AgentPantheon
Self-Parking Car Evolution logo

Self-Parking Car EvolutionGenetikus algoritmus demonstrálása, amely virtuális önaranyított autót fejleszt a böngészőben.

5.0 (4)
Daniel NikulshynÉrtékelte Daniel Nikulshyn·Frissítve 2026. július

Áttekintés

A Self-Parking Car Evolution egy nyílt tanulási projekt, amely genetikai algoritmust használ az egyetlen autóknak a 2D virtuális környezetben a teljes parkolás eléréséhez. Mindegyik autót egy kis idegi hálózat irányítja, amelynek súlyaik genomikus kódolták vannak, és a generációk követik egymást, a mutáció, a selejtezés és a megfelelő parkolóhelyig való közelítésük alapján választják meg. A szimuláció teljes egészében a böngészőben fut, így az felhasználók figyelemmel kísérhetik a populáció fejlődését az idő múlásával, miközben a rossz teljesítményű autók kimutatásra kerülnek és a jobb teljesítményű vezetők a paramétereiket továbbítják. Alkalmazást szolgál, hogy az evolúciós számítógép, a funkcionalitást meghatározó objektum, és az emergált viselkedés által vezérelt, hanem nem az üzemeltetésre kész autonóm vezetői rendszer demonstrációjaként egy gyakorlati, kézzel fogható illusztráció Fejlesztők, hallgatók és AI-zők is megismerhetik, hogyan működnek a gének algoritmikusjai a praktikus környezetben, finomhangolhatják a paramétereket vagy alkalmazhatják az adott irányítási problémákra is ezt a megközelítést a forráskódban keresztül.

Fő funkciók

  • Genetikus algoritmus alapú képzési körfolyamat
  • Neuronális hálózat irányító autóvezető
  • 2D parkolási szimulációs környezet
  • Konfigurálható népesség- és módosítási paraméterek
  • Élő vizualizáció az evolúcióban részes generációk számára
  • Nyílt forráskódú könyvtár a kísérletezéshez

Árazás

Modell
Freemium
Kategória
Computer Vision
Értékelés
5.0 / 5 (4)

Felhasználási esetek

Nézd meg a Genetikus Algoritmusokat Vizuálisan

Diákok és önszabályozó tanulók követhetik az autópopulációt, ahogy valós idejben fejlődik, hogy megértse a szaporodás, módosítás és a fitness funkciókat.

Evolutioni AI Oktatói Demo a Tantermen

Az oktatók használhatják a böngészőben futó szimulációt élő tanítási segéd eszközének bevonásával az neuroevolúciót, az eredeti viselkedést vagy a feltételezéses tanulási koncepteket megismertetéséhez.

Kísérletezz a Kötőszámokkal

Fejlesztők kibővíthetik a népességméretet, a módosítási rátákat és a neuronális hálózat töltőszámait, hogy tanulmányozzák, hogyan befolyásolja ezeket a paramétereket a megfelelések sebességét és a parkoló sikerességét.

Alapvető Projekt a Neuroevolúciónak

Túlbuzgó kísérletezők és kutatók visszafejezhessék a nyílt forráskódú projektet mint alapvetőt a saját genetikus algoritmusok kísérletének és a környezeti szimulációinak kifejlesztéséhez.

Előnyök és hátrányok

Előnyök

  • Tisztán látványos genetikus algoritmusok demonstrálása
  • Böngészőben fut, nincs telepítés
  • Nyílt forrású és oktatási
  • Alapvető pont a evolúciós AI konceptekhez
  • Sokat tanulhatunk a kódolásból
  • Nagyon könnyedén kivitelezhető

Hátrányok

  • Mint a kis játék, a parkolási forgatókönyvre van szabva, nem alkalmazható a valódi vitorlásgyorsító környezetekre
  • Nem alkalmas a valódi vitorla gyorsító rendszerre
  • A képzés lassan valósulhat meg
  • Kódkészség szükséges a kibővítéshez

Értékelések

5.0

Átlag 4 értékelésből.

5
4
4
0
3
0
2
0
1
0

Jelentkezz be értékelés írásához.

S

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.

W

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.

T

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.

O

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.

Kérdések

Még nincsenek kérdések — kérdezz elsőként.

Kérdezz

Computer Vision alternatívái