CARLA自动驾驶算法入门指南：从环境搭建到第一个感知模型

共计 2402 个字符，预计需要花费 7 分钟才能阅读完成。

为什么选择 CARLA 进行自动驾驶研发

CARLA 作为开源的自动驾驶仿真平台，在研发中具有独特优势：

• 高效仿真：无需真实车辆即可测试算法，节省 90% 以上的道路测试成本
• 场景多样性：支持自定义天气、光照、交通流等参数，可生成极端测试场景
• 传感器模拟：提供相机、LiDAR、雷达等多种高保真传感器模型
• 多语言支持：Python/ C++ API 覆盖全流程开发需求

相比 LGSVL 等平台，CARLA 更适合：
1. 需要精细化传感器仿真的算法验证
2. 复杂交通场景的快速构建
3. 与深度学习框架的直接集成

环境搭建实战

方案一：Docker 方式（推荐新手）

# 拉取官方镜像
docker pull carlasim/carla:0.9.13

# 启动服务端
docker run -p 2000-2002:2000-2002 --gpus all carlasim/carla:0.9.13

常见问题解决：

• GPU 报错 ：添加--runtime=nvidia 参数
• 端口冲突 ：修改-p 参数映射其他端口
• 显示问题 ：添加-e DISPLAY=$DISPLAY 环境变量

方案二：源码编译（需要 Ubuntu 18.04+）

1. 安装依赖：

   sudo apt-get install build-essential clang-8 lld-8 cmake ninja-build

2. 克隆仓库：

   git clone https://github.com/carla-simulator/carla

3. 编译 UE4 引擎（约需 2 小时）：

   make launch

传感器数据获取实战

相机配置示例

import carla

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

# 创建相机
camera_bp = world.get_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')

# 安装到车辆
camera = world.spawn_actor(camera_bp, carla.Transform())

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

camera.listen(camera_callback)

LiDAR 数据解析

lidar_bp = world.get_blueprint_library().find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('range', '50')
lidar_bp.set_attribute('channels', '32')
lidar_bp.set_attribute('points_per_second', '500000')

# 点云处理
def lidar_callback(point_cloud):
    points = np.frombuffer(point_cloud.raw_data, dtype=np.float32)
    points = points.reshape(-1, 4)  # (x,y,z,intensity)
    # 坐标系转换等后续处理...

YOLO 模型集成方案

模型适配关键步骤

1. 输入预处理：

   def preprocess(image):
       img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
       img = cv2.resize(img, (640, 640))
       img = img.transpose(2, 0, 1)  # HWC -> CHW
       return img[np.newaxis, ...]  # 添加 batch 维度

2. 输出后处理：

   def draw_boxes(image, detections):
       for det in detections:
           x1, y1, x2, y2 = det['bbox']
           cv2.rectangle(image, (x1,y1), (x2,y2), (0,255,0), 2)

3. 性能评估：

4. 使用 CARLA 提供的 ground_truth 数据计算 mAP
5. 实时显示 FPS 指标

生产环境注意事项

时间同步方案

• 硬件时钟同步：world.wait_for_tick()
• 软件同步：通过时间戳对齐不同传感器数据

场景随机化配置

# 设置随机天气
weather = carla.WeatherParameters(cloudiness=random.uniform(0,100),
    precipitation=random.uniform(0,100)
)
world.set_weather(weather)

# 随机交通流
traffic_manager = client.get_trafficmanager()
traffic_manager.set_random_device_seed(random.randint(0,9999))

资源监控方法

# 监控 GPU 使用
nvidia-smi -l 1

# 查看内存占用
top -o %MEM

进阶思考方向

1. 如何实现多车辆协同仿真？
2. 怎样构建自定义高清地图？
3. 传感器噪声模型对算法鲁棒性的影响？

通过本指南，开发者可以快速建立 CARLA 开发环境，掌握核心 API 使用方法，并实现第一个可运行的感知模型。建议后续结合具体业务需求，深入探索传感器融合、决策规划等模块的实现。