From 5a9bcfe203e791cd34130e4e65b1d9250037351e Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sat, 20 Dec 2025 15:37:30 +0800
Subject: [PATCH 1/6] =?UTF-8?q?=E6=8F=90=E4=BA=A4=E9=80=89=E9=A2=98?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../README/main | 188 ++++++++++++++++++
.../README/md | 0
2 files changed, 188 insertions(+)
create mode 100644 src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main
create mode 100644 src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/md
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main
new file mode 100644
index 0000000000..2624b32461
--- /dev/null
+++ b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main
@@ -0,0 +1,188 @@
+无人车自主行驶与自动避让系统(MuJoCo仿真)README
+
+一、项目简介
+
+本项目基于MuJoCo(Multi-Joint dynamics with Contact)物理仿真引擎,构建了高保真的无人车自主行驶与自动避让仿真系统。系统核心目标是在虚拟仿真场景中,实现无人车沿预设路径(或自由探索)行驶,并能实时检测周围障碍物,通过决策算法完成安全避让动作。项目无需依赖真实硬件,可快速迭代验证避障算法、路径规划策略的有效性,适用于自动驾驶算法研发、强化学习训练、机器人运动控制等相关领域的学习与研究。
+
+本系统具备场景可配置、障碍物类型多样、算法可替换等特性,为无人车自主导航相关算法的快速验证提供了高效的仿真平台。
+
+二、功能特性
+
+- 高保真物理仿真:基于MuJoCo引擎精准模拟无人车的动力学特性(如车轮摩擦、驱动力矩、惯性)和环境交互(如碰撞检测、地形附着力),还原真实行驶场景。
+
+- 实时障碍物检测:集成虚拟激光雷达/深度相机传感器,实时采集周围环境数据,精准识别障碍物的位置、距离和尺寸信息。
+
+- 多模式自主行驶:支持预设路径跟踪行驶和自由探索行驶两种模式,可通过配置文件灵活切换。
+
+- 智能自动避让:实现基于规则/强化学习的避障决策算法,支持障碍物绕行、减速避让、紧急停车等多种避让策略。
+
+- 场景可定制化:支持自定义场景地图(如直道、弯道、交叉路口)、障碍物类型(如静态障碍物、动态障碍物)和数量,可配置场景复杂度。
+
+- 数据可视化与日志记录:实时可视化无人车行驶状态、传感器数据和避障决策过程,支持记录行驶轨迹、障碍物信息等数据用于后续分析。
+
+- 算法模块化设计:感知、决策、控制模块解耦,支持快速替换不同的避障算法(如A*、DWA、强化学习模型)进行对比验证。
+
+三、环境要求
+
+3.1 软件环境
+
+- 操作系统:Windows 10/11 64位、Ubuntu 20.04/22.04 64位
+
+- MuJoCo版本:2.3.7 及以上(需获取官方许可证,学生可申请免费许可证)
+
+- 编程语言:Python 3.8 - 3.11
+
+-
+
+核心依赖库:mujoco(MuJoCo仿真引擎Python绑定)、numpy(数值计算与数据处理)、matplotlib(数据可视化与结果绘图)、pyyaml(配置文件解析)、opencv-python(图像数据处理,用于传感器数据可视化)、torch(可选,用于强化学习模型训练与推理)
+
+3.2 硬件环境
+
+- CPU:Intel Core i5 及以上(推荐多核处理器,提升仿真效率)
+
+- GPU:NVIDIA GeForce GTX 1050 及以上(可选,支持GPU加速仿真,提升复杂场景运行速度)
+
+- 内存:8GB 及以上(复杂场景建议16GB)
+
+- 磁盘空间:10GB 及以上(用于存储仿真模型、场景文件、日志数据)
+
+3.3 环境搭建步骤
+
+1. 安装Python 3.8 - 3.11,配置Python环境变量。
+
+2. 获取MuJoCo许可证,下载对应版本的MuJoCo引擎,解压至指定目录(如Windows:C:\Users\用户名\.mujoco,Ubuntu:~/.mujoco)。
+
+3.
