根据论文信息一次性生成完整的多页 Draw.io 文件，每页对应一张答辩幻灯片。在 Draw.io 中微调后，使用 drawio2pptx 一键导出为可编辑的 .pptx。
- 小技巧：Draw.io 导出的 SVG 图可以在 PPT 里面插入，然后右键转为形状即可编辑
- 本科/硕士学位论文答辩 PPT
- 开题答辩、预答辩、正式答辩
- 需要可编辑、可微调的幻灯片内容
- 提取输入（可选）：若只有论文全文，可先用 paper-write-prompt 论文结构化提取 从论文中自动提取结构化 Input
- 生成：将本 Prompt 与【论文信息】发给 AI，获得完整多页
.drawio文件 - 微调：在 Draw.io 中打开，编辑文字、调整布局、替换图表
- 导出：
drawio2pptx paper-defense.drawio paper-defense.pptx
- 比例：16:9（PPT 标准）
- 尺寸：pageWidth=1920，pageHeight=1080
# Role
你是一位精通 Draw.io（diagrams.net）XML 格式的学术答辩 PPT 设计专家。你能够根据论文信息**一次性生成完整的多页 .drawio 文件**（mxGraph XML 格式），其中每一页（`<diagram>`）对应一张答辩幻灯片，可直接在 Draw.io 中打开、微调，并配合 drawio2pptx 导出为 PowerPoint。
# Task
根据我提供的【论文信息】，生成符合 Draw.io 语法的**多页** .drawio 文件。文件内包含多个 `<diagram>` 节点，每个 diagram 对应一张幻灯片，按答辩逻辑顺序排列。
# Constraints
## 1. 多页文件结构
一个 `<mxfile>` 内包含多个 `<diagram>`，每个 diagram 为一页：
xml
<mxfile host="app.diagrams.net">
<diagram name="封面" id="page1">
<mxGraphModel ... pageWidth="1920" pageHeight="1080" ...>
<root>...</root>
</mxGraphModel>
</diagram>
<diagram name="研究背景" id="page2">
<mxGraphModel ... pageWidth="1920" pageHeight="1080" ...>
<root>...</root>
</mxGraphModel>
</diagram>
<!-- 更多页... -->
</mxfile>
## 2. 标准答辩页结构（按答辩时长调整页数）
- **封面**：论文题目、答辩人、导师、学校、日期
- **目录**（可选，时间紧可省略）
- **研究背景与意义**
- **国内外研究现状**（或文献综述）
- **研究内容与方法**
- **核心创新点**
- **实验结果/案例分析**（可多页，配表格或要点）
- **结论与展望**
- **致谢**
- **请老师批评指正**（Q&A 页）
答辩时长与页数参考：10 分钟约 10–12 页，15 分钟约 14–18 页。
## 3. 每页布局要求
- **背景**：全画布矩形，浅色学术风（如 #F8F9FA、#FFFFFF）
- **标题区**：每页顶部有明确标题，字号 44–56pt
- **正文区**：要点 3–6 条，字号 24–32pt，层级清晰
- **表格**：若需展示数据，使用 mxCell 绘制表格或列表
- **留白**：避免拥挤，重要信息突出
## 4. 版式风格（推荐）
- **大标题序号**：除封面、致谢、Q&A 外，每页大标题前加序号，如「1. 研究背景与意义」「2. 国内外研究现状」「3. 研究内容与方法」……，便于答辩时快速定位
- **标题分隔线**：标题下方加一条横线，宽度约 60–100px，高度 4–6px。**配色一致性**：分隔线颜色应与封面装饰线、强调色统一，如学术蓝用 #3498DB，避免封面蓝、正文页红混用
- **内容充实**：每页正文不宜过简，每条要点应为完整句子（20–50 字），可包含背景、方法、对比、结论等；避免仅用关键词或短语堆砌
## 5. 配色方案（必选其一）
根据用户指定的【配色偏好】选择并应用。用户未指定时默认 **学术蓝**。
| 配色名称 | 背景 | 主色（标题/正文） | 强调色 | 辅助色 | 分隔线 |
|----------|------|-------------------|--------|--------|--------|
| **学术蓝** | #F8F9FA | #2C3E50 | #3498DB | #7F8C8D | #3498DB（与强调色统一） |
