Self-Parking Car EvolutionDemo de algoritmo genético que evoluciona coches autoseparadores virtuales en el navegador.

5.0 (4)

Reseñado por Daniel Nikulshyn·Actualizado julio de 2026

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

Resumen

Self-Parking Car Evolution es un proyecto educativo abierto que utiliza un algoritmo genético para enseñar a coches simulados a aparcar por sí mismos en un entorno virtual 2D. Cada coche está controlado por una pequeña red neuronal cuyos pesos están codificados como un genoma, y las generaciones sucesivas se cruzan, mutan y seleccionan en función de lo cerca que estén del objetivo de aparcamiento. La simulación se ejecuta íntegramente en el navegador, lo que permite a los usuarios observar cómo mejora la población con el tiempo a medida que se filtran los coches con un rendimiento deficiente y los conductores más fuertes transmiten sus parámetros. Sirve como una ilustración práctica de la computación evolutiva, las funciones de ajuste y el comportamiento emergente, en lugar de un sistema de conducción autónoma listo para producción. Desarrolladores, estudiantes y entusiastas de la IA pueden explorar el código fuente para aprender cómo funcionan los algoritmos genéticos en la práctica, ajustar parámetros o adaptar el enfoque a otros problemas de control.

Funciones clave

Bucle de entrenamiento basado en el algoritmo genético
Controladores de coche con redes neuronales
Entorno de simulación de aparcamiento en 2D
Parámetros población y mutación configurables
Visualización en vivo de las generaciones evolutivas
Codifase abierta con código fuente para la experimentación

Precio

Modelo: Freemium
Categoría: Computer Vision
Valoración: 5.0 / 5 (4)

Casos de uso

Aprender Algoritmos Genéticos Visualmente

Los estudiantes y los autodidactas pueden ver cómo las poblaciones de autos evolucionan en tiempo real para construir intuiciones sobre la selección, la mutación, y las funciones de aptitud.

Demostración en el Aula para AI Evolutiva

Los docentes pueden utilizar la simulación in-browser como un ayuda docente viva al introducir el neuroevolución, el comportamiento emergente, o el aprendizaje con estilo de reforzamiento.

Experimentar con Hiperparámetros

Los desarrolladores pueden ajustar el tamaño de población, las tasas de mutación, y los pesos de red para estudiar cómo estos parámetros afectan la velocidad de convergencia y el éxito en aparcamiento.

Proyecto de inicio para Neuroevolución

Los aficionados y los investigadores pueden forkear el conjunto de código fuente abierto como fundación para construir sus propios experimentos de algoritmo genético o entornos de simulación.

Pros y contras

Ventajas

Demostración visual clara de los algoritmos genéticos
Corre en el navegador sin configuración
Abierto y educativo
Buena puerta de entrada a conceptos de AI evolutiva
No requiere descarga de software y es fácil de usar
Toda la implementación está en JavaScript

Contras

Limitado a un escenario de aparcamiento jugoso
No se presta a uso realista con coches autónomos
El entrenamiento puede ser lento alcanzar la convergencia
Requiere conocimientos en programación para adaptarlo o modificar

Reseñas

5.0

Promedio de 4 valoraciones.

Inicia sesión para dejar una reseña.

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.