CARLA场景下2D/3D目标检测与跟踪脚本

src/tracking_car/README.md

@@ -0,0 +1,182 @@
+```markdown
+# 基于CARLA的智能代理系统
+
+## 项目概述
+
+本项目旨在利用神经网络技术，实现CARLA模拟器中车辆和行人的全栈智能代理，涵盖感知、规划与控制三大核心模块。通过深度学习算法赋予虚拟智能体环境理解、决策规划和动态控制能力，同时包含具身人仿真、机械臂控制等扩展功能，构建多智能体协同的仿真系统。
+
+## 环境配置
+
+* **支持平台**：Windows 10/11，Ubuntu 20.04/22.04
+* **核心软件**：
+  * Python 3.7-3.12（需兼容3.7版本）
+  * PyTorch（优先采用，不依赖TensorFlow）
+  * CARLA 0.9.11+（推荐0.9.13/0.9.15版本）
+* **依赖安装**：
+  ```bash
+  # 基础依赖
+  pip install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
+
+  # CARLA客户端安装（需替换为对应版本）
+  pip install carla==0.9.15
+
+  # 文档生成工具
+  pip install mkdocs
+  ```
+
+## 文档生成
+
+1. 安装文档工具链：
+   ```bash
+   pip install mkdocs -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
+   pip install -r requirements.txt
+   ```
+
+2. 构建并预览文档：
+   ```bash
+   # 进入项目根目录
+   cd nn
+
+   # 构建静态文档
+   mkdocs build
+
+   # 启动本地文档服务
+   mkdocs serve
+   ```
+
+3. 浏览器访问 [http://127.0.0.1:8000](http://127.0.0.1:8000) 查看文档。
+
+## 核心功能模块
+
+1. **车辆智能代理**
+   * **感知系统**：基于CNN的目标检测（车辆、行人、交通信号灯）、车道线识别
+   * **规划系统**：全局路径规划（A*、RRT*算法）、局部避障
+   * **控制系统**：强化学习车辆控制（油门、刹车、转向）、PID参数自适应调优
+   * **手动控制**：支持键盘操作的车辆交互模式（WASD控制方向，空格/左Shift控制升降）
+
+2. **具身人仿真**
+   * **感知模块**：william开发的具身人环境感知系统（`humanoid_perception`）
+   * **运动模拟**：基于Mujoco的物理引擎实现具身人运动控制（`Mujoco_manrun`）
+
+3. **神经网络模型**
+   * **CNN模型**：图像识别与目标检测（`chap05_CNN`），包含完整训练流程（Adam优化器、交叉熵损失）
+   * **RNN模型**：序列数据处理与生成（`chap06_RNN`），基于LSTM实现唐诗生成等文本任务
+   * **FNN模型**：基础神经网络结构（`chap04_simple_neural_network`），包含测试评估函数
+
+4. **辅助系统**
+   * **车道辅助**：Active-Lane-Keeping-Assistant实现车道偏离预警与辅助
+   * **机械臂测试**：humantest模块提供机械臂力控仿真与交互功能
+
+## 快速启动
+
+1. 启动CARLA服务器：
+   ```bash
+   # Linux
+   ./CarlaUE4.sh
+
+   # Windows
+   CarlaUE4.exe
+   ```
+
+2. 运行示例场景：
+   ```bash
+   # 自动驾驶车辆（强化学习）
+   python src/driverless_car/main.py
+
+   # 车辆手动控制
+   python src/manual_control/main.py
+
+   # CNN模型训练
+   python src/chap05_CNN/CNN_pytorch.py
+
+   # RNN文本生成
+   python src/chap06_RNN/tangshi_for_pytorch/rnn.py
+   ```
+
+## 关键代码说明
+
+### 神经网络训练框架
+```python
+# CNN训练示例（chap05_CNN/CNN_pytorch.py）
+def train(cnn):
+    optimizer = torch.optim.Adam(cnn.parameters(), lr=learning_rate)
+    loss_func = nn.CrossEntropyLoss()
+
+    for epoch in range(max_epoch):
+        for step, (x_, y_) in enumerate(train_loader):
+            x, y = Variable(x_), Variable(y_)
+            output = cnn(x)
+            loss = loss_func(output, y)
+            optimizer.zero_grad(set_to_none=True)
+            loss.backward()
+            optimizer.step()
+
+            if step != 0 and step % 20 == 0:
+                print(f"测试准确率: {test(cnn)}")
+```
+
+### 强化学习智能体
+```python
+# 车辆强化学习（driverless_car/main.py）
+def main():
+    env = DroneEnv()
+    agent = Agent()
+    episodes = 1000
+    epsilon = 1.0  # 探索率
+
+    for episode in range(episodes):
+        state = env.reset()
+        total_reward = 0
+
+        while True:
+            action = agent.get_action(state, epsilon)  # 根据状态和探索率获取动作
+            next_state, reward, done = env.step(action)
+            agent.remember(state, action, reward, next_state, done)  # 存储经验
+            agent.train(batch_size=32)  # 训练模型
+
+            if done:
+                epsilon = max(0.01, epsilon * 0.995)  # 衰减探索率
+                break
+```
+
+### RNN模型结构
+```python
+# 唐诗生成RNN（chap06_RNN/tangshi_for_pytorch/rnn.py）
+class RNN_model(nn.Module):
+    def __init__(self, batch_sz, vocab_len, word_embedding, embedding_dim, lstm_hidden_dim):
+        super(RNN_model, self).__init__()
+        self.word_embedding_lookup = word_embedding
+        self.rnn_lstm = nn.LSTM(input_size=embedding_dim, 
+                                hidden_size=lstm_hidden_dim, 
+                                num_layers=2, 
+                                batch_first=False)
+        self.fc = nn.Linear(lstm_hidden_dim, vocab_len)
+        self.softmax = nn.LogSoftmax(dim=1)
+
+    def forward(self, sentence, is_test=False):
+        batch_input = self.word_embedding_lookup(sentence).view(1, -1, self.word_embedding_dim)
+        h0 = torch.zeros(2, batch_input.size(1), self.lstm_dim)
+        c0 = torch.zeros(2, batch_input.size(1), self.lstm_dim)
+
+        output, (hn, cn) = self.rnn_lstm(batch_input, (h0, c0))
+        out = self.fc(output.contiguous().view(-1, self.lstm_dim))
+        return self.softmax(out)
+```
+
+## 贡献指南
+
+请在提交代码前阅读 [贡献指南](https://github.com/OpenHUTB/.github/blob/master/CONTRIBUTING.md)，代码优化方向包括：
+
+* 遵循 [PEP 8 代码风格](https://peps.pythonlang.cn/pep-0008/) 并完善注释
+* 实现神经网络在CARLA场景中的端到端应用
+* 撰写模块功能说明与API文档
+* 添加自动化测试（模型性能、场景稳定性、数据一致性）
+* 优化感知-规划-控制链路的实时性
+
+## 参考资源
+
+* [CARLA官方文档](https://carla.readthedocs.io/)
+* [PyTorch神经网络教程](https://pytorch.org/tutorials/)
+* [项目文档中心](https://openhutb.github.io/nn/)
+* [代理模拟器文档](https://openhutb.github.io/carla_doc/)
+* [神经网络原理](https://github.com/OpenHUTB/neuro)