u002F45",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},31317,"在 Ubuntu 上构建项目时遇到 yaml-cpp 的未定义引用错误怎么办？","确保已安装所有依赖项：`sudo apt-get install g++ cmake libboost-program-options-dev libyaml-cpp-dev clang-tidy clang-format python3-matplotlib graphviz doxygen`。然后按照标准流程构建：`mkdir build`, `cd build`, `cmake ..`, `make`。如果 CMake 找到了库但链接失败，可能需要检查 `CMakeLists.txt` 是否正确链接了 `yaml-cpp` 库，或者尝试重新安装 `libyaml-cpp-dev` 包。","https:\u002F\u002Fgithub.com\u002Fwhoenig\u002FlibMultiRobotPlanning\u002Fissues\u002F23",{"id":144,"question_zh":145,"answer_zh":146,"source_url":122},31318,"ECBS 算法中的子最优界限（suboptimality bound）是如何工作的？","ECBS 是有界次优（bounded suboptimal）版本的 CBS。它允许在指定的次优界限内快速找到解。与严格最优的 CBS 不同，ECBS 可以在不违反预设成本界限的前提下“走捷径”。这意味着生成的解的成本不会超过最优解成本乘以给定的权重因子 w（即 cost \u003C= w * optimal_cost），从而换取更快的计算速度。",[]]