CARLA自动驾驶仿真平台：从环境搭建到避坑指南

1次阅读

没有评论

共计 3180 个字符，预计需要花费 8 分钟才能阅读完成。

自动驾驶系统的开发离不开大量的测试和验证，而实车测试成本高、风险大且难以覆盖所有场景。仿真测试成为了一种高效、安全的解决方案，能够快速验证算法在各种极端情况下的表现。

CARLA 作为一款开源自动驾驶仿真平台，具有以下优势：

高度可定制：支持自定义地图、车辆模型和传感器配置
物理仿真：基于 Unreal Engine 实现高精度的物理和渲染效果
多语言 API：提供 Python 和 C ++ 接口，便于集成到开发流程中
丰富的预置场景：包含城市、乡村等多种环境

典型使用场景包括：

感知算法验证（如目标检测、语义分割）
决策规划算法测试
传感器融合评估
端到端系统集成测试

以下是在 Ubuntu 18.04/20.04 上安装 CARLA 的完整步骤：

安装系统依赖

# 更新软件包列表
sudo apt-get update

# 安装基础依赖
sudo apt-get install -y \
    wget \
    git \
    python3-pip \
    python3-dev \
    python3-numpy \
    libomp5 \
    libpng16-16

安装显卡驱动（以 NVIDIA 为例）

# 添加官方 PPA 源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

# 安装推荐驱动（根据显卡型号调整）sudo apt-get install -y nvidia-driver-470

通过 Docker 安装 CARLA（推荐方式）

# 安装 Docker
sudo apt-get install -y docker.io
sudo systemctl start docker
sudo systemctl enable docker

# 拉取 CARLA 镜像
docker pull carlasim/carla:0.9.13

# 启动 CARLA 服务器（GPU 加速）docker run \
    --gpus all \
    -p 2000-2002:2000-2002 \
    -it \
    carlasim/carla:0.9.13 \
    /bin/bash ./CarlaUE4.sh

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()

# 生成车辆
blueprint_library = world.get_blueprint_library()
vehicle_bp = blueprint_library.find('vehicle.tesla.model3')
spawn_point = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

# 设置自动巡航模式
vehicle.set_autopilot(True)

激光雷达设置示例：

# 创建激光雷达
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('range', '100.0')
lidar_bp.set_attribute('channels', '64')
lidar_bp.set_attribute('points_per_second', '500000')

# 将传感器安装到车辆上
lidar_transform = carla.Transform(carla.Location(x=0, z=2.5))
lidar = world.spawn_actor(lidar_bp, lidar_transform, attach_to=vehicle)

# 数据回调函数
def lidar_callback(point_cloud):
    # 将点云数据转换为 numpy 数组
    data = np.frombuffer(point_cloud.raw_data, dtype=np.float32)
    data = np.reshape(data, (int(data.shape[0]/4), 4))

# 注册回调
lidar.listen(lidar_callback)

使用 RoadRunner 或类似工具创建 OpenDRIVE 格式的地图
将导出的.xodr 文件放入 CARLA 的 Import 文件夹
通过 Python API 加载地图：

# 加载自定义地图
with open('custom_map.xodr') as f:
    map_str = f.read()

# 使用客户端 API 导入地图
vertex_distance = 2.0  # 顶点间距
max_road_length = 50.0  # 最大路段长度
wall_height = 1.0      # 围墙高度

client.generate_opendrive_world(
    map_str,
    carla.OpendriveGenerationParameters(
        vertex_distance=vertex_distance,
        max_road_length=max_road_length,
        wall_height=wall_height
    )
)

影响仿真速度的关键因素及优化建议：

渲染质量
调整 /Game/Carla/Config/DefaultEngine.ini 中的渲染参数
降低阴影质量：r.ShadowQuality=2
禁用环境光遮蔽：r.AmbientOcclusionLevels=0
物理引擎参数
在 CarlaSettings.ini 中调整物理子步长

示例配置：

[Physics]
MaxSubstepDeltaTime=0.01
MaxSubsteps=10

传感器配置
降低非必要传感器的更新频率
使用 set_sensor_tick() 方法调整采样间隔
示例：camera.set_sensor_tick(0.1) # 10Hz

常见错误：

黑屏或无响应
OpenGL/Vulkan 报错

解决方案：

确保使用官方推荐驱动版本
添加 -vulkan 参数启动 CARLA：./CarlaUE4.sh -vulkan
在 Docker 中运行时传递正确的设备参数

关键注意事项：

使用 world.tick() 同步所有传感器数据
设置适当的 sensor_tick 值避免数据丢失
在多传感器系统中使用时间戳对齐数据

优化技巧：

分批加载 / 卸载场景元素
使用 client.load_world() 和client.reload_world()管理内存
监控 Python 进程内存使用（tracemalloc模块）

构建完整仿真测试流水线的步骤：

安装 ROS Bridge 包

pip install carla-ros-bridge

启动 ROS 桥接节点

roslaunch carla_ros_bridge carla_ros_bridge.launch \
    host:=localhost \
    port:=2000

创建 ROS 节点接收传感器数据

#!/usr/bin/env python

import rospy
from sensor_msgs.msg import PointCloud2

def pointcloud_callback(data):
    # 处理点云数据
    pass

rospy.init_node('carla_listener')
rospy.Subscriber("/carla/ego_vehicle/lidar", PointCloud2, pointcloud_callback)
rospy.spin()

在实际项目中，如何验证仿真结果与实车测试的一致性？您采用了哪些指标和方法来评估仿真环境的可信度？欢迎在评论区分享您的经验！

正文完