+
+设置MuJoCo环境变量:Windows系统需添加系统变量指定MuJoCo解压目录路径和许可证文件路径;Ubuntu系统需在终端执行相关命令配置环境变量,可写入.bashrc文件实现永久生效
+
+安装依赖库:通过Python包管理工具安装所需核心依赖库,若需使用强化学习功能,额外安装对应的强化学习相关依赖库
+
+验证环境:运行简单的Python命令导入mujoco库,无报错则说明环境搭建完成
+
+四、项目结构
+
+五、核心模块说明
+
+5.1 核心模块功能说明
+
+5.1.1 仿真环境模块(env/vehicle_env.py)
+
+仿真环境模块:核心功能为封装MuJoCo仿真引擎的核心交互逻辑,包括场景模型加载、无人车初始化、物理状态更新等。模块会根据配置文件加载指定的仿真场景,初始化无人车的转向、驱动等关键关节参数,并提供环境重置、动作执行等接口,实现仿真过程的循环推进。
+
+5.1.2 传感器模块(sensor/lidar.py)
+
+传感器模块:核心功能为模拟实现障碍物检测所需的传感设备,以虚拟激光雷达为核心。模块会根据配置的安装位置、探测范围等参数,实时采集周围环境数据,通过射线检测原理计算障碍物距离,并将处理后的传感数据提供给决策模块使用,为避障判断提供数据支撑。
+
+5.1.3 决策模块(policy/rule_based_policy.py)
+
+决策模块:核心功能为根据无人车状态和传感器数据生成行驶控制指令。以基于规则的决策逻辑为例,模块会划分激光雷达探测区域,判断前向及两侧是否存在障碍物,结合预设的距离阈值、安全速度、转向角度等参数,决策生成直行、转向避让、减速等控制指令,保障行驶安全。
+
+5.1.4 项目入口(main.py)
+
+项目入口模块:核心功能为调度各模块协同运行,启动仿真流程。模块会加载各类配置文件,初始化仿真环境、决策策略和数据日志工具,通过循环调用环境重置、决策指令生成、动作执行、数据记录等接口,推动仿真过程持续进行,直至达到最大仿真步数或触发结束条件(碰撞、到达终点)。
+
+5.2 配置文件说明
+
+配置文件说明:系统参数可通过配置目录下的YAML文件灵活配置,无需修改核心逻辑。配置内容涵盖仿真场景路径、仿真步长、最大仿真步数等环境参数,激光雷达安装位置、探测范围等传感器参数,无人车关节ID等车辆参数,以及避障阈值、安全速度等决策参数,方便用户快速调整仿真条件。
+
+六、模型说明
+
+6.1 MuJoCo仿真模型(XML)
+
+无人车和场景的物理模型通过MuJoCo的XML文件定义,包含几何体(geom)、关节(joint)、传感器(sensor)等元素。XML文件位于env/scenes/目录,可通过utils/xml_builder.py工具生成自定义场景,或手动编写。
+
+核心模型元素说明:
+
+- 无人车模型:由车身(geom类型为box)、车轮(geom类型为cylinder)组成,通过关节连接(转向关节为hinge,驱动关节为motor),定义了质量、惯性、摩擦系数等物理参数。
+
+- 场景模型:包含地面(geom类型为plane)、障碍物(geom类型为box/cylinder,可设置静态/动态)、目标点(site类型,用于路径跟踪)。
+
+- 传感器定义:可在XML中直接定义MuJoCo原生传感器(如force、torque传感器),与自定义的激光雷达传感器配合使用。
+
+6.2 决策模型
+
+本系统支持两种决策模型,可通过修改main.py中的政策初始化代码切换:
+
+- 基于规则的模型(默认):无需训练,通过预设规则(如前向障碍物距离阈值、左右避让空间判断)生成决策,适用于快速验证避障逻辑,代码位于policy/rule_based_policy.py。
+
+- 强化学习模型(可选):基于PyTorch实现,以无人车的状态(位置、速度、激光雷达数据)为输入,输出转向角和驱动力矩,通过强化学习训练优化避障策略。训练代码可参考policy/rl_policy.py,训练数据和模型参数保存在models/目录。
+
+6.3 模型训练(强化学习可选)
+
+若使用强化学习决策模型,需先进行训练:
+
+1. 修改main.py,初始化RLPolicy而非RuleBasedPolicy。
+
+2. 配置policy_config.yaml中的训练参数(学习率、折扣因子、训练轮数等)。
+
+3. 运行训练脚本:python policy/train_rl.py。
+
+4. 训练完成后,模型参数保存在models/rl_policy.pth,可直接用于仿真推理。
+
+七、数据输出
+
+仿真过程中会记录关键数据,用于后续分析和算法优化:
+
+7.1 输出数据类型
+
+- 无人车状态数据:位置(x,y,z)、速度、姿态(四元数)、转向角、驱动力矩。
+
+- 传感器数据:激光雷达距离数据(数组)、相机图像数据(可选)。
+
+- 决策数据:每步的动作指令、避障决策标签(如“直行”“左转避让”“紧急停车”)。
+
+- 仿真状态数据:步数、时间、是否碰撞、是否到达终点。
+
+7.2 输出格式与存储
+
+- 实时可视化:通过utils/visualization.py实时显示无人车行驶轨迹、激光雷达探测范围、障碍物位置。
+
+- 日志文件:仿真结束后,数据以CSV格式保存至logs/目录,文件名为simulation_YYYYMMDD_HHMMSS.csv。
+
+- 图像输出:可选保存激光雷达点云图、行驶轨迹图至logs/figures/目录(需在配置文件中开启)。
+
+7.3 数据可视化方法
+
+数据可视化方法:可通过系统内置的可视化工具实现日志数据的可视化展示,支持绘制无人车行驶轨迹、激光雷达探测范围等关键信息,帮助用户直观分析仿真过程和系统性能,可视化结果可按需保存为图像文件。
+
+八、扩展建议
+
+本项目架构模块化,支持多种扩展方向,可根据需求进一步优化:
+
+- 多智能体交互:扩展env/vehicle_env.py,支持多个无人车同时行驶,模拟交通流场景,验证多车协同避障算法。
+
+- 复杂场景建模:添加雨天、雪地、崎岖地形等场景的物理参数(如地面摩擦系数调整),通过utils/xml_builder.py生成复杂城市道路场景(含交通灯、斑马线)。
+
+- 高级算法集成:集成路径规划算法(如A*、DWA、RRT*)到决策模块,实现“全局路径规划+局部避障”的双层控制;或集成深度学习模型(如PointPillars)用于障碍物检测。
+
+- 传感器融合:添加虚拟相机、毫米波雷达等传感器,通过卡尔曼滤波、贝叶斯估计等算法融合多传感器数据,提升障碍物检测的准确性和鲁棒性。
+
+- 真实硬件迁移:将仿真中验证有效的算法适配到真实无人车硬件(如STM32、ROS-based平台),实现“仿真验证-硬件部署”的快速迭代。
+
+- 性能优化:通过MuJoCo的GPU加速功能(需配置CUDA)提升复杂场景的仿真速度;优化决策算法的计算效率,降低延迟。
+
+九、故障排除
+
+仿真过程中常见问题及解决方法:
+
+问题1:MuJoCo环境加载失败,报错“Could not find MuJoCo library”
+解决方法:检查MuJoCo环境变量配置的准确性;确认MuJoCo许可证文件路径正确;重新安装MuJoCo的Python绑定库。
+
+问题2:无人车无法正常行驶,出现抖动或漂移
