项目全集

开源仓库 · 技术深读 · 技术写作 · 独立游戏 —— 全部可追溯、可验证

AutoSim

GitHub 原创项目 AutoSim（Python）。纯视觉端到端自动驾驶**离线批跑**仿真器。中国城市，运动学车辆，sim2real 落地。**自研、非商用。** 仓库：https://github.com/xslkim/AutoSim

AutoVideo

GitHub 原创项目 AutoVideo（TypeScript）。仓库：https://github.com/xslkim/AutoVideo

MicroGptRes

GitHub 原创项目 MicroGptRes（Python）。仓库：https://github.com/xslkim/MicroGptRes

TechAutoSim

GitHub 原创项目 TechAutoSim（）。仓库：https://github.com/xslkim/TechAutoSim

CARLA 入门：仿真环境与 Ego Vehicle

CARLA 入门：仿真环境与 Ego Vehicle。Client-Server 架构两条通信通道，两种语义 CARLA 进程被显式分成两端： Server ：Unreal Engine 进程（ CarlaUE4.sh / CarlaUE5.sh ），独占 GPU，负责场景渲染、刚体物理、Actor 状态机。它本身不知道”自动驾驶”是什么，只是一个被驱动的世界。。视频：Carla1.mp4

CARLA/端到端系列

CARLA 传感器全景：相机·LiDAR·RADAR

CARLA 传感器全景：相机·LiDAR·RADAR。传感器全景三大类传感器的本质差异 CARLA 把传感器按采集维度和输出形态分成三类。理解这个分类的工程意义在于：不同类别的传感器，回调里拿到的数据结构、同步对齐方式、需要的后处理都不一样。。视频：Carla2.mp4

CARLA/端到端系列

CARLA 同步模式与场景：交通流·天气·闭环。异步 vs 同步模式两种模式的本质模式 Server 行为时间步 Client 等待用途异步 (Asynchronous) 全速渲染，按渲染帧率自走 delta_seconds 跟随渲染否（随时读最新帧）快速数据采集、调试可视化同步 (Synchronous) 停在当前帧，等 tick() 才走 fixed_delta_seconds 固定是（每帧等 Server）闭环评测、可复现实验异步模式为什么”不可复现” 异步模式下，Server 的推进由渲染帧率决定（受 GPU 负载、垂直同步、场景复杂度影响）。Client 调 get_world().snapshot 拿到的是”此刻最新的世界状态”，但这个状态对应哪个仿真时刻是模糊的——两次运行时 GPU 负载不同，相同时间点查到的世界状态可能完全不同。。视频：Calrla3.mp4

CARLA/端到端系列

端到端驾驶：从模块化到 Sparse 范式

端到端驾驶：从模块化到 Sparse 范式。模块化方案的三个根本问题传统 Pipeline 的结构经典自动驾驶系统按功能切分五个串行模块：感知 (Perception) → 跟踪 (Tracking) → 预测 (Prediction) → 规划 (Planning) → 控制 (Control) 每个模块独立训练，用前一个模块的输出作为输入。工程上成熟、可调试，但这条信息流有三个结构性缺陷。。视频：Carla4.mp4

CARLA/端到端系列

SparseDriveV2 模型架构：采样·词典·打分

SparseDriveV2 模型架构：采样·词典·打分。整体架构概览四模块流水线 SparseDriveV2 的端到端数据流： 6 × RGB (1920×1080) │ ▼ ┌──────────────────┐ │ Image Encoder │ ResNet-34 + FPN，提取多尺度图像特征 └──────────────────┘ │ ▼ ┌──────────────────┐ │ Symmetric Sparse │ Detection + Tracking（实例 query） │ Perception │ Online Mapping（地图 query） └──────────────────┘ │ ▼ ┌──────────────────┐ │ Scoring-Based │ 在 262K 候选轨迹中打分，选最优 │ Planner │ └──────────────────┘ │ ▼ 规划轨迹 τ* 为什么是这四块这四块对应端到端驾驶的四个本质子任务：看（。视频：Carla5.mp4