| **商务深蓝** | #FFFFFF | #1E3A5F | #2C3E50 | #5D6D7E | #C0392B |
| **清新绿** | #F0FFF4 | #2D5A3D | #27AE60 | #7F8C8D | #27AE60 |
| **极简黑白** | #FFFFFF | #2C2C2C | #2C2C2C | #7F8C8D | #2C2C2C |
| **暖色学术** | #FFFBF5 | #5D4037 | #8D6E63 | #A1887F | #D35400 |
| **科技深色** | #1A1A2E | #FFFFFF | #4A90D9 | #BDC3C7 | #00D9FF |
- **学术蓝**：浅灰底 + 科技蓝，通用理工科，封面竖线与分隔线均用 #3498DB 保持统一
- **商务深蓝**：白底深蓝，偏正式汇报
- **清新绿**：护眼浅绿，适合长时间展示
- **极简黑白**：纯黑白灰，经典学术风
- **暖色学术**：米白 + 棕褐，偏人文社科
- **科技深色**：深色背景，适合技术/工程类答辩
## 6. XML 格式严格性
- 所有标签正确闭合
- 每个 diagram 内 mxCell 的 id 从 0 递增，**不同页的 id 可重复**（每页独立）
- 特殊字符转义：`&` → `&`，`<` → `<`，`>` → `>`
# Output Format
1. **Draw.io 文件内容**：完整多页 mxGraph XML，可保存为 `.drawio` 文件
2. **页数说明**：列出每页名称与对应内容
3. **使用说明**：保存 → Draw.io 打开微调 → `drawio2pptx` 导出 PPT
# Input
【论文题目】：
[在此处填写]
【学科方向】：
[如 计算机科学 / 教育学 / 经济学 等]
【配色偏好】（可选）：
[学术蓝 / 商务深蓝 / 清新绿 / 极简黑白 / 暖色学术 / 科技深色；不填则默认学术蓝]
【答辩时长】：
[如 10 分钟 / 15 分钟]
【论文结构/目录】：
[从论文目录复制，或简要列出各章标题]
【各章核心内容】（每章 2–5 句话概括，供生成幻灯片要点）：
- 第一章（绪论/背景）：...
- 第二章（相关工作/理论基础）：...
- 第三章（方法/实验）：...
- 第四章：...
- 第五章：...
- 第六章（总结与展望）：...
【创新点/贡献】（3–5 条，用于「核心创新点」页）：
1. ...
2. ...
【必须展示的图表】（可选）：
- 图 X-X：XXX（简要说明）
- 表 X-X：XXX
输入：
**论文题目**：
基于深度学习与多传感器融合的自动驾驶路径规划方法研究
**学科方向**：
计算机科学 / 计算机视觉 / 人工智能 / 自动驾驶
**答辩时长**：
10 分钟
**论文结构/目录**：
1. 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 自动驾驶路径规划发展现状
1.2.2 多传感器融合与深度学习在自动驾驶中的应用
1.3 主要研究内容
1.4 论文章节安排
2. 相关理论基础
2.1 深度学习与强化学习理论概述
2.2 自动驾驶路径规划技术
2.3 基准算法 DDPG 与 A3C
2.4 数据集与评价指标
3. 基于深度强化学习的路径规划算法优化
4. 基于多传感器信息融合的路径规划网络
5. 自动驾驶路径规划系统的设计与实现
6. 总结与展望
---
**各章核心内容**（每章 2–5 句话概括，供生成幻灯片要点）：
* **第一章（绪论/背景）**：介绍自动驾驶技术的应用背景与挑战，强调路径规划在自动驾驶中的关键作用；阐述自动驾驶路径规划在复杂环境中的难点，如动态障碍物、交通标志的识别等；综述现有路径规划方法，如基于模型的规划、基于数据驱动的规划及其局限性；提出多传感器融合与深度强化学习在路径规划中的潜力，概述本文的研究目标与章节安排。
* **第二章（相关工作/理论基础）**：概述深度强化学习（DRL）在自动驾驶中的应用，重点介绍DDPG（深度确定性策略梯度）与A3C（异步优势演员-评论员）等基准算法；梳理传统路径规划方法与基于深度学习的路径规划技术；介绍多传感器融合技术，包括激光雷达、摄像头、毫米波雷达等；说明数据集与评价指标，为后续算法设计与实验提供理论支持。
* **第三章**：分析现有路径规划算法在复杂动态环境中的不足，如对障碍物避让的处理和局部最优解问题；提出基于深度强化学习的路径规划优化方法，结合基于模型的轨迹预测与控制策略，利用DDPG优化路径规划结果；在CARLA仿真平台上进行实验，优化后的算法在避障精度与路径规划效率上有所提升。
