CARLA自动驾驶仿真平台：从环境搭建到避障算法实战

1次阅读

共计 1854 个字符，预计需要花费 5 分钟才能阅读完成。

CARLA 采用 服务端 - 客户端架构 设计，服务端负责运行虚拟世界和物理模拟，客户端通过 API 控制车辆和传感器。核心组件包括：

世界(World)：包含地图、天气系统和动态对象
蓝图(Blueprint)：定义车辆、行人和传感器的属性模板
传感器(Sensor)：支持相机(RGB/ 深度 / 语义)、激光雷达、雷达等 12 种类型

使用官方推荐命令启动容器（注意 GPU 直通）：

docker run -p 2000-2002:2000-2002 --gpus all -it carlasim/carla:0.9.13

常见错误：CUDA out of memory → 尝试降低渲染质量
性能优化：添加 -vulkan 参数启用 Vulkan 渲染

CARLA 0.9.13 需要 Python 3.7+，推荐使用 virtualenv
安装时注意版本匹配：
```
pip install carla==0.9.13
```

import carla

# 创建客户端连接
client = carla.Client('localhost', 2000)
world = client.get_world()

# 设置同步模式（关键！）settings = world.get_settings()
settings.synchronous_mode = True
world.apply_settings(settings)

# 添加 RGB 相机和雷达
camera_bp = world.get_blueprint_library().find('sensor.camera.rgb')
radar_bp = world.get_blueprint_library().find('sensor.other.radar')

# 安装传感器
camera = world.spawn_actor(camera_bp, carla.Transform())
radar = world.spawn_actor(radar_bp, carla.Transform())

# 数据回调函数
def camera_callback(image):
    image.save_to_disk('output/camera.png')

def radar_callback(data):
    points = np.frombuffer(data.raw_data, dtype=np.float32)
    points = np.reshape(points, (len(data), 4))

# 注册回调
camera.listen(camera_callback)
radar.listen(radar_callback)

基于规则的避障算法流程：

获取激光雷达点云数据
计算前方障碍物距离
根据距离阈值触发刹车或转向

def obstacle_avoidance(points):
    """
    输入：雷达点云数据(N,4)
    输出：控制指令
    """
    front_points = points[(points[:,1]>-1) & (points[:,1]<1)]  # 筛选前方区域
    min_dist = np.min(front_points[:,0])

    if min_dist < 5:  # 5 米阈值
        return {
            'throttle': 0,
            'brake': 1.0,
            'steer': np.clip(-front_points[np.argmin(front_points[:,0]),1], -0.5, 0.5)
        }
    return {'throttle': 0.7, 'brake': 0, 'steer': 0}