完善模块

docs/driving_reward_analysis/README.md

@@ -0,0 +1,101 @@
+# 自动驾驶奖励函数分析系统
+
+## 1. 项目简介
+本项目实现了一套完整的自动驾驶奖励函数建模与可视化分析系统。通过数学建模方式定义速度跟踪、距离控制、舒适性三类核心奖励函数，支持参数化配置、批量仿真与可视化输出，无需任何模拟器即可独立运行。
+
+系统可广泛应用于：
+- 强化学习自动驾驶算法的奖励设计
+- 自适应巡航控制（ACC）策略评估
+- 自动驾驶决策系统的安全性与舒适性权衡分析
+
+## 2. 选题说明
+- **技术方案**: 基于纯 Python + NumPy + Matplotlib 的奖励函数建模与可视化
+- **设计思路**: 将自动驾驶中的核心评价指标抽象为数学函数，通过参数化配置实现灵活的奖励设计，支持单场景分析与批量对比实验
+- **独特价值**: 无需 CARLA、AirSim 等重型模拟器，纯代码即可生成专业级分析图表
+
+## 3. 开发运行环境
+- **操作系统**: Windows 10/11, Ubuntu 20.04/22.04, macOS
+- **编程语言**: Python 3.8+
+- **核心依赖**: NumPy, Matplotlib
+- **开发工具**: Visual Studio Code / PyCharm / Jupyter Notebook
+
+## 4. 模块结构与入口
+- 本模块的所有核心代码存放于 `src/driving_reward_analysis` 目录下
+- 模块的主程序入口为 `main.py`[text](../../src/driving_reward_analysis/README.md)
+- 奖励函数定义位于 `rewards.py`
+- 可视化工具位于 `visualizer.py`
+
+---
+
+# driving_reward_analysis: 自动驾驶奖励函数分析系统
+
+## 1. 模块功能
+本模块实现了自动驾驶奖励函数的完整建模与分析流程：
+
+- **速度跟踪奖励**: 基于高斯分布建模，车辆速度越接近目标速度奖励越高，支持自定义目标速度和容忍度
+- **距离控制奖励**: 分段线性函数建模，保持安全距离时获得最大奖励，过近时惩罚急剧增加
+- **舒适性奖励**: 基于加速度的二次函数建模，零加速度时奖励最高，剧烈加减速时惩罚增加
+- **批量仿真**: 支持多组参数配置的批量实验，生成对比分析图表
+- **可视化输出**: 自动生成专业的奖励函数曲线图，支持保存为 PNG 格式
+
+## 2. 运行指南
+
+### 步骤 1：安装依赖
+```bash
+pip install numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+### 步骤 2：运行主程序
+在项目根目录下执行：
+```bash
+python src/driving_reward_analysis/main.py
+```
+
+程序将自动生成 `outputs/` 目录，并保存以下效果图：
+- `reward_func_analysis.png` — 三类奖励函数综合分析图
+- `reward_comparison.png` — 不同参数下的奖励函数对比图
+
+### 步骤 3：自定义参数
+编辑 `config.yaml` 文件调整奖励函数参数：
+```yaml
+speed_reward:
+  target_speed: 25.0      # 目标速度 (m/s)
+  tolerance: 5.0          # 速度容忍度
+
+distance_reward:
+  safe_distance: 15.0     # 安全距离 (m)
+  critical_distance: 5.0  # 临界距离 (m)
+
+comfort_reward:
+  max_acceleration: 2.0   # 最大加速度 (m/s²)
+```
+
+## 3. 模块文件说明
+| 文件 | 功能 |
+|------|------|
+| `main.py` | 主入口，执行奖励函数建模与可视化 |
+| `rewards.py` | 奖励函数定义：速度、距离、舒适性 |
+| `visualizer.py` | 可视化工具：绘制奖励函数曲线 |
+| `config.yaml` | 配置文件：奖励函数参数 |
+| `utils.py` | 工具函数：数据生成、文件保存 |
+
+## 4. 奖励函数数学定义
+
+### 速度跟踪奖励
+$$R_{speed}(v) = -\left(\frac{v - v_{target}}{\sigma}\right)^2$$
+
+其中 $v_{target}$ 为目标速度，$\sigma$ 为容忍度参数。
+
+### 距离控制奖励
+$$R_{dist}(d) = \begin{cases} -100 & d < d_{critical} \\ -10 \times (d_{safe} - d) & d_{critical} \leq d < d_{safe} \\ 0 & d \geq d_{safe} \end{cases}$$
+
+### 舒适性奖励
+$$R_{comfort}(a) = -a^2$$
+
+其中 $a$ 为加速度，零加速度时奖励最高。
+
+## 5. 参考
+- [强化学习奖励设计](https://spinningup.openai.com/en/latest/spinningup/rl_intro.html)
+- [自适应巡航控制](https://en.wikipedia.org/wiki/Adaptive_cruise_control)
+- [NumPy 文档](https://numpy.org/doc/)
+- [Matplotlib 文档](https://matplotlib.org/stable/)