+解决方法:调整环境配置中的仿真子步数提升稳定性;检查无人车模型关节阻尼系数,可适当增大以减少抖动;调整驱动力矩相关参数,避免速度过冲。
+
+问题3:激光雷达无法检测到障碍物
+解决方法:检查激光雷达安装位置配置,确保探测范围可覆盖障碍物;确认仿真模型中障碍物的碰撞属性参数设置正确,与无人车、激光雷达的碰撞属性匹配;适当增大激光雷达最大探测距离配置。
+
+- 问题4:强化学习模型训练收敛慢或不收敛
+解决方法:调整奖励函数设计(增加碰撞惩罚、到达目标奖励);优化状态空间和动作空间的归一化;调整学习率、折扣因子等超参数;增加训练轮数或提升训练数据量。
+
+
+问题5:仿真过程中出现碰撞但未检测到
+解决方法:检查仿真环境模块中的碰撞检测逻辑,确保正确获取MuJoCo的接触数据;在仿真模型中为无人车和障碍物设置明确的碰撞类型参数,避免碰撞过滤。
+
+- 问题6:Python版本兼容问题
+解决方法:确保使用Python 3.8 - 3.11版本(mujoco库对Python 3.12及以上版本可能不兼容);通过虚拟环境(venv/conda)隔离项目依赖。
+
+
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/md b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/md
new file mode 100644
index 0000000000..e69de29bb2
From 4f5576c949a6be907c73d0c05b8c0e7d66a167c0 Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sat, 20 Dec 2025 20:48:34 +0800
Subject: [PATCH 2/6] =?UTF-8?q?=E6=8F=90=E4=BA=A4=E9=80=89=E9=A2=98?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../{README/md => README.md} | 0
.../{README/main => main.py} | 0
2 files changed, 0 insertions(+), 0 deletions(-)
rename src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/{README/md => README.md} (100%)
rename src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/{README/main => main.py} (100%)
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/md b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md
similarity index 100%
rename from src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/md
rename to src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py
similarity index 100%
rename from src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README/main
rename to src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py
From b446c9afb6887a9c6ae925a5a8c9a9d2feaba88c Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sat, 20 Dec 2025 20:56:16 +0800
Subject: [PATCH 3/6] =?UTF-8?q?=E6=8F=90=E4=BA=A4=E9=80=89=E9=A2=98?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../README.md | 25 +++++++++++++++++++
1 file changed, 25 insertions(+)
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md
index e69de29bb2..95403b831f 100644
--- a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md
+++ b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/README.md
@@ -0,0 +1,25 @@
+无人车自主行驶与自动避让系统
+
+本项目仅使用MuJoCo(Multi-Joint dynamics with Contact)物理仿真引擎与Python编程语言,构建高保真的无人车自主行驶与自动避让仿真系统。系统核心目标是在虚拟仿真场景中,实现无人车沿预设路径(或自由探索)行驶,并能实时检测周围障碍物,通过Python实现的决策算法完成安全避让动作。项目无需依赖真实硬件,可快速迭代验证避障算法、路径规划策略的有效性,适用于自动驾驶算法研发、强化学习训练、机器人运动控制等相关领域的学习与研究。
+
+本系统具备场景可配置、障碍物类型多样、算法可替换等特性,为无人车自主导航相关算法的快速验证提供了高效的仿真平台。
+
+环境要求
+- 操作系统:Windows 10/11 64位,Ubuntu 20.04/22.04 64位
+
+- MuJoCo版本:2.3.7 及以上(需获取官方许可证,学生可申请免费许可证)
+
+- 编程语言:Python 3.8 - 3.11
+
+核心依赖库:mujoco(MuJoCo仿真引擎Python绑定)、numpy(数值计算与数据处理)、matplotlib(数据可视化与结果绘图)、pyyaml(配置文件解析)、opencv-python(图像数据处理,用于传感器数据可视化)
+
+环境搭建步骤
+1. 安装Python 3.8 - 3.11,配置Python环境变量。
+
+2. 获取MuJoCo许可证,下载对应版本的MuJoCo引擎,解压至指定目录(如Windows:C:\Users\用户名\.mujoco,Ubuntu:~/.mujoco)。
+
+3. 设置MuJoCo环境变量:Windows系统需添加系统变量指定MuJoCo解压目录路径和许可证文件路径;Ubuntu系统需在终端执行相关命令配置环境变量,可写入.bashrc文件实现永久生效。
+
+4. 安装依赖库:通过Python包管理工具安装所需核心依赖库,若需使用强化学习功能,额外安装对应的强化学习相关依赖库。
+
+5. 验证环境:运行简单的Python命令导入mujoco库,无报错则说明环境搭建完成。
\ No newline at end of file