CARLA/端到端系列

闭环评测：Bench2Drive 协议与成败案例

闭环评测：Bench2Drive 协议与成败案例。开环 vs 闭环两种评测的本质区别维度开环 (Open-loop) 闭环 (Closed-loop) 数据来源回放预录数据集实时仿真，Agent 决策驱动 Agent 行为影响环境？否是评测指标 L2 轨迹偏差（ADE/FDE） Driving Score（路线完成 + 违规惩罚）协议感受性不暴露累积误差暴露所有累积误差计算成本低（一次前向）高（持续运行 CARLA）开环为什么不够开环评测的流程：给定 nuScenes/NAVSIM 的图像序列 → 模型预测轨迹 → 和数据集里记录的真实轨迹比 L2 误差。问题：预测不影响后续输入模型在第 t t t 帧预测了一条偏离 GT 的轨迹，但第 t + 1 t+1 t + 1 帧的输入仍然是 GT 轨迹对应的图像 ——回放数据集不会因为模型走偏而改变。。视频：Carla6.mp4

CARLA/端到端系列

工程闭环调试：失败定位与修复实录

工程闭环调试：失败定位与修复实录。三类失败：ENG / ALG / SCN 为什么需要失败分类闭环评测一个 case 失败了，第一件事不是”改模型”，而是搞清楚失败的根因归属。 verify_batch 这个验收脚本把每个失败 case 自动归到三类身份，每类的修法完全不同：类别含义根因层修法 ENG 工程问题参数 / 控制管道改配置、改参数、改控制逻辑 ALG 算法局限模型本身重训、微调、改架构 SCN 场景几何 Bench2Drive 场景设计修场景（行为树、路线、NPC 编排）混淆这三类会导致修错地方：把 SCN 当 ALG 去改模型，怎么改都没用（场景没真的发生交互）；把 ALG 当 ENG 去调参数，掩盖了模型的真问题。。视频：Carla7.mp4

CARLA/端到端系列

IMU 与双目相机联合标定

IMU 与双目相机联合标定。怎么测距：针孔加地平面针孔模型：像素与射线的一一对应针孔相机把三维世界投影到二维图像。设相机坐标系 O c X c Y c Z c O_c X_c Y_c Z_c O c X c Y c Z c ，光心在原点，光轴沿 + Z c +Z_c + Z c ，图像平面在 Z c = f Z_c = f Z c = f （焦距）处。。视频：imu-cam-calib.mp4

传感器标定系列

海洋着色器（上）：噪声·高度场·求交

海洋着色器（上）：噪声·高度场·求交。GPU：SIMD 大规模并行处理器画面是 GPU 算出来的。CPU 和 GPU 的设计哲学根本不同： CPU GPU 核心数几个到几十个数千个（流处理器）单核复杂度高（乱序执行、分支预测、大缓存）低（顺序执行、小缓存）适合任务复杂串行逻辑、低延迟大规模数据并行、高吞吐内存带宽通用 DRAM 高带宽显存（GDDR/HBM）一张 1080p 画面有 1920 × 1080 ≈ 2 × 10 6 1920 \times 1080 \approx 2\times10^6 1920 × 1080 ≈ 2 × 1 0 6 个像素，每个像素要独立算颜色——这是** embarrassingly parallel**（天然并行）任务，正是 GPU 的拿手好戏。。视频：ocean2.mp4/ocean.mp4

着色器系列

海洋着色器（下）：菲涅尔·业界做法·FFT

海洋着色器（下）：菲涅尔·业界做法·FFT。相机：射线怎么射出来每个像素射出一条光线。相机放在水面上方 3.5 个单位，随时间向前移动。。视频：ocean2.mp4

