Self-Parking Car EvolutionDémo d'algorithme génétique qui évolue des voitures à stationnement automatique virtuel dans le navigateur.

5.0 (4)

Évalué par Daniel Nikulshyn·Mis à jour juillet 2026

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

Aperçu

Self-Parking Car Evolution est un projet éducatif ouvert qui utilise un algorithme génétique pour apprendre à des voitures simulées à se garer elles-mêmes dans un environnement virtuel 2D. Chaque voiture est contrôlée par un petit réseau de neurones dont les poids sont codés comme un génome, et des générations successives sont engendrées, mutées et sélectionnées en fonction de leur proximité avec l'emplacement de stationnement cible. La simulation s'exécute entièrement dans le navigateur, permettant aux utilisateurs d'observer l'amélioration de la population au fil du temps, à mesure que les voitures peu performantes sont éliminées et que les conducteurs plus performants transmettent leurs paramètres. Cela sert d'illustration pratique du calcul évolutif, des fonctions de fitness et du comportement émergent plutôt que d'un système de conduite autonome prêt à être utilisé en production. Les développeurs, les étudiants et les passionnés d'IA peuvent explorer le code source pour apprendre comment les algorithmes génétiques fonctionnent dans la pratique, ajuster les paramètres ou adapter l'approche à d'autres problèmes de contrôle.

Fonctionnalités clés

Boucle d'entraînement basée sur l'algorithme génétique
Contrôleurs de voiture à réseau de neurones
Environnement de simulation de stationnement 2D
Paramètres de population et de mutation configurables
Visualisation en temps réel des générations évoluant
Code source ouvert pour l'expérimentation

Tarifs

Modèle: Freemium
Catégorie: Computer Vision
Note: 5.0 / 5 (4)

Cas d’usage

Apprendre les algorithmes génétiques visuellement

Les étudiants et les auto-apprenants peuvent regarder des populations de voitures évoluer en temps réel pour acquérir une intuition sur la sélection, la mutation et les fonctions de fitness.

Démo pour Classe de l'AI Évolutionnaire

Les formateurs peuvent utiliser la simulation en direct dans le navigateur comme aide pédagogique lorsqu'ils présentent le neuroévolution, le comportement émergent ou le apprentissage par renforcement.

Expérimente avec les Hyperparamètres

Les développeurs peuvent tenter des modifications de la taille de la population, les taux de mutation et les poids du réseau à fins d'étudier sur ce que ces paramètres affectent la vitesse de convergence et le succès du stationnement.

Projet Initiateur pour le Neuroévolution

Les hobbyistes et les chercheurs peuvent fork le code source ouvert comme base pour construire leurs propres expérimentations génétiques ou leurs environnements de simulation.

Pour & contre

Pour

Démonstraiton visuelle claire des algorithmes génétiques
Exécuter dans le navigateur sans installation
Code source ouvert et éducatif
Point d'entrée approprié pour les concepts AI d'évolution

Contre

Limité à un scénario de stationnement de jouet
Pas adapté pour un déplacement automatisé réel
L'entrainement peut être lourd et longue
Exige une connaissance de programmation pour s'étendre

Avis

5.0

Moyenne sur 4 avis.

Connecte-toi pour laisser un avis.

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.

Questions & réponses

Pas encore de question — sois le premier à demander.

Poser une question

Freemium

Retouch4me

Computer Vision

Un complément de traitement photo à l'intelligence artificielle qui automatiser les aménagements de la peau, la couleur et le détail tout en conservant les textures naturelles.

4.8 (6)

Freemium