From f105ce988aa18b83edcb2fe11cb7406b642a65c7 Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sat, 20 Dec 2025 20:58:51 +0800
Subject: [PATCH 4/6] =?UTF-8?q?=E6=8F=90=E4=BA=A4=E9=80=89=E9=A2=98?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../main.py | 188 ------------------
1 file changed, 188 deletions(-)
delete mode 100644 src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py
deleted file mode 100644
index 2624b32461..0000000000
--- a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/main.py
+++ /dev/null
@@ -1,188 +0,0 @@
-无人车自主行驶与自动避让系统(MuJoCo仿真)README
-
-一、项目简介
-
-本项目基于MuJoCo(Multi-Joint dynamics with Contact)物理仿真引擎,构建了高保真的无人车自主行驶与自动避让仿真系统。系统核心目标是在虚拟仿真场景中,实现无人车沿预设路径(或自由探索)行驶,并能实时检测周围障碍物,通过决策算法完成安全避让动作。项目无需依赖真实硬件,可快速迭代验证避障算法、路径规划策略的有效性,适用于自动驾驶算法研发、强化学习训练、机器人运动控制等相关领域的学习与研究。
-
-本系统具备场景可配置、障碍物类型多样、算法可替换等特性,为无人车自主导航相关算法的快速验证提供了高效的仿真平台。
-
-二、功能特性
-
-- 高保真物理仿真:基于MuJoCo引擎精准模拟无人车的动力学特性(如车轮摩擦、驱动力矩、惯性)和环境交互(如碰撞检测、地形附着力),还原真实行驶场景。
-
-- 实时障碍物检测:集成虚拟激光雷达/深度相机传感器,实时采集周围环境数据,精准识别障碍物的位置、距离和尺寸信息。
-
-- 多模式自主行驶:支持预设路径跟踪行驶和自由探索行驶两种模式,可通过配置文件灵活切换。
-
-- 智能自动避让:实现基于规则/强化学习的避障决策算法,支持障碍物绕行、减速避让、紧急停车等多种避让策略。
-
-- 场景可定制化:支持自定义场景地图(如直道、弯道、交叉路口)、障碍物类型(如静态障碍物、动态障碍物)和数量,可配置场景复杂度。
-
-- 数据可视化与日志记录:实时可视化无人车行驶状态、传感器数据和避障决策过程,支持记录行驶轨迹、障碍物信息等数据用于后续分析。
-
-- 算法模块化设计:感知、决策、控制模块解耦,支持快速替换不同的避障算法(如A*、DWA、强化学习模型)进行对比验证。
-
-三、环境要求
-
-3.1 软件环境
-
-- 操作系统:Windows 10/11 64位、Ubuntu 20.04/22.04 64位
-
-- MuJoCo版本:2.3.7 及以上(需获取官方许可证,学生可申请免费许可证)
-
-- 编程语言:Python 3.8 - 3.11
-
--
-
-核心依赖库:mujoco(MuJoCo仿真引擎Python绑定)、numpy(数值计算与数据处理)、matplotlib(数据可视化与结果绘图)、pyyaml(配置文件解析)、opencv-python(图像数据处理,用于传感器数据可视化)、torch(可选,用于强化学习模型训练与推理)
-
-3.2 硬件环境
-
-- CPU:Intel Core i5 及以上(推荐多核处理器,提升仿真效率)
-
-- GPU:NVIDIA GeForce GTX 1050 及以上(可选,支持GPU加速仿真,提升复杂场景运行速度)
-
-- 内存:8GB 及以上(复杂场景建议16GB)
-
-- 磁盘空间:10GB 及以上(用于存储仿真模型、场景文件、日志数据)
-
-3.3 环境搭建步骤
-
-1. 安装Python 3.8 - 3.11,配置Python环境变量。
-
-2. 获取MuJoCo许可证,下载对应版本的MuJoCo引擎,解压至指定目录(如Windows:C:\Users\用户名\.mujoco,Ubuntu:~/.mujoco)。
-
-3.
-
-设置MuJoCo环境变量:Windows系统需添加系统变量指定MuJoCo解压目录路径和许可证文件路径;Ubuntu系统需在终端执行相关命令配置环境变量,可写入.bashrc文件实现永久生效
-
-安装依赖库:通过Python包管理工具安装所需核心依赖库,若需使用强化学习功能,额外安装对应的强化学习相关依赖库
-
-验证环境:运行简单的Python命令导入mujoco库,无报错则说明环境搭建完成
-
-四、项目结构
-
-五、核心模块说明
-
-5.1 核心模块功能说明
-
-5.1.1 仿真环境模块(env/vehicle_env.py)
-
-仿真环境模块:核心功能为封装MuJoCo仿真引擎的核心交互逻辑,包括场景模型加载、无人车初始化、物理状态更新等。模块会根据配置文件加载指定的仿真场景,初始化无人车的转向、驱动等关键关节参数,并提供环境重置、动作执行等接口,实现仿真过程的循环推进。
-
-5.1.2 传感器模块(sensor/lidar.py)
-
-传感器模块:核心功能为模拟实现障碍物检测所需的传感设备,以虚拟激光雷达为核心。模块会根据配置的安装位置、探测范围等参数,实时采集周围环境数据,通过射线检测原理计算障碍物距离,并将处理后的传感数据提供给决策模块使用,为避障判断提供数据支撑。
-
-5.1.3 决策模块(policy/rule_based_policy.py)
-
-决策模块:核心功能为根据无人车状态和传感器数据生成行驶控制指令。以基于规则的决策逻辑为例,模块会划分激光雷达探测区域,判断前向及两侧是否存在障碍物,结合预设的距离阈值、安全速度、转向角度等参数,决策生成直行、转向避让、减速等控制指令,保障行驶安全。
-
-5.1.4 项目入口(main.py)
-
-项目入口模块:核心功能为调度各模块协同运行,启动仿真流程。模块会加载各类配置文件,初始化仿真环境、决策策略和数据日志工具,通过循环调用环境重置、决策指令生成、动作执行、数据记录等接口,推动仿真过程持续进行,直至达到最大仿真步数或触发结束条件(碰撞、到达终点)。
-
-5.2 配置文件说明
-
-配置文件说明:系统参数可通过配置目录下的YAML文件灵活配置,无需修改核心逻辑。配置内容涵盖仿真场景路径、仿真步长、最大仿真步数等环境参数,激光雷达安装位置、探测范围等传感器参数,无人车关节ID等车辆参数,以及避障阈值、安全速度等决策参数,方便用户快速调整仿真条件。
-
-六、模型说明
-
-6.1 MuJoCo仿真模型(XML)
-
-无人车和场景的物理模型通过MuJoCo的XML文件定义,包含几何体(geom)、关节(joint)、传感器(sensor)等元素。XML文件位于env/scenes/目录,可通过utils/xml_builder.py工具生成自定义场景,或手动编写。
-
-核心模型元素说明:
-
-- 无人车模型:由车身(geom类型为box)、车轮(geom类型为cylinder)组成,通过关节连接(转向关节为hinge,驱动关节为motor),定义了质量、惯性、摩擦系数等物理参数。
