优化车辆生成位置偏差问题，新增红绿灯信息采集方法

Env/GPU_ACCELERATION.md

@@ -0,0 +1,221 @@
+# GPU加速指南
+
+## 当前性能瓶颈分析
+
+从测试结果看，即使关闭渲染，FPS仍然只有15-20左右，主要瓶颈是：
+
+### 计算量分析（51辆车）
+```
+激光雷达计算：
+- 前向雷达：80束 × 51车 = 4,080次射线检测
+- 侧向雷达：10束 × 51车 = 510次射线检测  
+- 车道线雷达：10束 × 51车 = 510次射线检测
+合计：5,100次射线检测/帧
+
+红绿灯检测：
+- 遍历所有车道 × 51车 = 数千次几何计算
+```
+
+**关键问题**：这些计算都是CPU单线程串行的，无法利用多核和GPU！
+
+---
+
+## GPU加速方案
+
+### 方案1：优化激光雷达计算（已实现）✅
+
+**优化内容：**
+1. 减少激光束数量：100束 → 52束（减少48%）
+2. 优化红绿灯检测：避免遍历所有车道
+3. 激光雷达缓存：每N帧才重新计算一次
+
+**预期提升：** 2-4倍（30-60 FPS）
+
+**使用方法：**
+```bash
+python Env/run_multiagent_env_fast.py
+```
+
+---
+
+### 方案2：MetaDrive GPU渲染（有限支持）
+
+**说明：**
+MetaDrive基于Panda3D引擎，理论上支持GPU渲染，但：
+- GPU主要用于**图形渲染**，不是物理计算
+- 激光雷达的射线检测仍在CPU上
+- GPU渲染主要加速可视化，不加速训练
+
+**启用方法：**
+```python
+config = {
+    "use_render": True,
+    "render_mode": "onscreen",  # 或 "offscreen"
+    # Panda3D会自动尝试使用GPU
+}
+```
+
+**限制：**
+- 需要显示器或虚拟显示（Xvfb）
+- WSL2环境需要配置X11转发
+- 对无渲染训练无帮助
+
+---
+
+### 方案3：使用GPU加速的物理引擎（推荐但需要迁移）
+
+**选项A：Isaac Gym (NVIDIA)**
+- 完全在GPU上运行物理模拟和渲染
+- 可同时模拟数千个环境
+- **缺点**：需要完全重写环境代码，迁移成本高
+
+**选项B：IsaacSim/Omniverse**
+- NVIDIA的高级仿真平台
+- 支持GPU加速的激光雷达
+- **缺点**：学习曲线陡峭，环境配置复杂
+
+**选项C：Brax (Google)**
+- JAX驱动，完全在GPU/TPU上运行
+- **缺点**：功能有限，不支持复杂场景
+
+---
+
+### 方案4：策略网络GPU加速（推荐）✅
+
+虽然环境仿真在CPU，但可以让**策略网络在GPU上运行**：
+
+```python
+import torch
+
+# 创建GPU上的策略模型
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+policy = PolicyNetwork().to(device)
+
+# 批量处理观测
+obs_batch = torch.tensor(obs_list).to(device)
+with torch.no_grad():
+    actions = policy(obs_batch)
+actions = actions.cpu().numpy()
+```
+
+**优势：**
+- 51辆车的推理可以并行
+- 如果使用RL训练，GPU加速训练过程
+- 不需要修改环境代码
+
+---
+
+### 方案5：多进程并行（最实用）✅
+
+既然单个环境受限于CPU单线程，可以**并行运行多个环境**：
+
+```python
+from multiprocessing import Pool
+import os
+
+def run_single_env(seed):
+    """运行单个环境实例"""
+    env = MultiAgentScenarioEnv(config=...)
+    obs = env.reset(seed)
+    
+    for step in range(1000):
+        actions = {...}
+        obs, rewards, dones, infos = env.step(actions)
+        if dones["__all__"]:
+            break
+    
+    env.close()
+    return results
+
+# 使用进程池并行运行
+if __name__ == "__main__":
+    num_processes = os.cpu_count()  # 12600KF有10核20线程
+    seeds = list(range(num_processes))
+    
+    with Pool(processes=num_processes) as pool:
+        results = pool.map(run_single_env, seeds)
+```
+
+**预期提升：** 接近线性（10核 ≈ 10倍吞吐量）
+
+**CPU利用率：** 可达80-100%
+
+---
+
+## 推荐的完整优化方案
+
+### 1. 立即可用（已实现）
+```bash
+# 使用优化版本，激光束减少+缓存
+python Env/run_multiagent_env_fast.py
+```
+**预期：** 30-60 FPS（2-4倍提升）
+
+### 2. 短期优化（1-2小时）
+- 实现多进程并行
+- 策略网络迁移到GPU
+
+**预期：** 300-600 FPS（总吞吐量）
+
+### 3. 中期优化（1-2天）
+- 使用NumPy矢量化批量处理观测
+- 优化Python代码热点（用Cython/Numba）
+
+**预期：** 额外20-30%提升
+
+### 4. 长期方案（1-2周）
+- 迁移到Isaac Gym等GPU加速仿真器
+- 或使用分布式训练框架（Ray/RLlib）
+
+**预期：** 10-100倍提升
+
+---
+
+## 为什么MetaDrive无法直接使用GPU？
+
+### 架构限制：
+1. **物理引擎**：使用Bullet/Panda3D的CPU物理引擎
+2. **射线检测**：串行CPU计算，无法并行
+3. **Python GIL**：全局解释器锁限制多线程
+4. **设计目标**：MetaDrive设计时主要考虑灵活性而非极致性能
+
+### GPU在仿真中的作用：
+- ✅ **图形渲染**：绘制画面（但我们训练时不需要）
+- ✅ **神经网络推理/训练**：策略模型计算
+- ❌ **物理计算**：MetaDrive的物理引擎在CPU
+- ❌ **传感器模拟**：激光雷达等在CPU
+
+---
+
+## 检查GPU是否可用
+
+```bash
+# 检查NVIDIA GPU
+nvidia-smi
+
+# 检查PyTorch GPU支持
+python -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}')"
+
+# 检查MetaDrive渲染设备
+python -c "from panda3d.core import GraphicsPipeSelection; print(GraphicsPipeSelection.get_global_ptr().get_default_pipe())"
+```
+
+---
+
+## 总结
+
+| 方案 | 实现难度 | 性能提升 | GPU使用 | 推荐度 |
+|------|----------|----------|---------|--------|
+| 减少激光束 | ⭐ | 2-4x | ❌ | ⭐⭐⭐⭐⭐ |
+| 激光雷达缓存 | ⭐ | 1.5-3x | ❌ | ⭐⭐⭐⭐⭐ |
+| 多进程并行 | ⭐⭐ | 5-10x | ❌ | ⭐⭐⭐⭐⭐ |
+| 策略GPU加速 | ⭐⭐ | 2-5x | ✅ | ⭐⭐⭐⭐ |
+| GPU渲染 | ⭐⭐⭐ | 1.2x | ✅ | ⭐⭐ |
+| 迁移Isaac Gym | ⭐⭐⭐⭐⭐ | 10-100x | ✅ | ⭐⭐⭐ |
+
+**结论：** 
+1. 先用已实现的优化（减少激光束+缓存）
+2. 再实现多进程并行
+3. 策略网络用GPU训练
+4. 如果还不够，考虑迁移到GPU仿真器
+