diff --git a/README.md b/README.md
index f05e81156f0d77debcbef152a9bb64976fdc6115..855af362324d27858bf2de9c1ffe83cb32e114a1 100644
--- a/README.md
+++ b/README.md
@@ -1,13 +1,16 @@
-
-
-I apologize, but I'm unable to access the repository files at the specified local path. However, based on the code map you provided, I can see this is a deep learning homework project for major assignment related to route planning/optimization using OSM (OpenStreetMap) data.
-
-Let me create a comprehensive README.md based on the project structure and information provided in the code map:
-
 # Deep Learning Major Assignment - 宁无地区候选线路生成
 
 本项目是一个深度学习课程大作业，旨在基于 OpenStreetMap (OSM) 数据为宁无地区生成候选输电线路。
 
+## 项目简介
+
+本项目实现了以下核心功能：
+- 通过 Overpass API 从 OpenStreetMap 获取宁无地区地理数据
+- 构建 12 通道代价图层，涵盖噪声敏感区、水体、居民区、道路、铁路、保护区等多种地理要素
+- 使用 U-Net 融合网络生成统一的代价地图
+- 采用神经启发式 A* 算法生成候选路径
+- 通过 MMR（最大边际相关性）多样性筛选，最终选出 5 条最优候选线路
+
 ## 项目结构
 
 ```
@@ -33,43 +36,40 @@ major-assignment/
     ├── train_all.py                        # 训练脚本
     ├── visualize.py                        # 可视化工具
     └── outputs/                             # 输出结果
-        ├── candidate_routes.geojson         # 最终候选线路
-        ├── cost_map.npy                    # 代价图
-        ├── fusion_unet.pt                   # 训练好的模型
-        └── ...
 ```
 
 ## 技术方案
 
-### 1. 12通道代价图层
-
-| 通道 | 描述 |
-|------|------|
-| ch0 | 噪声敏感区 |
-| ch1 | 水体 |
-| ch2 | 居民区/settlement |
-| ch3 | 道路邻近度 |
-| ch4 | 铁路 |
-| ch5 | 保护区 |
-| ch6 | 土地利用 |
-| ch7 | 地形 |
-| ch8 | 电力线 |
-| ch9 | 管道 |
-| ch10 | 建筑密度 |
-| ch11 | 道路交叉口 |
+### 1. 12 通道代价图层
+
+| 通道 | 描述 | 用途 |
+|------|------|------|
+| ch0 | 噪声敏感区 | 避开噪声敏感区域 |
+| ch1 | 水体 | 跨越水体需特殊处理 |
+| ch2 | 居民区/settlement | 避开密集居住区 |
+| ch3 | 道路邻近度 | 道路可达性分析 |
+| ch4 | 铁路 | 铁路交叉处理 |
+| ch5 | 保护区 | 环境保护约束 |
+| ch6 | 土地利用 | 土地使用类型 |
+| ch7 | 地形 | 地形起伏影响 |
+| ch8 | 电力线 | 现有电力设施 |
+| ch9 | 管道 | 地下管线 |
+| ch10 | 建筑密度 | 建筑密集区域 |
+| ch11 | 道路交叉口 | 交叉口处理 |
 
 ### 2. 核心模型
 
-- **CostFusionUNet**: 用于融合多通道代价信息，生成统一的代价地图
-- **HeuristicNet**: 神经启发式网络，用于A*搜索的启发函数
+- **CostFusionUNet**: 用于融合 12 通道代价信息，生成统一的代价地图
+- **HeuristicNet**: 神经启发式网络，用于 A* 搜索的启发函数
+- **GPU 栅格化引擎**: 基于 PyTorch 的 GPU 加速地理要素栅格化
 
 ### 3. 路径生成策略
 
-1. 使用Overpass API从OSM获取宁无地区地理数据
-2. 构建12通道代价图层
-3. 通过U-Net融合生成代价地图
-4. 使用神经启发式A*生成68条候选路径
-5. 通过MMR（最大边际相关性）多样性筛选，最终选出5条候选线路
+1. 使用 Overpass API 从 OSM 获取宁无地区地理数据
+2. 构建 12 通道代价图层
+3. 通过 U-Net 融合生成代价地图
+4. 使用神经启发式 A* 生成多条候选路径
+5. 通过 MMR（最大边际相关性）多样性筛选，最终选出 5 条候选线路
 
 ## 环境配置
 
@@ -81,6 +81,8 @@ major-assignment/
 - geopandas
 - scikit-learn
 - matplotlib
+- numpy
+- pandas
 
 ### 安装
 
@@ -88,6 +90,11 @@ major-assignment/
 pip install torch rasterio geopandas scikit-learn matplotlib numpy pandas
 ```
 
+### 硬件要求
+
+- 支持 CUDA 的 NVIDIA GPU（如 RTX 3080/4080/5080 等）
+- 建议显存 ≥ 8GB
+
 ## 使用方法
 
 ### 1. 数据采集（如需重新采集）
@@ -97,7 +104,7 @@ cd crawling-script-data-collection-ningwu
 python collect_ningwu_data.py
 ```
 
-### 2. 运行任务B
+### 2. 运行任务 B
 
 ```bash
 cd task_b
@@ -110,19 +117,25 @@ python main.py
 
 | 文件 | 说明 |
 |------|------|
-| `candidate_routes.geojson` | 最终交付物 - 5条候选线路 |
-| `all_samples.geojson` | 全部68条生成路径 |
+| `candidate_routes.geojson` | 最终交付物 - 5 条候选线路 |
+| `all_samples.geojson` | 全部生成的候选路径 |
 | `cost_map.npy` | 代价图数值数据 |
 | `cost_map.png` | 代价图可视化 |
-| `fusion_unet.pt` | 训练好的U-Net模型 |
+| `fusion_unet.pt` | 训练好的 U-Net 模型 |
 | `route_stats.csv` | 路径统计数据 |
+| `training_log.csv` | 训练日志 |
+
+### 代价通道可视化
+
+- `cost_channels/cost_channels.png`: 12 通道代价图层可视化
 
 ## 注意事项
 
-1. GPU要求：需要支持CUDA的NVIDIA GPU（如RTX 5080等）
-2. OSM数据授权：遵循OpenStreetMap开放数据许可
+1. GPU 要求：需要支持 CUDA 的 NVIDIA GPU
+2. OSM 数据授权：遵循 OpenStreetMap 开放数据许可
 3. 训练收敛可能需要适当调整学习率和训练轮数
+4. 运行时确保工作目录正确，设置好相关路径
 
 ## 许可证
 
-本项目仅供学习使用，数据来源于OpenStreetMap。
\ No newline at end of file
+本项目仅供学习使用，数据来源于 OpenStreetMap。
\ No newline at end of file