mkdocs.yml

@@ -51,14 +51,18 @@ nav:
 - 自动驾驶感知系统: 'carla_yolo_detection/README.md'
 - 自动驾驶车辆语义分割: 'auto_drive_seg/README.md'
 - 无人机路径学习: 'drone_path_learning/README.md'
+- 自动驾驶奖励分析: 'driving_reward_analysis/README.md'
 - 双足人形机器人SAC步态仿真: 'mujoco_running/running.md'
 - 人形机器人项目: mujoco_hci_sim/README.md
+- 车辆自动驾驶辅助功能: 'vehicle_autonomous_core/README.md'
 - RL-ACC: 'rl_acc/README.md'
 - CARLA天气鲁棒性测试: 'carla_weather_robustness/README.md'
 - CARLA多传感器自动驾驶仿真平台: 'carla_multisensor_platform/carla_multisensor_platform.md'
+- 无人机飞行控制程序: 'drone_flight_sim/README.md'
+- 交通拥堵仿真与智能调控: 'lidar_project/README.md'
 
 # - mdx_math 用于行内公式显示
 markdown_extensions:
   - admonition
   - mdx_math
-  - tables
+  - tables

src/driving_reward_analysis/README.md

@@ -0,0 +1,101 @@
+# 自动驾驶奖励函数分析系统
+
+## 1. 项目简介
+本项目实现了一套完整的自动驾驶奖励函数建模与可视化分析系统。通过数学建模方式定义速度跟踪、距离控制、舒适性三类核心奖励函数，支持参数化配置、批量仿真与可视化输出，无需任何模拟器即可独立运行。
+
+系统可广泛应用于：
+- 强化学习自动驾驶算法的奖励设计
+- 自适应巡航控制（ACC）策略评估
+- 自动驾驶决策系统的安全性与舒适性权衡分析
+
+## 2. 选题说明
+- **技术方案**: 基于纯 Python + NumPy + Matplotlib 的奖励函数建模与可视化
+- **设计思路**: 将自动驾驶中的核心评价指标抽象为数学函数，通过参数化配置实现灵活的奖励设计，支持单场景分析与批量对比实验
+- **独特价值**: 无需 CARLA、AirSim 等重型模拟器，纯代码即可生成专业级分析图表
+
+## 3. 开发运行环境
+- **操作系统**: Windows 10/11, Ubuntu 20.04/22.04, macOS
+- **编程语言**: Python 3.8+
+- **核心依赖**: NumPy, Matplotlib
+- **开发工具**: Visual Studio Code / PyCharm / Jupyter Notebook
+
+## 4. 模块结构与入口
+- 本模块的所有核心代码存放于 `src/driving_reward_analysis` 目录下
+- 模块的主程序入口为 `main.py`
+- 奖励函数定义位于 `rewards.py`
+- 可视化工具位于 `visualizer.py`
+
+---
+
+#  driving_reward_analysis: 自动驾驶奖励函数分析系统
+
+## 1. 模块功能
+本模块实现了自动驾驶奖励函数的完整建模与分析流程：
+
+- **速度跟踪奖励**: 基于高斯分布建模，车辆速度越接近目标速度奖励越高，支持自定义目标速度和容忍度
+- **距离控制奖励**: 分段线性函数建模，保持安全距离时获得最大奖励，过近时惩罚急剧增加
+- **舒适性奖励**: 基于加速度的二次函数建模，零加速度时奖励最高，剧烈加减速时惩罚增加
+- **批量仿真**: 支持多组参数配置的批量实验，生成对比分析图表
+- **可视化输出**: 自动生成专业的奖励函数曲线图，支持保存为 PNG 格式
+
+## 2. 运行指南
+
+### 步骤 1：安装依赖
+```bash
