CARLA PythonAPI 自动驾驶入门实战：从零搭建仿真环境到避障算法实现

1次阅读

没有评论

共计 3048 个字符，预计需要花费 8 分钟才能阅读完成。

CARLA 是一个开源的自动驾驶仿真平台，它提供了高度逼真的城市环境、多种传感器模型和灵活的 API 接口。对于自动驾驶开发者来说，CARLA 可以帮助我们：

在安全的虚拟环境中测试算法
避免真实道路测试的高成本和风险
快速迭代和验证各种场景

在刚开始使用 CARLA PythonAPI 时，很多同学会遇到以下问题：

环境配置复杂，依赖项多
API 文档不够直观，调用方式不明确
传感器数据格式复杂，解析困难
控制指令和物理模拟的时序难以把握
性能优化无从下手

从 CARLA 官网下载最新版本的预编译包
解压到本地目录
对于 Linux 用户，可能需要安装额外的依赖：

sudo apt-get install libomp5

CARLA 自带了 Python 客户端库，位于 PythonAPI/carla/dist 目录下。我们可以通过 pip 安装：

pip install carla-X.X.X-py3.X-linux-x86_64.egg

创建一个简单的测试脚本test_connection.py：

import carla

# 连接 CARLA 服务端
try:
    client = carla.Client('localhost', 2000)
    client.set_timeout(2.0)
    world = client.get_world()
    print("Successfully connected to CARLA!")
except RuntimeError as e:
    print("Failed to connect:", e)

如果看到 ”Successfully connected to CARLA!” 的输出，说明环境配置正确。

让我们生成一辆车辆并实现基础控制：

import carla

# 连接服务端
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()

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

# 选择车辆蓝图
vehicle_bp = blueprint_library.filter('model3')[0]

# 选择生成点
spawn_point = world.get_map().get_spawn_points()[0]

# 生成车辆
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

# 设置自动驾驶模式
vehicle.set_autopilot(True)

添加一个摄像头传感器并获取数据：

# 创建摄像头蓝图
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '800')
camera_bp.set_attribute('image_size_y', '600')

# 设置摄像头位置
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))

# 生成摄像头
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

# 定义回调函数处理图像数据
def process_image(image):
    # 将原始数据转换为数组
    import numpy as np
    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
    # 这里可以添加图像处理代码

# 注册回调
camera.listen(process_image)

使用 OpenCV 显示摄像头数据：

import cv2

def process_image(image):
    array = np.frombuffer(image.raw_data, dtype=np.uint8)
    array = np.reshape(array, (image.height, image.width, 4))
    array = array[:, :, :3]
    array = array[:, :, ::-1]  # 转换 BGR 到 RGB
    cv2.imshow('Camera View', array)
    cv2.waitKey(1)

实现一个简单的基于雷达的避障算法：

# 添加雷达传感器
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('channels', '32')
lidar_bp.set_attribute('range', '20')
lidar_transform = carla.Transform(carla.Location(z=2))
lidar = world.spawn_actor(lidar_bp, lidar_transform, attach_to=vehicle)

def process_lidar(point_cloud):
    # 转换点云数据
    points = np.frombuffer(point_cloud.raw_data, dtype=np.float32)
    points = np.reshape(points, (int(points.shape[0]/4), 4))

    # 检测前方障碍物
    front_points = points[points[:, 1] > 0]  # 只考虑前方的点
    if len(front_points) > 0:
        min_dist = np.min(front_points[:, 0])
        if min_dist < 5:  # 5 米内有障碍物
            # 执行避障动作
            control = carla.VehicleControl()
            control.throttle = 0
            control.brake = 0.5
            vehicle.apply_control(control)

lidar.listen(process_lidar)