CARLA数据标注实战指南：从零搭建自动驾驶标注流水线

1次阅读

共计 1724 个字符，预计需要花费 5 分钟才能阅读完成。

CARLA 仿真平台通过高保真传感器模拟为自动驾驶算法提供海量训练数据，其多模态数据（摄像头 /LiDAR/ 雷达）的同步输出特性可构建复杂驾驶场景。但由于仿真数据量庞大（单场景可达 TB 级），传统人工标注方式面临效率低下（每小时仅标注 20-30 帧）和跨模态对齐困难两大核心痛点，亟需自动化标注流水线解决方案。

ROS 桥接方案
优点：支持跨节点数据同步（时间戳对齐精度±10ms），兼容 ROS 生态系统工具链
缺点：需额外部署 ROS Master 节点，系统资源占用增加 15%-20%
适用场景：多机分布式标注系统
CARLA 原生 API 方案
优点：直接读取仿真器内存数据（零延迟），支持同步模式（SyncMode）硬同步
缺点：灵活性较低，难以对接第三方标注工具
适用场景：单机高吞吐量标注

工具	标注效率（帧 / 小时）	多模态支持	自动化扩展性
CVAT	50-60	摄像头 +LiDAR	高（REST API）
Supervisely	30-40	全模态	中（Python SDK）
LabelImg	20-30	仅 2D 图像	低

import numpy as np
from carla import Transform

def camera_to_bev(points_3d, cam_transform):
    """
    将相机坐标系下的 3D 点转换到 BEV 坐标系
    时间复杂度：O(n) n 为点云数量
    """
    # 移除 Z 轴（俯视图投影）points_2d = np.delete(points_3d, 2, axis=1)  

    # 应用相机外参变换
    rotation = cam_transform.rotation
    translation = cam_transform.location

    # 构建变换矩阵（4x4）transform_matrix = np.array([[np.cos(rotation.yaw), -np.sin(rotation.yaw), 0, translation.x],
        [np.sin(rotation.yaw), np.cos(rotation.yaw), 0, translation.y],
        [0, 0, 1, translation.z],
        [0, 0, 0, 1]
    ])

    # 齐次坐标转换
    homogenous_points = np.hstack((points_2d, np.ones((points_2d.shape[0], 1))))
    bev_points = (transform_matrix @ homogenous_points.T).T

    return bev_points[:, :2]

import cv2
import matplotlib.pyplot as plt

def visualize_annotations(image, bboxes, colors):
    """
    使用 OpenCV 绘制 2D 标注框
    时间复杂度：O(m) m 为标注框数量
    """
    for box, color in zip(bboxes, colors):
        x1, y1, x2, y2 = box
        cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)

    plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()