+pip install numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+### 步骤 2：运行主程序
+在项目根目录下执行：
+```bash
+python src/driving_reward_analysis/main.py
+```
+
+程序将自动生成 `outputs/` 目录，并保存以下效果图：
+- `reward_func_analysis.png` — 三类奖励函数综合分析图
+- `reward_comparison.png` — 不同参数下的奖励函数对比图
+
+### 步骤 3：自定义参数
+编辑 `config.yaml` 文件调整奖励函数参数：
+```yaml
+speed_reward:
+  target_speed: 25.0      # 目标速度 (m/s)
+  tolerance: 5.0          # 速度容忍度
+
+distance_reward:
+  safe_distance: 15.0     # 安全距离 (m)
+  critical_distance: 5.0  # 临界距离 (m)
+
+comfort_reward:
+  max_acceleration: 2.0   # 最大加速度 (m/s²)
+```
+
+## 3. 模块文件说明
+| 文件 | 功能 |
+|------|------|
+| `main.py` | 主入口，执行奖励函数建模与可视化 |
+| `rewards.py` | 奖励函数定义：速度、距离、舒适性 |
+| `visualizer.py` | 可视化工具：绘制奖励函数曲线 |
+| `config.yaml` | 配置文件：奖励函数参数 |
+| `utils.py` | 工具函数：数据生成、文件保存 |
+
+## 4. 奖励函数数学定义
+
+### 速度跟踪奖励
+$$R_{speed}(v) = -\left(\frac{v - v_{target}}{\sigma}\right)^2$$
+
+其中 $v_{target}$ 为目标速度，$\sigma$ 为容忍度参数。
+
+### 距离控制奖励
+$$R_{dist}(d) = \begin{cases} -100 & d < d_{critical} \\ -10 \times (d_{safe} - d) & d_{critical} \leq d < d_{safe} \\ 0 & d \geq d_{safe} \end{cases}$$
+
+### 舒适性奖励
+$$R_{comfort}(a) = -a^2$$
+
+其中 $a$ 为加速度，零加速度时奖励最高。
+
+## 5. 参考
+- [强化学习奖励设计](https://spinningup.openai.com/en/latest/spinningup/rl_intro.html)
+- [自适应巡航控制](https://en.wikipedia.org/wiki/Adaptive_cruise_control)
+- [NumPy 文档](https://numpy.org/doc/)
+- [Matplotlib 文档](https://matplotlib.org/stable/)

src/driving_reward_analysis/config.yaml

@@ -0,0 +1,17 @@
+# 自动驾驶奖励函数分析系统 - 配置文件
+
+speed_reward:
+  target_speed: 25.0      # 目标速度 (m/s)
+  tolerance: 5.0          # 速度容忍度 (m/s)
+
+distance_reward:
+  safe_distance: 15.0     # 安全距离 (m)
+  critical_distance: 5.0  # 临界距离 (m)
+
+comfort_reward:
+  max_acceleration: 2.0   # 最大加速度 (m/s²)
+
+visualization:
+  fig_size: [12, 10]      # 图表尺寸
+  dpi: 100                # 输出分辨率
+  output_dir: "outputs"   # 输出目录

