CARLA世界模型入门指南：从零搭建自动驾驶仿真环境

共计 2156 个字符，预计需要花费 6 分钟才能阅读完成。

为什么选择 CARLA？

在自动驾驶研发中，仿真环境能大幅降低路测成本。CARLA 作为开源仿真平台，相比 AirSim 和 LGSVL 有三大优势：

• 高保真渲染：采用虚幻引擎，支持 PBR 材质和动态光照
• 灵活 API：Python 客户端可实时控制所有元素（天气 / 交通 / 传感器）
• 模块化设计：Actor 系统让车辆 / 行人 /NPC 能独立编程

世界模型解剖图

CARLA 的世界模型像搭积木，分为三层：

1. 地图层（Map）
   包含道路网格、交通标志、spawn 点（出生点）。通过 Town01~Town10 预设或自定义 OpenDRIVE 地图

2. 蓝图库（Blueprint Library）
   预制资产模板，通过 world.get_blueprint_library().filter('vehicle.*') 调用

3. 智能体系统（Actor）
   所有动态对象继承自 Actor 基类，包括：

4. 车辆（Vehicle）
5. 传感器（Sensor）
6. 行人（Walker）

classDiagram
    World "1" *-- "*" Actor
    Actor <|-- Vehicle
    Actor <|-- Sensor
    Actor <|-- Walker
    World "1" -- "1" Map
    World "1" -- "1" BlueprintLibrary

实战：启动第一个仿真

环境初始化

import carla

# 连接服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)  # 避免无响应

# 加载地图和天气
world = client.load_world('Town07')  # 选择小镇地图
weather = carla.WeatherParameters(
    cloudiness=80.0,
    precipitation=30.0  # 模拟雨天
)
world.set_weather(weather)

添加传感器

# 从蓝图库创建摄像头
camera_bp = world.get_blueprint_library().find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '1920')
camera_bp.set_attribute('image_size_y', '1080')

# 将摄像头装在车辆上
camera = world.spawn_actor(
    camera_bp,
    carla.Transform(carla.Location(x=1.5, z=2.4)),  # 车顶位置
    attach_to=my_vehicle  # 需提前创建的车辆对象
)

# 数据回调函数
def camera_callback(image):
    image.save_to_disk('output/%06d.png' % image.frame)

camera.listen(camera_callback)  # 开始接收数据

控制 NPC 交通

# 启用交通管理器
traffic_manager = client.get_trafficmanager()
traffic_manager.set_global_distance_to_leading_vehicle(2.5)  # 设置安全距离

# 生成 10 辆随机车辆
for i in range(10):
    vehicle_bp = random.choice(world.get_blueprint_library().filter('vehicle.*'))
    spawn_point = random.choice(world.get_map().get_spawn_points())
    npc = world.spawn_actor(vehicle_bp, spawn_point)
    npc.set_autopilot(True, traffic_manager.get_port())  # 交给 TM 控制

性能优化三要素

1. 多客户端同步

• 使用 client.reload_world() 而非多次创建新世界
• 所有客户端设置相同fixed_delta_seconds（如 0.05 秒 / 帧）

2. 内存管理

• 必须销毁不再使用的 Actor：sensor.destroy()
• 大数据传输时启用压缩：camera_bp.set_attribute('compression', 'png')

3. 异步 IO 优化

async def fetch_sensor_data(sensor):
    while True:
        data = await sensor.async_listen()
        process_data(data)  # 非阻塞处理

进阶思考方向

1. 动态天气测试：通过插值渐变天气参数，观察相机 / 激光雷达的噪声变化
2. 大规模交通优化：禁用非关键车辆的物理模拟（vehicle.set_simulate_physics(False)）
3. 场景编排系统：用行为树（Behavior Tree）组合路口转向、跟车等基础场景

避坑指南

• ❌ 错误：未调用 actor.destroy() 导致僵尸对象
• ✅ 正确：用 try-finally 确保资源释放
• ❌ 错误：高频调用 world.tick() 引发卡顿
• ✅ 正确：使用 wait_for_tick() 异步等待

现在你已经掌握了 CARLA 的核心操作链，接下来可以尝试：
– 导入自定义高精地图
– 集成 ROS/ROS2 桥接
– 复现 nuScenes 等公开数据集场景