着色器系列

Raymarching：SDF 距离场渲染器从零实现

Raymarching：SDF 距离场渲染器从零实现。全屏三角形：一个 shader 渲染整个 3D 世界 SDF Raymarching 的宿主 C++ 程序不加载任何 3D 模型，只画一个覆盖全屏的三角形（B17 详述技巧）。这个三角形唯一的作用是触发 GPU 为每个像素执行 fragment shader：全屏三角形 (1 个 primitive) ↓ 光栅化每像素 fragment shader 独立运行 ↓ 每个像素：算射线 → Sphere Tracing 求交 → 算光照 → 输出颜色整个 3D 场景——几何、相机、光照、阴影—— 全部封装在一个 fragment shader 函数里。。视频：Raymarching.mp4

着色器系列

路径追踪入门：99行渲染出 Cornell Box

路径追踪入门：99行渲染出 Cornell Box。Cornell Box 里的两个现象 Cornell Box（康奈尔盒子）是测试全局光照的标准场景。画面里有两个直接光照产生不了的现象：全局光照：光线在墙壁间反复弹射，角落和间接被照亮的区域也有柔和的光，不是死黑。。视频：smallpt1.mp4

路径追踪系列

radiance 函数逐行拆解：漫反射·镜面·折射

radiance 函数逐行拆解：漫反射·镜面·折射。radiance() 是渲染方程的递归求解器 radiance 递归求解的是某条射线的出射辐射度（outgoing radiance）。它把光传输方程（Light Transport Equation, LTE）拆成五步代码： Vec radiance ( const Ray & r , int depth ){ double t; // 交点参数 int id = 0 ; if ( ! intersect (r, t, id)) return Vec (); // 1. 未命中 → 环境黑 const Object & obj = objects[id]; Vec x = r.o + r.d * t; // 2. 交点 Vec n = (x - obj.p). norm (); // 几何法线 Vec nl = n. dot (r.d) < 0 ? n : n *- 1 ; // 朝向射线来源的定向法。视频：smallpt2_remotion.mp4

路径追踪系列

路径追踪全貌：三种材质与收敛演示

路径追踪全貌：三种材质与收敛演示。为什么这么慢：一笔账把渲染一张图掰成算术题路径追踪慢，不是写法烂，是计算量本来就大。把这笔账精确化：量数值分辨率 1024 × 768 = 786432 1024 \times 768 = 786432 1024 × 768 = 786432 像素（约 80 万）每像素采样 1000 1000 1000 条路径每条路径平均弹射 8 8 8 次总射线数 786432 × 1000 × 8 ≈ 6.3 × 10 9 786432 \times 1000 \times 8 \approx 6.3 \times 10^9 786432 × 1000 × 8 ≈ 6.3 × 1 0 9 约 60 亿次射线-场景求交，这就是一张干净画面的代价。。视频：smallpt3.mp4

路径追踪系列

用 CPU 复刻 URP（上）：光栅化全流程

用 CPU 复刻 URP（上）：光栅化全流程。导出器与场景文件格式一套数据，两种文件 C# 导出器遍历场景后产出两类文件，按”文本/二进制”分家： JSON ：相机、光源、物体列表、材质、贴图路径、环境光系数、雾参数。描述”场景里有什么”，体积小、可读、便于人眼对照。。视频：urp1.mp4

软光栅/URP 复刻系列

用 CPU 复刻 URP（下）：材质·阴影·球谐·雾

用 CPU 复刻 URP（下）：材质·阴影·球谐·雾。法线与 Lambert 余弦定律光照的第一条规则—— 正对着光的面亮、侧着的面暗 ——背后的数学就是 Lambert 余弦定律。法线是什么法线（normal）是表面某点处垂直于表面的单位向量 n \mathbf{n} n ， ∥ n ∥ = 1 \|\mathbf{n}\|=1 ∥ n ∥ = 1 。。视频：urp2.mp4

