Self-Parking Car EvolutionGenetische-Algo-Demo, die sichere Parkplätze fährt selbst in der Browser-Überprüfung.

5.0 (4)

Geprüft von Daniel Nikulshyn·Aktualisiert Juli 2026

Open Source Educational Simulation Genetic Algorithm Neural Networks Browser-Based Research

Übersicht

Self-Parking Car Evolution ist ein offenes Bildungszprojekt, das einen genetischen Algorithmus verwendet, um fiktive Autos in einem 2D virtuellen Umfeld zu lehren, sich selbst zu parken. Jedes Auto wird durch einen kleinen neuronalen Netzwerk kontrolliert, dessen Gewichte als Genome kodiert sind, und sukzessive Generationen werden, verändert und selektiert, basierend auf dem Grad, bis zu diesem sie erreichen können. Die Simulation läuft vollständig im Browser ab, sodass Benutzer die verbesserten Population beobachten können, während bei schlechten Leistung die Autos entfernt werden und starke Fahrer ihre Parameter weitergeben. Sie dient als eine visuelle Demonstration der evolutionären Berechnung, Fitnessfunktionen und Emergente Verhaltensweisen anstelle eines betriebsfertigen autonomen Fahrensystems für die Produktion. Entwickler, Studierende und Interessierte an AI können das Quellcode erkunden, lernen, wie genetische Algorithmen in der Praxis funktionieren, die Parameter anpassen oder die Anleitung auf andere Steuerungsprobleme anwenden.

Hauptfunktionen

Genetische-Algo-basierten Ausbildungs-Zyklus
Neuronale Netzwerke mit Auto-Steuerung
2D-Parkplatz-Überprüfungsumgebung
Einsteckbare Population und Mutation-Parameter
Lebendige Visualisierung schwebender Generationen
Offene Codebasis für Experimente

Preise

Modell: Freemium
Kategorie: Computer Vision
Bewertung: 5.0 / 5 (4)

Anwendungsfälle

Genetische Algorithmen lernen visuell

Studierende und Selbstlerner können Populationen von Autos in Echtzeit beobachten, um Intuitionen über Selektion, Mutation und Fitnessfunktionen zu bilden.

Klassenzimmer-Demo für evolutionäre AI

Lehrer können die lebendige in-Browser-Simulation als lebendes Lehrhilfe einsetzen, um neuroevolutionale, emergente Verhaltensweisen oder Lernkonzepte im Stil der Verstärkung einzuführen.

Experiment mit Hyperparameteren

Entwickler können Population-Größe, Mutation-Raten und Netzwerk-Wechselwirkungen anpassen, um zu untersuchen, wie diese Parameter den Konvergenz-Speed und Parkplatz-Erfolg beeinflussen.

Ein Startprojekt für Neuroevolution

Hobbyisten und Forscher können das offene Codesource als Fundament für die Aufbauung ihrer eigenen Gen-Algo-Begebnisse oder Überprüfungsumgebungen für Simulation verwenden.

Pro & Contra

Pro

Klare, visuelle Darstellung genetischer Algorithmen
Im Browser läuft ohne Setup
Offenes und Bildungskonzept
Good-Ansatz für evolutionäre AI-Begriffe
Einsatz von Coding-Konzept benötigt

Contra

Grenzt sich auf ein Spielart-Szenario ein
Nicht geeignet für ein realwertige autonomes Fahrensystem
Kann slow konvergieren
Bietet Coding-Konzepte für Erweiterungen

Bewertungen

5.0

Durchschnitt aus 4 Bewertungen.

Melde dich an, um eine Bewertung abzugeben.

Sanjay Gupta

May 2, 2026

Compared a few options

Evaluated this against two competitors. Where it wins: neural network car controllers and clear, visual demonstration of genetic algorithms. Where it lags: training can be slow to converge. On balance the feature set — especially genetic algorithm-based training loop — justifies the 5 stars for our use case.

Wei Chen

Mar 20, 2026

Does the job

Pretty happy overall. Open-source codebase for experimentation just works and clear, visual demonstration of genetic algorithms. but no dealbreakers — I'd recommend it to a friend without hesitating.

Tomáš Novák

Feb 8, 2026

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on 2D parking simulation environment, and clear, visual demonstration of genetic algorithms caught me off guard. still, I'd recommend giving it a real trial.

Omar Haddad

Jan 14, 2026

Solid for our team

We rolled this out across the team last quarter and clear, visual demonstration of genetic algorithms. Neural network car controllers fits neatly into how we already work, and 2D parking simulation environment removed a step we used to do by hand. but it has held up under daily use.