Minimalist Simulation for GRALP

这是一个为 github.com/hnsqdtt/GRALP 准备的极简 PyBullet 仿真环境，用 ONNXRuntime 版 PPO 导航策略（ppo_api/policy.onnx，经 ppo_api.inference.PPOInference 调用）做快速验证与可视化。

依赖

Python 3.8+
pip 包：pybullet、numpy、onnxruntime（CPU）；如需 GPU/TensorRT 请安装 onnxruntime-gpu，对应执行后端在 ppo_api/config.json 的 execution_provider 配置
Windows 用户可直接运行 start.bat；其他平台运行 python task.py 即可

建议在仓库根目录创建虚拟环境：python -m venv .venv && .\.venv\Scripts\activate
安装依赖：pip install pybullet numpy onnxruntime（有 CUDA/TensorRT 的机器可改用 pip install onnxruntime-gpu）
运行模拟：python task.py（或双击 start.bat）
相机操作：右键旋转视角，左键拖拽平移，滚轮缩放；Ctrl+C 退出

simulation_config.json：物理与场景参数。常用项：
- TIMESTEP/GRAVITY；MAP_SIZE、WALL_HEIGHT/THICKNESS；STATIC_OBSTACLE_COUNT、DYNAMIC_OBSTACLE_COUNT、DYNAMIC_OBSTACLE_SPEED_RANGE
- ROBOT_START_POS、ROBOT_RADIUS/HEIGHT/COLOR、OBSTACLE_INFLATION_EXTRA；相机 CAM_* 与鼠标灵敏度；DEBUG_MODE（true 时显示雷达射线）
ppo_api/config.json：策略相关（供 ONNXRuntime 推理使用）。
- vx_max/omega_max 与 dt 用于动作限幅及控制周期；
- patch_meters 作为雷达量程，ray_max_gap 决定射线数：LIDAR_NUM_RAYS = ceil((2π·patch_meters)/ray_max_gap)
- ckpt_filename 默认 policy.onnx，可改为自定义 ONNX 权重；execution_provider 控制 cpu/cuda/tensorrt 后端
config_loader.py 会合并两份配置到 Config；LIDAR_RANGE/LIDAR_FOV/LIDAR_NUM_RAYS、CTRL_VX_MAX/CTRL_OMEGA_MAX 等在运行时由此派生，无需手改代码。

全局目标：task._sample_goal 在地图内随机采样，确保与障碍/墙体有 2.5×车体半径的安全距离。
视域构造：robot.get_lidar_data 采集 0° 对齐车头的 360° 雷达；_build_los_points 按 ROBOT_RADIUS+OBSTACLE_INFLATION_EXTRA 膨胀命中距离，并限制在 patch_meters 内，得到每条射线的可行线段及 PPO 使用的归一化距离。
任务折射：_select_local_target 将全局目标投影到这些可见线段上，选择距离目标最近的可行点；若完全遮挡则沿当前航向取前向可行距离。
控制推理：以局部任务点构造 sin_ref/cos_ref、task_dist，再连同上一帧/上上帧动作送入 PPOInference.infer；输出 vx/omega 在 Robot.apply_control 中按 CTRL_VX_MAX/CTRL_OMEGA_MAX 限幅后写入 PyBullet。
可视化：目标十字、局部连线、碰撞变色和运动轨迹均在 task.py 用 addUserDebugLine/Text 绘制；DEBUG_MODE 为真时额外显示雷达射线。