src/driving_reward_analysis/main.py

@@ -0,0 +1,110 @@
+"""自动驾驶奖励函数分析系统 - 主入口.
+
+运行方式:
+    python main.py              # 执行完整分析
+    python main.py --mode plot  # 仅绘制理论曲线
+    python main.py --mode sim   # 仅运行仿真分析
+"""
+
+import sys
+import argparse
+from utils import load_config, generate_scenario_data, compute_rewards, ensure_output_dir
+from visualizer import (
+    plot_reward_curves,
+    plot_scenario_rewards,
+    plot_speed_reward_comparison,
+    plot_distance_reward_comparison,
+)
+
+
+def run_analysis(output_dir: str) -> None:
+    """执行完整分析流程."""
+    print("=" * 60)
+    print("  自动驾驶奖励函数分析系统")
+    print("=" * 60)
+
+    # 1. 加载配置
+    config = load_config()
+    print(f"\n[Config] 目标速度: {config['speed_reward']['target_speed']} m/s")
+    print(f"[Config] 安全距离: {config['distance_reward']['safe_distance']} m")
+    print(f"[Config] 临界距离: {config['distance_reward']['critical_distance']} m")
+    print(f"[Config] 最大加速度: {config['comfort_reward']['max_acceleration']} m/s²")
+
+    # 2. 绘制理论奖励曲线
+    print("\n[Plot] 生成奖励函数理论曲线...")
+    plot_reward_curves(output_dir, config)
+
+    # 3. 生成场景数据
+    print("\n[Sim] 生成仿真场景数据...")
+    scenario = generate_scenario_data(num_steps=200, dt=0.1)
+
+    # 4. 计算奖励值
+    print("[Sim] 计算奖励值...")
+    rewards = compute_rewards(scenario, config)
+
+    # 5. 输出统计信息
+    print("\n[Stats] 奖励统计:")
+    for name, key in [
+        ("速度跟踪奖励", "speed_reward"),
+        ("距离控制奖励", "distance_reward"),
+        ("舒适性奖励", "comfort_reward"),
+        ("总奖励", "total_reward"),
+    ]:
+        vals = rewards[key]
+        print(f"  {name}: mean={vals.mean():.3f}, std={vals.std():.3f}, "
+              f"min={vals.min():.3f}, max={vals.max():.3f}")
+
+    # 6. 绘制场景奖励变化图
+    print("\n[Plot] 生成场景仿真奖励曲线...")
+    plot_scenario_rewards(rewards, output_dir)
+
+    # 7. 参数对比图
+    print("\n[Plot] 生成参数对比图...")
+    plot_speed_reward_comparison(output_dir, config)
+    plot_distance_reward_comparison(output_dir, config)
+
+    print(f"\n{'=' * 60}")
+    print(f"  分析完成！效果图已保存至: {output_dir}")
+    print(f"{'=' * 60}")
+
+
+def main() -> None:
+    """主函数."""
+    parser = argparse.ArgumentParser(description="自动驾驶奖励函数分析系统")
+    parser.add_argument(
+        "--mode",
+        choices=["all", "plot", "sim"],
+        default="all",
+        help="运行模式: all=全部, plot=仅绘图, sim=仅仿真 (default: all)",
+    )
+    args = parser.parse_args()
+
+    output_dir = ensure_output_dir("outputs")
+
+    if args.mode in ("all", "plot"):
+        config = load_config()
+        plot_reward_curves(output_dir, config)
+        plot_speed_reward_comparison(output_dir, config)
+        plot_distance_reward_comparison(output_dir, config)
+
+    if args.mode in ("all", "sim"):
+        config = load_config()
+        scenario = generate_scenario_data()
+        rewards = compute_rewards(scenario, config)
+        plot_scenario_rewards(rewards, output_dir)
+
+        print("\n[Stats] 奖励统计:")
+        for name, key in [
+            ("速度跟踪奖励", "speed_reward"),
+            ("距离控制奖励", "distance_reward"),
+            ("舒适性奖励", "comfort_reward"),
+            ("总奖励", "total_reward"),
+        ]:
+            vals = rewards[key]
+            print(f"  {name}: mean={vals.mean():.3f}, std={vals.std():.3f}")
+
+    print(f"\n完成！输出目录: {output_dir}")
+
+
+if __name__ == "__main__":
+    main()