-
-- 场景模型:包含地面(geom类型为plane)、障碍物(geom类型为box/cylinder,可设置静态/动态)、目标点(site类型,用于路径跟踪)。
-
-- 传感器定义:可在XML中直接定义MuJoCo原生传感器(如force、torque传感器),与自定义的激光雷达传感器配合使用。
-
-6.2 决策模型
-
-本系统支持两种决策模型,可通过修改main.py中的政策初始化代码切换:
-
-- 基于规则的模型(默认):无需训练,通过预设规则(如前向障碍物距离阈值、左右避让空间判断)生成决策,适用于快速验证避障逻辑,代码位于policy/rule_based_policy.py。
-
-- 强化学习模型(可选):基于PyTorch实现,以无人车的状态(位置、速度、激光雷达数据)为输入,输出转向角和驱动力矩,通过强化学习训练优化避障策略。训练代码可参考policy/rl_policy.py,训练数据和模型参数保存在models/目录。
-
-6.3 模型训练(强化学习可选)
-
-若使用强化学习决策模型,需先进行训练:
-
-1. 修改main.py,初始化RLPolicy而非RuleBasedPolicy。
-
-2. 配置policy_config.yaml中的训练参数(学习率、折扣因子、训练轮数等)。
-
-3. 运行训练脚本:python policy/train_rl.py。
-
-4. 训练完成后,模型参数保存在models/rl_policy.pth,可直接用于仿真推理。
-
-七、数据输出
-
-仿真过程中会记录关键数据,用于后续分析和算法优化:
-
-7.1 输出数据类型
-
-- 无人车状态数据:位置(x,y,z)、速度、姿态(四元数)、转向角、驱动力矩。
-
-- 传感器数据:激光雷达距离数据(数组)、相机图像数据(可选)。
-
-- 决策数据:每步的动作指令、避障决策标签(如“直行”“左转避让”“紧急停车”)。
-
-- 仿真状态数据:步数、时间、是否碰撞、是否到达终点。
-
-7.2 输出格式与存储
-
-- 实时可视化:通过utils/visualization.py实时显示无人车行驶轨迹、激光雷达探测范围、障碍物位置。
-
-- 日志文件:仿真结束后,数据以CSV格式保存至logs/目录,文件名为simulation_YYYYMMDD_HHMMSS.csv。
-
-- 图像输出:可选保存激光雷达点云图、行驶轨迹图至logs/figures/目录(需在配置文件中开启)。
-
-7.3 数据可视化方法
-
-数据可视化方法:可通过系统内置的可视化工具实现日志数据的可视化展示,支持绘制无人车行驶轨迹、激光雷达探测范围等关键信息,帮助用户直观分析仿真过程和系统性能,可视化结果可按需保存为图像文件。
-
-八、扩展建议
-
-本项目架构模块化,支持多种扩展方向,可根据需求进一步优化:
-
-- 多智能体交互:扩展env/vehicle_env.py,支持多个无人车同时行驶,模拟交通流场景,验证多车协同避障算法。
-
-- 复杂场景建模:添加雨天、雪地、崎岖地形等场景的物理参数(如地面摩擦系数调整),通过utils/xml_builder.py生成复杂城市道路场景(含交通灯、斑马线)。
-
-- 高级算法集成:集成路径规划算法(如A*、DWA、RRT*)到决策模块,实现“全局路径规划+局部避障”的双层控制;或集成深度学习模型(如PointPillars)用于障碍物检测。
-
-- 传感器融合:添加虚拟相机、毫米波雷达等传感器,通过卡尔曼滤波、贝叶斯估计等算法融合多传感器数据,提升障碍物检测的准确性和鲁棒性。
-
-- 真实硬件迁移:将仿真中验证有效的算法适配到真实无人车硬件(如STM32、ROS-based平台),实现“仿真验证-硬件部署”的快速迭代。
-
-- 性能优化:通过MuJoCo的GPU加速功能(需配置CUDA)提升复杂场景的仿真速度;优化决策算法的计算效率,降低延迟。
-
-九、故障排除
-
-仿真过程中常见问题及解决方法:
-
-问题1:MuJoCo环境加载失败,报错“Could not find MuJoCo library”
-解决方法:检查MuJoCo环境变量配置的准确性;确认MuJoCo许可证文件路径正确;重新安装MuJoCo的Python绑定库。
-
-问题2:无人车无法正常行驶,出现抖动或漂移
-解决方法:调整环境配置中的仿真子步数提升稳定性;检查无人车模型关节阻尼系数,可适当增大以减少抖动;调整驱动力矩相关参数,避免速度过冲。
-
-问题3:激光雷达无法检测到障碍物
-解决方法:检查激光雷达安装位置配置,确保探测范围可覆盖障碍物;确认仿真模型中障碍物的碰撞属性参数设置正确,与无人车、激光雷达的碰撞属性匹配;适当增大激光雷达最大探测距离配置。
-
-- 问题4:强化学习模型训练收敛慢或不收敛
-解决方法:调整奖励函数设计(增加碰撞惩罚、到达目标奖励);优化状态空间和动作空间的归一化;调整学习率、折扣因子等超参数;增加训练轮数或提升训练数据量。
-
-
-问题5:仿真过程中出现碰撞但未检测到
-解决方法:检查仿真环境模块中的碰撞检测逻辑,确保正确获取MuJoCo的接触数据;在仿真模型中为无人车和障碍物设置明确的碰撞类型参数,避免碰撞过滤。
-
-- 问题6:Python版本兼容问题
-解决方法:确保使用Python 3.8 - 3.11版本(mujoco库对Python 3.12及以上版本可能不兼容);通过虚拟环境(venv/conda)隔离项目依赖。
-
-
From 8b8856d324105fd04839d7ec832960da6752b3b1 Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sun, 21 Dec 2025 14:15:20 +0800
Subject: [PATCH 5/6] =?UTF-8?q?=E5=88=9D=E6=AD=A5=E5=BB=BA=E7=AB=8B?=
=?UTF-8?q?=E4=BA=86=E5=B0=8F=E8=BD=A6=E6=A8=A1=E5=9E=8B?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../qwer.py | 332 ++++++++++++++++++
1 file changed, 332 insertions(+)
create mode 100644 src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
new file mode 100644
index 0000000000..9430fb200f
--- /dev/null
+++ b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
@@ -0,0 +1,332 @@
+
+import mujoco
+import glfw
+import numpy as np
+import csv
+import os
+from datetime import datetime
+import imageio
+from typing import List
+
+# -------------------------- 全局配置(已优化避障参数)--------------------------
+TIME_STEP = 0.01
