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

共计 3494 个字符，预计需要花费 9 分钟才能阅读完成。

自动驾驶技术的快速发展离不开高质量的仿真平台，CARLA 作为开源自动驾驶仿真器，已经成为研究和开发的重要工具。本文将带你从零开始，在 CARLA 中构建一个完整的自动驾驶系统，涵盖环境搭建、传感器配置、感知决策和控制的全流程。

CARLA 的优势在于提供了高度可配置的仿真环境，支持多种传感器类型，并且有丰富的 Python API 接口。但同时也存在一些局限性：

物理引擎精度有限，某些极端场景的模拟不够真实
大规模场景下的性能开销较大
传感器噪声模型相对简单

首先需要安装 CARLA 和必要的 Python 依赖：

# 安装 CARLA PythonAPI
pip install carla

# 其他必要依赖
pip install numpy opencv-python pygame

下面是一个创建基础场景的示例代码：

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()

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

# 获取蓝图库
blueprint_library = world.get_blueprint_library()

# 创建车辆
vehicle_bp = blueprint_library.filter('model3')[0]
spawn_point = carla.Transform(carla.Location(x=100, y=200, z=0.5), carla.Rotation())
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

CARLA 支持多种传感器类型，下面以相机和 LiDAR 为例：

# 创建相机
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_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

# 创建 LiDAR
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('range', '5000')
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)

# 传感器数据回调函数
def camera_callback(image):
    # 处理相机数据
    pass

def lidar_callback(point_cloud):
    # 处理 LiDAR 数据
    pass

# 注册回调
camera.listen(camera_callback)
lidar.listen(lidar_callback)

感知模块通常包括目标检测、语义分割等任务。以下是简单的目标检测实现：

import cv2
import numpy as np

def process_image(image):
    # 将 CARLA 图像转换为 OpenCV 格式
    array = np.frombuffer(image.raw_data, dtype=np.uint8)
    array = np.reshape(array, (image.height, image.width, 4))
    array = array[:, :, :3]
    array = array[:, :, ::-1]

    # 这里可以添加目标检测代码
    # 例如使用 YOLO 等模型进行检测

    return array

基于感知结果，我们可以实现简单的决策逻辑：

def decision_making(perception_results):
    # 简单决策逻辑
    if perception_results['obstacle_distance'] < 20:
        return 'brake'
    else:
        return 'accelerate'

def vehicle_control(decision, vehicle):
    if decision == 'brake':
        vehicle.apply_control(carla.VehicleControl(brake=1.0))
    elif decision == 'accelerate':
        vehicle.apply_control(carla.VehicleControl(throttle=0.5))

CARLA 支持传感器同步，确保数据时间戳对齐：

# 创建同步模式
settings = world.get_settings()
settings.synchronous_mode = True
settings.fixed_delta_seconds = 0.05
world.apply_settings(settings)

# 在主循环中手动推进仿真
while True:
    world.tick()
    # 处理传感器数据

对于计算密集型任务，可以使用多进程：

from multiprocessing import Process, Queue

def perception_process(input_queue, output_queue):
    while True:
        data = input_queue.get()
        # 处理感知任务
        result = process_image(data)
        output_queue.put(result)

# 创建进程
input_queue = Queue()
output_queue = Queue()
p = Process(target=perception_process, args=(input_queue, output_queue))
p.start()

CARLA 使用 UE4 的左手法则坐标系，与 ROS 等系统不同，转换示例：

def carla_to_ros_transform(carla_transform):
    # 位置转换
    ros_location = {
        'x': carla_transform.location.x,
        'y': -carla_transform.location.y,
        'z': carla_transform.location.z
    }

    # 旋转转换
    ros_rotation = {
        'roll': carla_transform.rotation.roll,
        'pitch': -carla_transform.rotation.pitch,
        'yaw': -carla_transform.rotation.yaw
    }

    return ros_location, ros_rotation

减小仿真与现实差距的策略：