报告等待生成
先完成数据采集、模型训练和陌生地图测试。
FIELD LAB / 模仿学习任务
不是替坦克写规则
而是用你的操作教会 AI
游戏已经做好。你负责像真正的机器学习工程师一样：驾驶、记录、删掉坏数据、选择传感器、定义算法、训练多个模型，再把模型送进从未见过的战区。
01人工驾驶→02数据诊所→03算法装配→04模型训练→05陌生战区
进入驾驶舱 ↓
STAGE 01 / DATA COLLECTION
01
先亲自驾驶，给 AI 看正确示范
每隔约 0.12 秒，系统会把当时的传感器读数和你的主要动作保存为一行训练数据。
等待人工驾驶
W前进S后退AD转向
QE炮口空格射击
手机驾驶台按住按钮连续操作 · 松开立即停止
先玩一局。正式训练建议采集至少 3 张不同地图。
已保存的驾驶局
0 局还没有保存数据。
动作数据分布
越均衡越好STAGE 02 / DATA CLINIC
02
坏数据不会消失，它会变成坏模型
检查撞墙、失败前的慌乱操作、重复“观察”以及动作不平衡，再生成可训练的数据集。
原始样本0
清洗后样本0
覆盖地图0
动作种类0 / 8
清洗规则
等待原始数据。
数据体检报告
保存驾驶数据后，这里会检查数据量、地图覆盖和稀有动作。
训练尚未解锁至少需要 3 局、180 条清洗数据、6 种动作，并包含 12 条射击示范。
最近的原始数据
发现明显错误时可以单独删除| 地图 | 敌距 | 敌方向 | 炮口误差 | 障碍 | 炮弹 | 动作 | 处理 |
|---|---|---|---|---|---|---|---|
| 暂无数据 | |||||||
STAGE 03 / ALGORITHM GARAGE
03
决定 AI 怎么学，而不是只按“开始训练”
选择模型、传感器和参数。你还可以调整每个特征的影响权重，并加入可解释的安全保护层。
一、选择学习算法
二、选择 AI 能看到的传感器
STAGE 04 / TRAINING BAY
04
把清洗数据变成一个可以驾驶的模型
训练只使用你保存并清洗过的数据。每次训练都会创建一个独立版本，可以保留、比较或删除。
训练样本0
训练准确率--
验证准确率--
稀有动作召回--
先准备数据并保存算法。
STAGE 05 / MODEL HANGAR
05
每次训练都是一个模型版本
选中的模型才会进入测试战区。删除失败版本不会影响原始驾驶数据。
训练完成后，模型会停放在这里。
尚未选择模型训练一个模型后，点击“选作测试模型”。
STAGE 06 / UNSEEN BATTLEFIELD
06
把所选模型放回战场，看它是否真的学会
批量测试会使用锁定地图，不把测试过程加入训练数据。这样才能判断模型的真实泛化能力。
胜率--
平均存活--
命中率--
平均撞墙--
平均剩余生命--
FAILURE ANALYSIS
模型失败原因总结
完成批量测试后，这里会根据数据、特征和测试表现给出原因，而不只是显示“失败”。
STAGE 07 / PROJECT REPORT
07
把结果说清楚，才算完成一次实验
报告会自动带入数据量、算法、模型版本、测试指标和失败诊断，你需要补充自己的问题与结论。
重新开始整个坦克项目会删除当前浏览器中的坦克驾驶数据、清洗结果、模型和报告，不影响小鸟项目。