+MAX_STEPS = 2000
+NSTEP = 5
+
+# 激光雷达参数
+LIDAR_MOUNT_POS = np.array([0.5, 0, 0.2])
+LIDAR_MAX_DISTANCE = 8.0
+LIDAR_NUM_RAYS = 360
+
+# 无人车参数(优化后,避免碰撞)
+MAX_STEER_ANGLE = 0.6 # 增大转向角
+MAX_DRIVE_TORQUE = 15.0 # 增大驱动力矩
+SAFE_SPEED = 1.8 # 提高直行速度
+AVOID_SPEED = 1.0 # 提高避让速度
+OBSTACLE_THRESHOLD = 4.0 # 提前触发避让
+AVOID_STEER_ANGLE = 0.5 # 增大避让转向角
+TORQUE_GAIN = 8.0 # 提高加速响应
+
+# 执行器索引
+DRIVE_ACTUATOR_IDS = [0, 1]
+STEER_ACTUATOR_IDS = [2, 3]
+
+# -------------------------- MuJoCo XML(障碍物后移,增加反应时间)--------------------------
+SCENE_XML = """
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+"""
+
+
+# -------------------------- 激光雷达(已匹配mj_ray参数)--------------------------
+class LidarSensor:
+ def __init__(self, model: mujoco.MjModel, data: mujoco.MjData):
+ self.model = model
+ self.data = data
+ self.angles = np.linspace(0, 2 * np.pi, LIDAR_NUM_RAYS, endpoint=False)
+ self.geomgroup = np.zeros(6, dtype=np.uint8)
+ self.geomgroup[0] = 1 # 只检测第0组的geom
+
+ def rotate_vector(self, vec: np.ndarray, quat: np.ndarray) -> np.ndarray:
+ qx, qy, qz, qw = quat
+ rot_mat = np.array([
+ [1 - 2 * qy ** 2 - 2 * qz ** 2, 2 * qx * qy - 2 * qz * qw, 2 * qx * qz + 2 * qy * qw],
+ [2 * qx * qy + 2 * qz * qw, 1 - 2 * qx ** 2 - 2 * qz ** 2, 2 * qy * qz - 2 * qx * qw],
+ [2 * qx * qz - 2 * qy * qw, 2 * qy * qz + 2 * qx * qw, 1 - 2 * qx ** 2 - 2 * qy ** 2]
+ ])
+ return np.dot(rot_mat, vec)
+
+ def get_distance_data(self) -> List[float]:
+ distances = [LIDAR_MAX_DISTANCE] * LIDAR_NUM_RAYS
+ vehicle_pos = self.data.qpos[:3]
+ vehicle_quat = self.data.qpos[3:7]
+
+ for i, angle in enumerate(self.angles):
+ local_dir = np.array([np.cos(angle), np.sin(angle), 0.0], dtype=np.float64)
+ local_dir = local_dir / np.linalg.norm(local_dir)
+ world_dir = self.rotate_vector(local_dir, vehicle_quat)
+ world_dir = world_dir / np.linalg.norm(world_dir)
+
+ ray_start = vehicle_pos + self.rotate_vector(LIDAR_MOUNT_POS, vehicle_quat)
+ ray_start = ray_start.astype(np.float64)
+
+ # 匹配mj_ray参数格式
+ pnt = ray_start.reshape(3, 1)
+ vec = world_dir.reshape(3, 1)
+ geomid = np.zeros(1, dtype=np.int32)
+
+ detected_dist = mujoco.mj_ray(
+ self.model, self.data,
+ pnt=pnt,
+ vec=vec,
+ geomgroup=self.geomgroup,
+ flg_static=1,
+ bodyexclude=0,
+ geomid=geomid
+ )
+
+ if geomid[0] != -1 and detected_dist <= LIDAR_MAX_DISTANCE:
+ distances[i] = detected_dist
+
+ return distances
+
+
+# -------------------------- 可视化类 --------------------------
+class Visualizer:
+ def __init__(self, model: mujoco.MjModel, data: mujoco.MjData):
+ self.model = model
+ self.data = data
+ if not glfw.init():
+ raise RuntimeError("Failed to initialize GLFW")
+ self.window = glfw.create_window(1280, 720, "无人车仿真", None, None)
+ if not self.window:
+ glfw.terminate()
+ raise RuntimeError("Failed to create GLFW window")
+ glfw.make_context_current(self.window)
+ glfw.swap_interval(1)
+
+ self.cam = mujoco.MjvCamera()
+ self.opt = mujoco.MjvOption()
+ mujoco.mjv_defaultCamera(self.cam)
+ mujoco.mjv_defaultOption(self.opt)
+ self.scene = mujoco.MjvScene(self.model, maxgeom=10000)
+ self.context = mujoco.MjrContext(self.model, mujoco.mjtFontScale.mjFONTSCALE_150)
+
+ self.cam.distance = 10.0
+ self.cam.azimuth = -45.0