软光栅/URP 复刻系列

WebRTC 实时音视频（上）：延迟·编解码·抗丢包

WebRTC 实时音视频（上）：延迟·编解码·抗丢包。端到端延迟是一条流水线从你动一下到对方屏幕亮起，整段延迟 Δ \Delta Δ 是流水线上各段耗时之和： Δ = t capture ⏟ 采集 + t encode ⏟ 编码 + t net ⏟ 网络 + t jbuf ⏟ 抖动缓冲 + t decode ⏟ 解码 + t render ⏟ 渲染 \Delta = \underbrace{t_{\text{capture}}}_{\text{采集}} + \underbrace{t_{\text{encode}}}_{\text{编码}} + \underbrace{t_{\text{net}}}_{\text{网络}} + \underbrace{t_{\text{jbuf}}}_{\text{抖动缓冲}} + \underbrace{t_{\text{decode}}}_{\text{解码}} + \underbrace{t_{\text{render}}}_{\text{渲染}。视频：webrtc1.mp4

WebRTC 系列

WebRTC 实时音视频（下）：封包·连接·信令

WebRTC 实时音视频（下）：封包·连接·信令。协议全景栈为什么底座是 UDP WebRTC 的媒体和数据全部跑在 UDP 上，而不是 TCP。这不是习惯，是实时性硬要求： TCP 的可靠重传会触发队头阻塞（head-of-line blocking）。。视频：webrtc2.mp4

WebRTC 系列

独立游戏开发者

体感游戏《健身环大冒险》：智能电视平台，山寨Switch的体感游戏，硬件软件全栈开发，采用卡通渲染风格。

game-developmentunityar

ailiaring

GitHub 原创项目 ailiaring（Python）。仓库：https://github.com/xslkim/ailiaring

AuteTest

GitHub 原创项目 AuteTest（Python）。仓库：https://github.com/xslkim/AuteTest

AutoAgent

GitHub 原创项目 AutoAgent（Python）。仓库：https://github.com/xslkim/AutoAgent

AvatarBrain

GitHub 原创项目 AvatarBrain（Python）。仓库：https://github.com/xslkim/AvatarBrain

AvatarMemory

GitHub 原创项目 AvatarMemory（）。仓库：https://github.com/xslkim/AvatarMemory

blind

GitHub 原创项目 blind（Python）。仓库：https://github.com/xslkim/blind

comfyui_controlnet_aux

GitHub 原创项目 comfyui_controlnet_aux（）。仓库：https://github.com/xslkim/comfyui_controlnet_aux

face_demo

GitHub 原创项目 face_demo（Java）。仓库：https://github.com/xslkim/face_demo

FlashEngine

GitHub 原创项目 FlashEngine（C++）。- Create 2d Animation user flash. 仓库：https://github.com/xslkim/FlashEngine

fuyan

GitHub 原创项目 fuyan（Python）。仓库：https://github.com/xslkim/fuyan

godot_water

GitHub 原创项目 godot_water（C++）。仓库：https://github.com/xslkim/godot_water

head3d

GitHub 原创项目 head3d（Python）。这个项目把单张人脸照片转换成一个 **502 点 3D 人脸网格**。它保留 MediaPipe FaceMesh 原始的 468 个点不变，并在额头上沿额外追加 34 个点：仓库：https://github.com/xslkim/head3d

headmark

GitHub 原创项目 headmark（Python）。仓库：https://github.com/xslkim/headmark

LlmLocal

GitHub 原创项目 LlmLocal（HTML）。仓库：https://github.com/xslkim/LlmLocal

MasterCoder

GitHub 原创项目 MasterCoder（Python）。终端里的 AI 编程助手：在命令行中与模型对话，支持 OpenAI 兼容 API（含自定义 `api_base_url`），并可在当前 Git 仓库上下文中工作。仓库：https://github.com/xslkim/MasterCoder

meidaojia

GitHub 原创项目 meidaojia（Python）。仓库：https://github.com/xslkim/meidaojia

MyNature

GitHub 原创项目 MyNature（Python）。仓库：https://github.com/xslkim/MyNature

MyRender

GitHub 原创项目 MyRender（C）。> 一个用 C++ 写的软件渲染器：**不调用任何显卡 API**，每一个像素都由 CPU 一行代码一行代码算出来。仓库：https://github.com/xslkim/MyRender

