任务与导航示例¶

examples/cann/ 与 examples/pipeline/ 中有若干脚本展示如何使用 canns.task 生成轨迹、导入外部数据，并驱动更复杂的网络结构。本章选取两类典型示例。

import_external_trajectory.py¶

路径：examples/cann/import_external_trajectory.py
目标：演示如何替换 OpenLoopNavigationTask 默认的随机轨迹，改为加载外部位置数据。
关键流程：
1. 手动生成带噪声的随机行走轨迹（可替换为从文件读取）。
2. 初始化 OpenLoopNavigationTask 并调用 import_data(position_data=..., times=...)。
3. 执行 calculate_theta_sweep_data() 以获得线速度/角速度增益，为后续 theta sweep 做准备。
4. 调用 show_trajectory_analysis 输出 PNG，同时自绘 Matplotlib 图对比导入数据。
输出：import_external_trajectory.png、our_data_comparison.png 及一系列统计信息。
延伸：
- 将 positions 替换为实验数据；若包含朝向，可在 import_data 中传入 head_direction。
- 保存 snt.save_data(...)，让后续示例直接复用相同轨迹。

路径：examples/cann/hierarchical_path_integration.py
目标：演示层次化路径积分网络如何与 OpenLoopNavigationTask 协同运作。
关键流程：
1. 创建长时间 (duration=1000) 的空间导航任务，并保存轨迹到 trajectory_test.npz。
2. 构建 HierarchicalNetwork，包含带状细胞、网格细胞、位置细胞模块。
3. 通过 brainstate.compile.for_loop 先执行初始化阶段（loc_input_stre 充当校准），再运行完整轨迹。
4. 使用 benchmark() 比较编译循环性能。
输出：生成 trajectory_graph.png、band_grid_place_activity.npz（可选）。
延伸：
- 将脚本与 CANN 网络示例的 CANN 示例结合，分析不同连接参数对路径积分的影响。
- 使用 OpenLoopNavigationTask.import_data 替换随机轨迹，再运行层次网络以匹配实验数据。

OpenLoopNavigationTask 依赖 canns_lib 提供的空间模拟后端，在首次运行时会生成内置环境；可通过传入 walls、objects 等参数自定义布局。
若需要批量生成轨迹，可在脚本外部循环调用 task.get_data() 并保存，以便流水线示例直接消费。

路径：src/canns/task/closed_loop_navigation.py
目标：在 canns_lib 闭环代理基础上，提供环境感知的移动规划工具，包括移动代价网格和测地线可视化。
关键流程：
1. 初始化 ClosedLoopNavigationTask 或便捷的 TMazeClosedLoopNavigationTask。
2. 调用 build_movement_cost_grid() 并指定 dx、dy 将环境离散化，阻塞单元格会被标记为 INT32_MAX 权重。
3. 通过 show_data(overlay_movement_cost=True, cost_grid=...) 叠加网格观察墙体/洞口，或使用 show_geodesic_distance_matrix() 计算可通行单元格之间的最短路径矩阵。
输出：带有阻塞/可通行着色以及单元格权重文本的 matplotlib 图像，另有密集测地线距离矩阵可供后续规划使用。
延伸：
- 将返回的 MovementCostGrid 传递给自定义规划器或导出为调试文件。
- 可参考 tests/task/closed_loop_navigation 中的 pytest 用例，按需拓展迷宫结构的回归测试。
- 运行 uv run python examples/cann/closed_loop_complex_environment.py 快速生成包含墙体与洞口的可视化示例，结果会保存到 figures/closed_loop_complex。