+ self.cam.elevation = -30.0
+ self.cam.lookat = [5.0, 0.0, 0.5]
+
+ def render(self):
+ if glfw.window_should_close(self.window):
+ self.close()
+ return
+ mujoco.mjv_updateScene(self.model, self.data, self.opt, None, self.cam, mujoco.mjtCatBit.mjCAT_ALL, self.scene)
+ viewport = mujoco.MjrRect(0, 0, 1280, 720)
+ mujoco.mjr_render(viewport, self.scene, self.context)
+ glfw.swap_buffers(self.window)
+ glfw.poll_events()
+
+ def close(self):
+ glfw.destroy_window(self.window)
+ glfw.terminate()
+
+
+# -------------------------- 日志类 --------------------------
+class DataLogger:
+ def __init__(self):
+ self.log_dir = "logs"
+ os.makedirs(self.log_dir, exist_ok=True)
+ self.log_path = os.path.join(self.log_dir, f"sim_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv")
+ self.fields = ['step', 'time', 'x', 'y', 'speed', 'steer', 'torque', 'collision']
+ with open(self.log_path, 'w', newline='') as f:
+ csv.writer(f).writerow(self.fields)
+
+ def log(self, step, time, x, y, speed, steer, torque, collision):
+ with open(self.log_path, 'a', newline='') as f:
+ csv.writer(f).writerow(
+ [step, round(time, 3), round(x, 3), round(y, 3), round(speed, 3), round(steer, 3), round(torque, 3),
+ 1 if collision else 0])
+
+
+# -------------------------- 决策算法类 --------------------------
+class RulePolicy:
+ def __init__(self):
+ self.front_rays = slice(350, 360)
+ self.front_ext = slice(0, 10)
+ self.left_rays = slice(270, 350)
+ self.right_rays = slice(10, 90)
+
+ def get_speed(self, vel):
+ return np.linalg.norm(vel[:2])
+
+ def decide(self, lidar_data, vel):
+ lidar = np.array(lidar_data)
+ current_speed = self.get_speed(vel)
+
+ front_dist = np.min(np.concatenate([lidar[self.front_rays], lidar[self.front_ext]]))
+ left_dist = np.min(lidar[self.left_rays])
+ right_dist = np.min(lidar[self.right_rays])
+
+ if front_dist >= OBSTACLE_THRESHOLD:
+ steer = 0.0
+ target_speed = SAFE_SPEED
+ else:
+ steer = AVOID_STEER_ANGLE if left_dist > right_dist else -AVOID_STEER_ANGLE
+ target_speed = AVOID_SPEED
+
+ torque = TORQUE_GAIN * (target_speed - current_speed)
+ torque = np.clip(torque, -MAX_DRIVE_TORQUE, MAX_DRIVE_TORQUE)
+ return steer, torque
+
+
+# -------------------------- 仿真环境类(已整合自动录制功能)--------------------------
+class VehicleEnv:
+ def __init__(self):
+ self.model = mujoco.MjModel.from_xml_string(SCENE_XML)
+ self.data = mujoco.MjData(self.model)
+ self.lidar = LidarSensor(self.model, self.data)
+ self.vis = Visualizer(self.model, self.data)
+ self.logger = DataLogger()
+ self.policy = RulePolicy()
+
+ # 初始化帧缓存用于GIF录制
+ self.frames = []
+
+ def reset(self):
+ mujoco.mj_resetData(self.model, self.data)
+ return self.get_state()
+
+ def get_state(self):
+ return {
+ 'pos': self.data.qpos[:3],
+ 'vel': self.data.qvel[:3],
+ 'lidar': self.lidar.get_distance_data(),
+ 'collision': self.data.ncon > 0
+ }
+
+ def step(self, steer, torque):
+ for idx in STEER_ACTUATOR_IDS:
+ self.data.ctrl[idx] = np.clip(steer, -MAX_STEER_ANGLE, MAX_STEER_ANGLE)
+ for idx in DRIVE_ACTUATOR_IDS:
+ self.data.ctrl[idx] = torque
+
+ mujoco.mj_step(self.model, self.data, nstep=NSTEP)
+ return self.get_state()
+
+ def run(self):
+ state = self.reset()
+ print("仿真启动(按ESC关闭),正在自动录制GIF...")
