CityLab Evo — Οδηγός Χρήσης
- Το CityLab Evo είναι μια διαδραστική προσομοίωση εξελικτικής τεχνητής νοημοσύνης.
- Μαθαίνεις τι σημαίνει "μια AI εκπαιδεύεται" βλέποντάς το να συμβαίνει μπροστά σου.
- Δεκάδες ή εκατοντάδες αυτοκινητάκια προσπαθούν να οδηγήσουν σε μια πίστα που σχεδιάζεις εσύ ο ίδιος.
- Στην αρχή αποτυγχάνουν όλα, αλλά γενιά με τη γενιά, οι καλύτεροι "οδηγοί" επιβιώνουν και μεταδίδουν τα χαρακτηριστικά τους στην επόμενη πιο έξυπνη γενιά.
- Τα αυτοκίνητα μαθαίνουν μόνα τους μέσω εξέλιξης νευρωνικών δικτύων.
- Όλα τρέχουν τοπικά στον browser - καμία καταγραφή / αποστολή δεδομένων και καμία εγκατάσταση.
- Δωρεάν εργαλείο επίδειξης για μαθήματα ΤΝ / ρομποτικής.
Τι μπορείς να κάνεις
-
Σχεδίασε πίστα
Ελεύθερα με το ποντίκι, ή έτοιμη πρόκληση Beginner → Expert.
-
Πρόσθεσε εμπόδια
Δυσκόλεψε την πίστα όπως θέλεις.
-
Διάλεξε αλγόριθμο
4 διαφορετικοί τρόποι μάθησης — βλ. παρακάτω.
-
Ρύθμισε παραμέτρους
Πληθυσμός, ρυθμός μετάλλαξης, ποικιλομορφία, ταχύτητα.
-
Δες τους αισθητήρες
Και τον χάρτη δυσκολίας κάθε στροφής πάνω στην πίστα.
-
Leader Cam !
3D προοπτική μέσα από τα "μάτια" του πρώτου αυτοκινήτου.
-
Live στατιστικά
Βαθμολογία, leaderboard, γράφημα προόδου σε πραγματικό χρόνο.
-
Top Performers
Δες τους 3 νικητές κάθε γενιάς πριν προχωρήσεις.
Οι 4 διαφορετικοί τρόποι μάθησης
Νευρωνικά δίκτυα που εξελίσσονται γενιά με γενιά μέσω μετάλλαξης — καθαρή εξελικτική μάθηση.
Κλασικός γενετικός αλγόριθμος: επιλογή, διασταύρωση, μετάλλαξη σε αριθμητικές παραμέτρους οδήγησης.
Συνδυασμός νευρωνικού δικτύου (NN - Neural Net) και γενετικού αλγορίθμου (GA - Genetic Algorithm).
(Auto-tune)
Κλασικός αλγόριθμος αυτοματισμού βιομηχανίας/ρομποτικής (παράμετροι Kp/Ki/Kd) — ρυθμίζεται αυτόματα (Evolve) ή χειροκίνητα (Manual). Δεν "μαθαίνει" ελεύθερα όπως οι υπόλοιποι.
Οδηγίες Προσομοίωσης
Βήμα 1 — Φτιάξε μια πίστα
Έχεις δύο επιλογές:
- Έτοιμο πρότυπο: Πάτησε ένα από τα κουμπιά Track Templates (Oval, Figure-8, Spiral, Complex) για να φορτωθεί αμέσως μια έτοιμη πίστα.
- Σχεδίασε τη δική σου: Με το εργαλείο Track ενεργό, κράτα πατημένο το ποντίκι πάνω στην οθόνη και σύρε για να "ζωγραφίσεις" τη διαδρομή. Άφησε το ποντίκι όταν τελειώσεις — η πίστα κλείνει αυτόματα σε βρόχο.
Βήμα 2 — (Προαιρετικό) Πρόσθεσε εμπόδια
Πάτησε Obstacle και σχεδίασε πάνω στην πίστα σημεία που τα αυτοκίνητα πρέπει να αποφεύγουν.
Βήμα 3 — Ρύθμισε την προσομοίωση
Στο πλαϊνό μενού μπορείς να προσαρμόσεις:
- AI Algorithm — ποιος "τρόπος σκέψης" θα χρησιμοποιηθεί
- Challenge Mode — έτοιμοι στόχοι δυσκολίας ή ελεύθερο παιχνίδι
- Simulation Speed — πόσο γρήγορα τρέχει η προσομοίωση (1x έως 100x)
- Population — πόσα αυτοκίνητα συμμετέχουν σε κάθε γενιά (50–500)
- Mutation Rate — πόσο "τυχαία" αλλάζουν οι νέες γενιές
- Brain Diversity — πόσο διαφορετικά ξεκινούν οι "εγκέφαλοι" των αυτοκινήτων
Βήμα 4 — Ξεκίνα και παρακολούθησε
Η προσομοίωση ξεκινά αυτόματα μόλις υπάρχει πίστα. Κάθε γενιά τελειώνει όταν όλα τα αυτοκίνητα έχουν σταματήσει (είτε βγήκαν εκτός πίστας, είτε ολοκλήρωσαν γύρο και "συνταξιοδοτήθηκαν"). Τότε εμφανίζεται η ένδειξη GENERATION ENDED.
- Αν το Auto-Next είναι ενεργό, η επόμενη γενιά ξεκινά αυτόματα.
- Αλλιώς, πάτησε οποιοδήποτε πλήκτρο για να συνεχίσεις χειροκίνητα.