* **第四章**：分析现有路径规划算法在处理多传感器信息时的不足，如单一传感器依赖和融合算法不完善的问题；提出基于多传感器信息融合的路径规划方法，结合卷积神经网络（CNN）与循环神经网络（RNN）进行传感器数据的深度特征提取，并用强化学习优化规划结果；在多个复杂测试场景下验证该方法的高效性与可靠性，提升路径规划的鲁棒性与精度。
* **第五章**：设计并实现一个自动驾驶路径规划系统，采用前后端分离的架构，前端使用React框架，后端使用TensorFlow与ROS（Robot Operating System）进行路径计算与传感器数据处理；完成路径规划、地图构建、车辆控制、传感器数据接入等功能模块的开发，并在自动驾驶仿真平台中进行系统测试与功能演示。
* **第六章（总结与展望）**：总结本文提出的路径规划优化方法与多传感器融合技术的创新点与实验成果，回顾深度强化学习与多传感器融合在路径规划中的应用；展望未来自动驾驶技术的发展趋势，如基于大规模数据集的训练、多传感器的实时融合、以及实际路况下的路径规划与决策问题。
**方法章汇报策略**（当存在 2 章及以上讲方法/网络创新时必填）：
* **方法章数量**：2 章
* **章间关系**：递进（第四章基于第三章的优化算法，引入多传感器融合技术，形成更高精度的路径规划网络）
* **汇报建议**：合并讲解。将第三、四章合并为「方法创新」一节，采用「3.1 基于深度强化学习的路径规划优化（原第三章）」和「3.2 基于多传感器信息融合的路径规划（原第四章）」的子点结构。
* **合并汇报结构（仅当建议合并讲时填写）**：
* **方法总览**：本文基于深度强化学习和多传感器融合技术，在路径规划的优化与精度上提出创新方案，分别从算法优化和信息融合两个角度提出改进，形成了基于深度强化学习的路径规划优化算法（D-RL-Path）与多传感器信息融合的路径规划网络（Fusion-Path）。
* **子点 1（对应原第三章）**：在路径规划优化阶段，提出基于深度强化学习的路径规划优化算法，结合DDPG进行路径规划决策优化，在复杂动态环境中显著提高了避障精度和规划效率。
* **子点 2（对应原第四章）**：在多传感器融合阶段，提出基于CNN与RNN的深度特征提取模型，并结合强化学习进行优化，提升了路径规划系统在复杂路况中的稳定性与精度。
**创新点/贡献**（3–5 条，用于「核心创新点」页）：
1. 提出基于深度强化学习的路径规划优化算法，结合DDPG进行避障精度优化，提升了路径规划的实时性与避障效率。
2. 提出基于多传感器信息融合的路径规划网络，结合CNN与RNN的特征提取网络与强化学习优化，提升了系统在复杂环境中的适应能力。
3. 构建适用于自动驾驶路径规划的CARLA仿真数据集，并进行评估实验，支持深度强化学习与多传感器融合模型的训练与测试。
4. 设计并实现基于深度学习的自动驾驶路径规划系统，结合前后端分离的架构，完成系统的路径规划、控制与实时监控功能，具备工程应用价值。
**精选图表**（答辩 PPT 用，与【方法章汇报策略】联动，严格控制数量）：
* **总配额**：10 分钟答辩约 6 张、15 分钟约 8 张，宁少勿多
* **配额分配（按优先级，用满即止）**：
* **架构图** 1–2 张：方法章合并讲，两版架构图均放出（强化学习优化版 + 多传感器融合版各 1 张）
* **核心模块图** 1–2 张：跨章精选 DDPG、CNN-RNN 模块各 1 张
* **主实验结果表** 1 张：选覆盖最全或最关键的对比表
* **消融表** 1 张：选最能体现创新点贡献的消融结果
* **系统/效果图** 1 张：若有系统设计章则选系统架构或界面
* **输出列表**：
* **图 3-2**：深度强化学习优化的路径规划网络架构
* **图 4-4**：基于多传感器融合的路径规划网络架构
* **图 3-3**：基于DDPG的路径规划优化模块
* **图 4-3**：CNN-RNN融合模块
* **表 4-2**：自动驾驶路径规划对比实验结果
* **表 4-6**：消融实验结果
* **图 5-2**：自动驾驶系统架构图
输出：AI 生成完整多页 .drawio XML，包含封面、研究背景、相关工作、方法设计、创新点、实验结果、结论与展望、致谢、Q&A 等页。
预览：
# 安装 drawio2pptx
pip install drawio2pptx
# 将 AI 输出的 XML 保存为 paper-defense.drawio，然后执行：
drawio2pptx paper-defense.drawio paper-defense.pptx导出后的 .pptx 可在 PowerPoint/WPS 中进一步编辑。
预览：