NetMonitor

GitHub 原创项目 NetMonitor（C++）。仓库：https://github.com/xslkim/NetMonitor

oceanfitness

GitHub 原创项目 oceanfitness（）。仓库：https://github.com/xslkim/oceanfitness

Resume

GitHub 原创项目 Resume（）。仓库：https://github.com/xslkim/Resume

shadertoy

GitHub 原创项目 shadertoy（HTML）。仓库：https://github.com/xslkim/shadertoy

U2Edit

GitHub 原创项目 U2Edit（TypeScript）。仓库：https://github.com/xslkim/U2Edit

UnityLine

GitHub 原创项目 UnityLine（C#）。仓库：https://github.com/xslkim/UnityLine

UnrealBuild

GitHub 原创项目 UnrealBuild（）。仓库：https://github.com/xslkim/UnrealBuild

AI 编程原理（上）：LLM·工具调用·Agent 循环

AI 编程原理（上）：LLM·工具调用·Agent 循环。LLM 的本质：无状态函数 LLM 就是一个纯函数把大语言模型（LLM，Large Language Model）剥到最底层，它就是一个把文本映射到文本的函数： output = f ( input ) \text{output} = f(\text{input}) output = f ( input ) 输入：一段文本（更准确地说是 token 序列）输出：一段文本（同样是 token 序列）没有副作用：函数内部不读写硬盘、不连数据库、不持有任何变量状态所谓”调用之间完全独立”，指的是两次调用 f ( x 1 ) f(x_1) f ( x 1 ) 和 f ( x 2 ) f(x_2) f ( x 2 ) 互不影响——上一次输入了什么、输出了什么，对这一次毫无影响。这是函数式编程里**纯函数（pure function）**的特性。。视频：ai-codeing.mp4

AI 编程原理系列

AI 编程原理（中）：多场景实战与自我纠错

AI 编程原理（中）：多场景实战与自我纠错。第一次 LLM 调用：生成 C++ 代码这一次发送了什么用户只说了一句”用 C++ 写个 hello world 并运行”。第一次 API 调用，发送的 messages 包含三类内容： System Prompt （数千 token）：定义 Claude Code 的角色、工具规范、环境信息（见 System Prompt）。。视频：ai-coding2.mp4

AI 编程原理系列

AI 编程原理（下）：上下文压缩与 MCP

AI 编程原理（下）：上下文压缩与 MCP。上下文窗口（Context Window）什么是上下文窗口 LLM 一次调用能处理的 token 总量有硬上限，叫上下文窗口。它同时约束输入 + 输出：你发的 messages 越长，留给模型回复的空间就越少，超过上限 API 直接报错。。视频：ai-coding3.mp4

AI 编程原理系列

从源码编译虚幻引擎 5：构建系统原理

从源码编译虚幻引擎 5：构建系统原理。获取源码：git 浅克隆 UE 源码在 Epic 的私有 GitHub 仓库。要拉取，GitHub 账号得先加入 EpicGames 组织（在 epicgames.com 关联账号后 Epic 会发邀请），然后用普通的 git clone 。。视频：BuildUnreal.mp4

用 Kalibr 标定多相机内外参

用 Kalibr 标定多相机内外参。复习：内参内参（intrinsics）描述相机的内部成像几何，与相机装在哪、朝哪完全无关，只由镜头和图像传感器决定。它解决一个问题：给定一条从光心射出的射线方向，它会落在图像的哪个像素上（以及反过来）。。视频：kalibr.mp4

传感器标定系列

200 行看懂 LLM（上）：训练与参数

200 行看懂 LLM（上）：训练与参数。下一个字符预测（Next-token Prediction）模型只做一件事给定一段文字，猜下一个字是什么。输入”床前明月”，模型输出一组概率分布：下一个最可能是”光”，也可能是”色”或”夜”。。视频：microgpt1.mp4