Άλλα χρήσιμα κουμπιά
[ Show / Hide Sensors ] Εμφανίζει τις "αισθητήριες ακτίνες" των αυτοκινήτων — πώς "βλέπουν" την πίστα
[ Save / Load ] Αποθήκευσε ή φόρτωσε τον "εγκέφαλο" (τα εκπαιδευμένα βάρη) του καλύτερου αυτοκινήτου
[ Reset ] Καθαρίζει τα πάντα και ξεκινά από την αρχή |
---
Οι αλγόριθμοι προσομοίωσης, αναλυτικά
NeuroEvolution
Κάθε αυτοκίνητο διαθέτει ένα μικρό τεχνητό νευρωνικό δίκτυο (neural network) που παίρνει σαν είσοδο τις μετρήσεις των αισθητήρων του και αποφασίζει πώς να στρίψει και πόσο γκάζι να δώσει. Τα "βάρη" (weights) αυτού του δικτύου δεν προγραμματίζονται χειροκίνητα — εξελίσσονται τυχαία, γενιά με τη γενιά.
Genetic Algorithm (Γενετικός Αλγόριθμος)
Εναλλακτικός τρόπος λήψης απόφασης, εμπνευσμένος από τη βιολογική εξέλιξη: κάθε αυτοκίνητο έχει ένα σύνολο "χρωμοσωμάτων" (chromosomes) — απλών αριθμητικών παραμέτρων συμπεριφοράς — αντί για πλήρες νευρωνικό δίκτυο.
Hybrid (Υβριδικό)
Συνδυασμός των δύο παραπάνω: χρησιμοποιεί και νευρωνικό δίκτυο και χρωμοσώματα μαζί.
PID Controller
Ένας κλασικός (μη εξελικτικός) αλγόριθμος αυτόματου ελέγχου, γνωστός από τη μηχανική/αυτοματισμούς. Το "PID" σημαίνει Proportional - Integral - Derivative: υπολογίζει το σφάλμα κατεύθυνσης (πόσο "λοξά" πάει το αυτοκίνητο) και διορθώνει το τιμόνι με βάση:
- P (Proportional): πόσο μεγάλο είναι το σφάλμα τώρα.
- I (Integral): πόσο σφάλμα έχει συσσωρευτεί με τον καιρό.
- D (Derivative) — πόσο γρήγορα αλλάζει το σφάλμα.
Μπορείς να δώσεις τις τιμές Kp/Ki/Kd χειροκίνητα [ Manual Tuning ] ή να αφήσεις τον γενετικό αλγόριθμο να τις βρει μόνος του [ Evolve Parameters ].
---
Μικρό λεξικό όρων
Mutation Rate: Πόσο τυχαία αλλάζει ο "εγκέφαλος" στην επόμενη γενιά. Υψηλό = πιο απρόβλεπτο, χαμηλό = πιο σταθερό.
Brain Diversity: Πόσο διαφορετικοί είναι μεταξύ τους οι "εγκέφαλοι" του πληθυσμού. Μεγαλύτερη = περισσότερη εξερεύνηση λύσεων.
Elite Preservation: Οι καλύτεροι κάθε γενιάς περνούν αυτούσιοι στην επόμενη, χωρίς αλλαγές.
Crossover: Συνδυασμός δύο "καλών" εγκεφάλων για δημιουργία νέου.
Γράφημα (Lap↓ / Spd↑):Τάση βελτίωσης ανά γενιά. Πράσινο = καλύτερος γύρος (θέλουμε να πέφτει). Μπλε = μέση ταχύτητα (θέλουμε να ανεβαίνει). Δείχνει τάση, όχι απόλυτες τιμές.
Τεχνητή Νοημοσύνη (Artificial Intelligence - AI): Ο κλάδος της πληροφορικής που ασχολείται με τη δημιουργία συστημάτων ικανών να εκτελούν εργασίες που απαιτούν ανθρώπινη ευφυΐα (όπως λήψη αποφάσεων, πλοήγηση και προσαρμογή).
Μηχανική Μάθηση (Machine Learning - ML): Υποσύνολο της AI όπου το υπολογιστικό σύστημα δεν προγραμματίζεται βήμα-προς-βήμα με ρητούς κανόνες, αλλά εξάγει μοτίβα και βελτιώνει την απόδοσή του αυτόνομα μέσα από δεδομένα ή εμπειρία.
Ενισχυτική Μάθηση (Reinforcement Learning - RL): Παράδειγμα μάθησης όπου ένας πράκτορας (agent) αλληλεπιδρά με ένα περιβάλλον, λαμβάνοντας θετική ενίσχυση (ανταμοιβή / reward) ή αρνητική ενίσχυση (ποινή / penalty) ανάλογα με τις ενέργειές του.
Πράκτορας (Agent): Η αυτόνομη υπολογιστική οντότητα (π.χ. εδώ κάθε εικονικό αυτοκίνητο) που παρατηρεί το περιβάλλον μέσω αισθητήρων και επιλέγει δράσεις για την επίτευξη ενός στόχου.
Περιβάλλον (Environment): Ο εικονικός ή φυσικός κόσμος μέσα στον οποίο κινείται ο πράκτορας (εδώ: η πίστα, τα όρια του δρόμου και τα εμπόδια).
Εξερεύνηση έναντι Εκμετάλλευσης (Exploration vs Exploitation): Το θεμελιώδες δίλημμα στη μάθηση: αν ο πράκτορας πρέπει να δοκιμάσει εντελώς νέες, άγνωστες κινήσεις (exploration) ή να αξιοποιήσει όσα ήδη γνωρίζει ότι αποδίδουν καλά (exploitation).
