racer无人机集群算法对gpu占用大吗

如果你说的是 STAR Lab / 港科大那套 RACER（Rapid Collaborative Exploration with a Decentralized Multi-UAV System），那么结论是：

RACER 算法本身基本不吃 GPU，主要吃 CPU 和内存。

官方开源版本主体是 C++/ROS，核心包括分区、任务分配、CVRP/LKH、A*/Kinodynamic A*、轨迹优化等；官方安装依赖里主要是 NLopt、Armadillo、LKH，并没有要求 CUDA、PyTorch 或 TensorFlow。(GitHub) 从其规划参数也能看出大量工作是搜索和数值优化，例如 A*、kinodynamic search 和 trajectory optimization，这些默认都是 CPU 计算。(GitHub)

所以如果你直接跑官方的四机 swarm_exploration.launch，通常可以理解为：

• RACER planner：GPU ≈ 0%
• CPU：可能比较高，而且无人机数量增加后会明显上升
• RAM：地图变大、体素分辨率变高、无人机数量增加后会上升
• RViz/Gazebo：会占一点 GPU，但这是渲染占用，并不是 RACER 算法本身
• 如果再接 VINS / 深度网络 / CUDA 点云建图，那 GPU 占用才可能明显起来

比如有人把 RACER 接到 PX4 + Gazebo 做四机仿真，整个系统还包括 Gazebo、PX4 SITL、MAVROS、控制器等，因此看到系统负载很高也不一定是 RACER 本身。(GitHub)

如果你的问题其实是：“我一边跑 RACER 四机/十几机仿真，一边训练深度学习模型，会不会抢显卡？”——一般来说 RACER 本身不会怎么抢你的 CUDA GPU，反而更需要担心 CPU 核数和内存。

如果你告诉我你的配置，比如 CPU + GPU + RAM + 准备跑几架无人机（4/8/16 架）+ Gazebo 还是实机，我可以直接估一下这套机器跑 RACER 会不会卡。