开发时注意参考参数格式说明：params.md
kernal的核心函数是：one_epoch，表示运行一个周期，一个周期里会调用：move_car，move_bullet，同时会更新视野信息，比赛信息等，并更新游戏画面（如果显示画面）
可以调用one_epoch的有两个函数：step和play。step做的是获取用户传入的指令orders，把orders转换为acts，然后运行10个周期；play的唯一区别在于：它会一直运行，然后每十个周期会从键盘获得一次orders。注意：kernal里的acts与rmaics里的actions不同，而kernal里的orders与rmaics里的actions相同
以下为当前不开启可视化的测试结果：
| 车数量 | 动作指令 | 模拟时间 | 程序运行时间 |
|---|---|---|---|
| 1 | full | 3min | 8.2s |
| 2 | full | 3min | 17.1s |
| 3 | full | 3min | 25.5s |
| 4 | full | 3min | 51.2s |
测试环境为：Windows 10，八核i5-8250U CPU 1.60GHz；CPU占用：~20%，注意，无论运行什么程序，CPU占用均在20%左右，在这里只是表明测试时实际使用的CPU算力
测试代码：
from rmaics import rmaics
import numpy as np
import time
game = rmaics(agent_num=2, render=True)
game.reset()
actions = np.array([[1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1]])
t1 = time.time()
for _ in range(3600): # 3600epoch = 180s
obs = game.step(actions)
t2 = time.time()
print(t2-t1)使用numba或Cython
在kernal层面同时进行多场比赛，这样可以不用专门开多个进程，可以提高学习速度
一个电脑同时操作四个车不太方便，所以如果人与人想进行对抗，需要联机操作，而实现人与人对抗的目的在于可以进行模仿学习，模仿学习的想法来源于DeepMind的AlphaStar
其他的部分基本不用动，改变获取指令的方法，改为联网获取，另外还可以在get_order函数里将云台的控制方式改为用鼠标控制
模拟器毕竟不是真实世界，增加一些随机性有助于提高模拟到实际迁移能力，想法来源于OpenAI的研究Generalizing from Simulation
在函数move_car的开头，对self.acts增加一些误差，关于acts的具体细节，可参见params.md，注意是kernal里的acts
激光雷达和摄像头的视野用来表示能检测到车，当某个车在摄像头视野内时，可以自动瞄准这个车。现在使用的视野算法为：首先检测角度是不是符合，再检查两车中心联线上是否有阻碍（障碍物或车）。这样做的问题是：在有些刁钻的角度，会出现不合理的视野