200 行看懂 LLM 系列

200 行看懂 LLM（中）：前向传播与 Attention

200 行看懂 LLM（中）：前向传播与 Attention。Token Embedding + Positional Embedding 模型第一件事是把离散的 token id 翻译成连续向量。字符 ‘e’ 的 id=4，但 4 这个数字本身没有”语义”——4 和 5 之间的距离不比 4 和 26 更近。。视频：microgpt2.mp4

200 行看懂 LLM 系列

200 行看懂 LLM（下）：反向传播与 Adam

200 行看懂 LLM（下）：反向传播与 Adam。计算图（Computation Graph）要让 loss 修正参数，核心问题是：每个参数对 loss 有多少影响？数学上是 loss 对参数的偏导数，工程上叫梯度（gradient）。要算梯度，框架必须把前向传播每一步都记下来，连成一张图——计算图。。视频：microgpt3.mp4

200 行看懂 LLM 系列

CPU 软光栅器：把三角形变成像素

CPU 软光栅器：把三角形变成像素。渲染管线对照：URP vs CPU 复刻标准渲染管线一条可编程渲染管线的各阶段：顶点数据 → 顶点着色 → 裁剪 → 光栅化 → 片元着色 → 帧缓冲一一对应 URP 阶段本项目对应顶点着色器 vertex_shader 函数裁剪 ClipWithPlane 片元着色器 fragment_shader 本渲染器把 URP 的每个阶段都用 CPU 代码实现了一遍，骨架完全照搬 URP，只是从 GPU 搬到 CPU——目的是可逐行调试、让 URP 里看不见的中间值全部可见。参考 Render pipeline（渲染管线） Unity URP（可编程渲染管线）工程的三层结构层职责 Unity 对应 core 管场景（相机、光源、物体） Scene Render 管渲染管线 URP 可编程管线 gpu 管着色（Shader 函数库） URP 的 Shader 三种着色器实现了 Lit 、 SimpleLit 、 UnLit 三种，名字与。视频：MyRender1_3.mp4

软光栅/URP 复刻系列

软光栅器进阶：MVP 变换·裁剪·深度测试

软光栅器进阶：MVP 变换·裁剪·深度测试。MVP 四次变换一个顶点从模型文件里的局部坐标，变成屏幕上的像素坐标，要连续经过四次空间变换。本渲染器把矩阵命名为 UNITY_MATRIX_M 、 UNITY_MATRIX_M_V 、 UNITY_MATRIX_M_V_P 、 UNITY_MATRIX_VP ——和 Unity URP 完全对齐。。视频：MyRender2.mp4

软光栅/URP 复刻系列

SpeedTree 树木渲染原理与 Blender MCP 实现

SpeedTree 树木渲染原理与 Blender MCP 实现。LOD 系统 LOD（Level of Detail，多级细节）是 SpeedTree 性能的关键。同一棵树预生成多个不同精度的网格版本，引擎根据它在画面里的**屏幕占比（screen coverage）**自动切换，远处用低精度版本省算力。。视频：speedtree.mp4

async/await 的本质：五语言横向对比

async/await 的本质：五语言横向对比。async 不等于多线程误区的根源很多初学者把 async / await 当成”开新线程的语法糖”。这是最危险的概念错误。。视频：sync1.mp4

异步编程系列

async/await 实战：Unity 与 UniTask

async/await 实战：Unity 与 UniTask。Unity 的老办法：协程协程长什么样 Unity 老牌的异步做法是协程（Coroutine），用 C# 的 IEnumerator + yield return 实现： IEnumerator WaitAndDo () { Debug. Log ( "开始" ); yield return new WaitForSeconds ( 2f ); // ← 等 2 秒 Debug. Log ( "2 秒后" ); yield return new WaitUntil (() => Input. GetKeyDown (KeyCode.Space)); // ← 等条件 Debug. Log ( "空格按下" ); yield return SceneManager. LoadSceneAsync ( "Level2" ); // ← 等异步操作 Debug. Log ( "场景加载完" ); } 方法返回 IEnumera。视频：sync2.mp4

异步编程系列