+ print("=" * 50)
+
+ for step in range(MAX_STEPS):
+ # 1. 决策:根据激光雷达和速度生成控制指令
+ steer, torque = self.policy.decide(state['lidar'], state['vel'])
+ # 2. 执行动作:更新车辆状态
+ state = self.step(steer, torque)
+ # 3. 记录日志
+ self.logger.log(step, step * TIME_STEP, state['pos'][0], state['pos'][1],
+ self.policy.get_speed(state['vel']), steer, torque, state['collision'])
+ # 4. 渲染画面
+ self.vis.render()
+
+ # -------------------------- 录制当前帧 --------------------------
+ try:
+ width, height = glfw.get_framebuffer_size(self.vis.window)
+ if width > 0 and height > 0:
+ buffer = np.zeros((height, width, 3), dtype=np.uint8)
+ # 创建正确的 MjrRect 对象
+ viewport = mujoco.MjrRect(0, 0, width, height)
+ mujoco.mjr_readPixels(buffer, None, viewport, self.vis.context)
+ buffer = np.flipud(buffer)
+ self.frames.append(buffer)
+ except Exception as e:
+ print(f"录制帧时出错: {e}")
+ # -------------------------------------------------------------------
+
+ # 打印进度(每100步)
+ if step % 100 == 0:
+ print(
+ f"Step: {step:4d} | 速度: {self.policy.get_speed(state['vel']):.2f}m/s | 碰撞: {state['collision']}")
+
+ # 仿真结束条件
+ if state['collision'] or state['pos'][0] >= 15.0 or step >= MAX_STEPS - 1:
+ end_msg = "碰撞" if state['collision'] else "到达目标" if state['pos'][0] >= 15 else "超时"
+ print(f"\n仿真结束:{end_msg}(Step: {step})")
+ break
+
+ # -------------------------- 结束录制并保存 --------------------------
+ try:
+ if self.frames:
+ # 使用imageio v3 API保存GIF,调整duration参数延长播放时间
+ imageio.v3.imwrite('simulation.gif', self.frames, duration=200, loop=0)
+ print("GIF动图已保存至:simulation.gif(项目根目录)")
+ else:
+ print("没有帧数据可保存为GIF")
+ except Exception as e:
+ print(f"GIF保存失败: {e}")
+ # -------------------------------------------------------------------
+
+ # 关闭可视化窗口
+ self.vis.close()
+ # 打印保存路径
+ print(f"日志已保存至:{self.logger.log_path}")
+
+
+# -------------------------- 主函数 --------------------------
+if __name__ == "__main__":
+ try:
+ env = VehicleEnv()
+ env.run()
+ except Exception as e:
+ print(f"错误:{str(e)}")
+ try:
+ # 异常时也关闭录制器和窗口,避免文件损坏
+ env.vis.close()
+ except:
+ pass
\ No newline at end of file
From adca0f4d5e3ffe9d5dec183ea1124c071eea89aa Mon Sep 17 00:00:00 2001
From: qeo <3786759407@qq.com>
Date: Sun, 21 Dec 2025 14:58:49 +0800
Subject: [PATCH 6/6] =?UTF-8?q?=E5=88=9D=E6=AD=A5=E5=BB=BA=E7=AB=8B?=
=?UTF-8?q?=E4=BA=86=E5=B0=8F=E8=BD=A6=E6=A8=A1=E5=9E=8B?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
.../qwer.py | 154 ++++++++++--------
1 file changed, 84 insertions(+), 70 deletions(-)
diff --git a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
index 9430fb200f..f984626fa9 100644
--- a/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
+++ b/src/autonomousvehicle_movement_and_automatic_obstacle_avoidance/qwer.py
@@ -1,4 +1,3 @@
-
import mujoco
import glfw
import numpy as np
@@ -8,7 +7,7 @@
import imageio
from typing import List
-# -------------------------- 全局配置(已优化避障参数)--------------------------
+# -------------------------- 全局配置 --------------------------
TIME_STEP = 0.01
MAX_STEPS = 2000
NSTEP = 5
@@ -18,20 +17,20 @@
LIDAR_MAX_DISTANCE = 8.0
LIDAR_NUM_RAYS = 360
-# 无人车参数(优化后,避免碰撞)
-MAX_STEER_ANGLE = 0.6 # 增大转向角
-MAX_DRIVE_TORQUE = 15.0 # 增大驱动力矩
-SAFE_SPEED = 1.8 # 提高直行速度
-AVOID_SPEED = 1.0 # 提高避让速度
-OBSTACLE_THRESHOLD = 4.0 # 提前触发避让
-AVOID_STEER_ANGLE = 0.5 # 增大避让转向角
-TORQUE_GAIN = 8.0 # 提高加速响应
+# 无人车参数 (恢复到合理数值)
+MAX_STEER_ANGLE = 0.4 # 合理的转向角度
+MAX_DRIVE_TORQUE = 8.0 # 合理的驱动力矩
+SAFE_SPEED = 1.0 # 合理的直行速度
+AVOID_SPEED = 0.5 # 合理的避让速度
+OBSTACLE_THRESHOLD = 4.0
+AVOID_STEER_ANGLE = 0.3 # 合理的避让转向角度
+TORQUE_GAIN = 4.0 # 合理的加速响应
# 执行器索引
DRIVE_ACTUATOR_IDS = [0, 1]
STEER_ACTUATOR_IDS = [2, 3]
-# -------------------------- MuJoCo XML(障碍物后移,增加反应时间)--------------------------
+# -------------------------- MuJoCo XML 场景定义 --------------------------
SCENE_XML = """
@@ -74,7 +73,7 @@