Self-Parking Car EvolutionDemonstração de algoritmo genético que evolui carros virtuais autônomos de estacionamento no navegador.

5.0 (4)

Avaliado por Daniel Nikulshyn·Atualizado julho de 2026

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

Visão geral

Self-Parking Car Evolution é um projeto educacional aberto que usa um algoritmo genético para ensinar carros simulados a estacionar sozinhos em um ambiente virtual 2D. Cada carro é controlado por uma pequena rede neural cujos pesos são codificados como um genoma, e gerações sucessivas são criadas, mutadas e selecionadas com base em quão perto elas chegam ao local de estacionamento alvo. A simulação é executada inteiramente no navegador, permitindo que os usuários vejam a população melhorar ao longo do tempo, à medida que os carros com baixo desempenho são filtrados e os motoristas mais fortes passam seus parâmetros. Ele serve como uma ilustração prática de computação evolutiva, funções de aptidão e comportamento emergente, em vez de um sistema de direção autônoma pronto para produção. Desenvolvedores, alunos e entusiastas de IA podem explorar o código-fonte para aprender como os algoritmos genéticos funcionam na prática, ajustar parâmetros ou adaptar a abordagem a outros problemas de controle.

Funcionalidades principais

Loop de treinamento baseado em algoritmo genético
Controle de carros por rede neural
Ambiente de simulação de estacionamento 2D
Parâmetros de população e mutação configuráveis
Visualização ao vivo de gerações em evolução
Código aberto para experimentação

Preços

Modelo: Freemium
Categoria: Computer Vision
Avaliação: 5.0 / 5 (4)

Casos de uso

Aprender Algoritmos Genéticos Visualmente

Alunos e autodidatas podem assistir às populações de carros evoluírem em tempo real para construir intuição sobre seleção, mutação e funções de aptidão.

Demonstração em Sala de Aula para IA Evolutiva

Instrutores podem usar a simulação no navegador como uma ferramenta de ensino ao vivo ao introduzir conceitos de neuroevolução, comportamento emergente ou aprendizado estilo reforço.

Experimentar com Hiperparâmetros

Desenvolvedores podem ajustar o tamanho da população, taxas de mutação e pesos de rede para estudar como esses parâmetros afetam a velocidade de convergência e o sucesso do estacionamento.

Projeto Inicial para Neuroevolução

Hobbyistas e pesquisadores podem bifurcar o código aberto como base para construir seus próprios experimentos de algoritmo genético ou ambientes de simulação.

Prós e contras

Prós

Demonstração visual clara de algoritmos genéticos
Executa no navegador sem configuração
Código aberto e educacional
Bom ponto de entrada para conceitos de IA evolutiva

Contras

Limitado a um cenário de estacionamento de brinquedo
Não é adequado para direção autônoma no mundo real
O treinamento pode ser lento para convergir
Requer conhecimento de codificação para estender

Avaliações

5.0

Média de 4 avaliações.

Entra para deixar uma avaliação.

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.