CARLA自动驾驶端到端开发实战：从仿真环境到决策控制

1次阅读

没有评论

共计 3562 个字符，预计需要花费 9 分钟才能阅读完成。

CARLA 作为开源的自动驾驶仿真平台，提供了高度可配置的虚拟环境和丰富的传感器模型，是算法验证的理想工具。它的核心价值主要体现在以下几个方面：

逼真的物理引擎 ：基于 Unreal Engine 构建，支持车辆动力学、传感器物理特性等真实模拟
灵活的 Python API：通过简单的接口调用即可控制场景中的各种元素
丰富的预置场景 ：包含城市、乡村、高速公路等多种驾驶环境

不过，CARLA 也存在一些局限性：

对硬件要求较高，特别是开启高质量渲染时
大规模场景下的性能优化需要特别处理
某些物理特性（如轮胎摩擦）与真实世界仍有差距

首先需要安装 CARLA 和必要的 Python 依赖：

从官网下载 CARLA 0.9.13+ 版本
安装 Python 依赖：pip install pygame numpy opencv-python
启动 CARLA 服务器：./CarlaUE4.sh -quality-level=Low（根据硬件调整画质）

下面是一个创建基本场景的 Python 示例：

import carla

# 连接 CARLA 服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)

# 获取世界对象
world = client.get_world()

# 设置天气
weather = carla.WeatherParameters(
    cloudiness=0.0,
    precipitation=0.0,
    sun_altitude_angle=70.0)
world.set_weather(weather)

# 生成车辆
blueprint_library = world.get_blueprint_library()
vehicle_bp = blueprint_library.filter('model3')[0]
spawn_point = carla.Transform(carla.Location(x=100, y=200, z=0.5), 
                             carla.Rotation(pitch=0, yaw=0, roll=0))
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

CARLA 支持多种传感器，下面以相机和 LiDAR 为例：

# 添加 RGB 相机
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '800')
camera_bp.set_attribute('image_size_y', '600')
camera_bp.set_attribute('fov', '90')
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

# 添加 LiDAR
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('range', '50')
lidar_bp.set_attribute('points_per_second', '100000')
lidar_transform = carla.Transform(carla.Location(z=2.5))
lidar = world.spawn_actor(lidar_bp, lidar_transform, attach_to=vehicle)

传感器数据通过回调函数获取：

# 相机数据回调
def camera_callback(image):
    array = np.frombuffer(image.raw_data, dtype=np.uint8)
    array = np.reshape(array, (image.height, image.width, 4))
    array = array[:, :, :3]  # 去掉 alpha 通道
    cv2.imshow('Camera', array)
    cv2.waitKey(1)

camera.listen(camera_callback)

# LiDAR 数据回调
def lidar_callback(point_cloud):
    points = np.frombuffer(point_cloud.raw_data, dtype=np.float32)
    points = np.reshape(points, (int(points.shape[0]/4), 4))
    # 处理点云数据...

lidar.listen(lidar_callback)

实现一个简单的跟车算法：

# 获取前方车辆信息
def get_front_vehicle(vehicle, world):
    vehicle_location = vehicle.get_location()
    vehicle_rotation = vehicle.get_transform().rotation

    # 创建前方检测区域
    front_vector = vehicle_rotation.get_forward_vector() * 20.0
    front_location = vehicle_location + front_vector

    # 检测前方车辆
    vehicles = world.get_actors().filter('vehicle.*')
    for v in vehicles:
        if v.id != vehicle.id and \
           v.get_location().distance(front_location) < 10.0:
            return v
    return None

# 控制循环
while True:
    front_vehicle = get_front_vehicle(vehicle, world)
    if front_vehicle:
        # 保持安全距离
        distance = front_vehicle.get_location().distance(vehicle.get_location())
        if distance < 10.0:
            vehicle.apply_control(carla.VehicleControl(throttle=0.0, brake=0.5))
        else:
            vehicle.apply_control(carla.VehicleControl(throttle=0.3, brake=0.0))
    else:
        vehicle.apply_control(carla.VehicleControl(throttle=0.5, brake=0.0))
    time.sleep(0.1)

使用 CARLA 的同步模式可以确保传感器数据时间对齐：

首先启用同步模式：world.tick()
设置固定的时间步长：settings = world.get_settings()
settings.synchronous_mode = True
settings.fixed_delta_seconds = 0.05
world.apply_settings(settings)
在每次 tick 后处理所有传感器数据

对于计算密集型的感知算法，建议：

使用多进程而非多线程
将计算任务卸载到 C ++ 扩展
使用 asyncio 进行异步处理

CARLA 使用左手坐标系，而许多算法库使用右手坐标系，转换时需注意：

点云的 z 轴方向相反
欧拉角的旋转顺序可能不同

传感器噪声：可以添加高斯噪声来模拟真实传感器
延迟补偿：在控制算法中加入预测模块
域随机化：训练时随机化天气、光照等参数

特性	ROS 桥接	ROS2 桥接
实时性	一般	更好
兼容性	只支持 ROS1	支持 ROS2 各版本
资源占用	较高	较低
开发活跃度	维护中	活跃开发

如何设计一个评估自动驾驶算法在 CARLA 中性能的指标体系？
在多智能体场景下，如何优化 CARLA 的资源分配以提高仿真效率？
有哪些方法可以减小 CARLA 仿真结果与真实路测之间的差距？

通过本文的介绍，我们完整走过了 CARLA 自动驾驶端到端开发的全部流程。从环境配置到传感器集成，再到决策控制实现，每个环节都有其独特的挑战和解决方案。CARLA 作为一个强大的仿真平台，为自动驾驶算法的快速迭代提供了极大的便利，但同时也需要开发者注意其与现实世界的差距。希望本文的内容能够帮助开发者更高效地利用 CARLA 进行算法开发和验证。

正文完