基于CARLA的数据采集与标注实战：自动化流程设计与性能优化

1次阅读

共计 3243 个字符，预计需要花费 9 分钟才能阅读完成。

在自动驾驶开发中，数据是训练和验证模型的基础。CARLA 模拟器因其高度可配置的传感器和逼真的场景，成为获取多样化训练数据的重要工具。然而，传统的手动数据采集方式存在诸多问题：

效率低下：手动控制车辆、切换场景、保存数据等操作耗时费力
标注不一致：人工标注容易引入主观偏差，难以保证数据一致性
扩展性差：难以快速生成大规模多样化数据集
版本管理困难：手动操作难以保证数据与标注的严格对应关系

CARLA 提供完善的 Python API（以 0.9.14 版本为例），主要功能模块包括：

World 控制：加载地图、控制天气、时间流逝等
Actor 管理：生成车辆、行人、传感器等
传感器数据采集：相机、LiDAR、雷达等
同步模式：确保多传感器数据时间对齐

flowchart TD
    A[初始化 CARLA 客户端] --> B[场景配置]
    B --> C[传感器设置]
    C --> D[同步采集循环]
    D --> E[数据存储]
    E --> F[自动标注生成]
    F --> G[质量验证]
    G --> D

CVAT 集成：通过 REST API 自动创建标注任务
LabelImg 兼容：生成 PASCAL VOC 格式的 XML 文件
COCO 格式输出：便于主流检测框架直接使用

import carla
import json
import os

# 初始化客户端
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()

# 场景配置
weather = carla.WeatherParameters(
    cloudiness=50.0,
    precipitation=0.0,
    sun_altitude_angle=70.0)
world.set_weather(weather)

# 添加车辆
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)

# 添加相机传感器
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)

# 数据存储目录
output_dir = 'carla_data'
os.makedirs(output_dir, exist_ok=True)

# 传感器回调函数
def camera_callback(image, data_dict):
    data_dict['image'] = image
    image.save_to_disk(os.path.join(output_dir, f'frame_{image.frame_number}.png'))

# 开始采集
data_dict = {}
camera.listen(lambda image: camera_callback(image, data_dict))

# 主循环
for frame in range(100):
    world.tick()
    # 获取车辆状态
    transform = vehicle.get_transform()
    velocity = vehicle.get_velocity()

    # 存储元数据
    frame_data = {
        'frame_id': frame,
        'transform': {
            'x': transform.location.x,
            'y': transform.location.y,
            'z': transform.location.z,
            'roll': transform.rotation.roll,
            'pitch': transform.rotation.pitch,
            'yaw': transform.rotation.yaw
        },
        'velocity': {
            'x': velocity.x,
            'y': velocity.y,
            'z': velocity.z
        }
    }

    with open(os.path.join(output_dir, f'metadata_{frame}.json'), 'w') as f:
        json.dump(frame_data, f)

# 清理
camera.destroy()
vehicle.destroy()

# 生成 COCO 格式标注
def generate_coco_annotations(output_dir, frames):
    coco_data = {'images': [],
        'annotations': [],
        'categories': [{'id': 1, 'name': 'vehicle'},
            {'id': 2, 'name': 'pedestrian'}
        ]
    }

    for i, frame in enumerate(frames):
        # 从 CARLA 获取检测结果
        # 实际项目中需替换为实际的检测逻辑
        bboxes = get_bboxes_from_carla(world, frame)

        # 添加图像信息
        image_info = {
            'id': i,
            'file_name': f'frame_{frame}.png',
            'width': 800,
            'height': 600
        }
        coco_data['images'].append(image_info)

        # 添加标注
        for bbox in bboxes:
            annotation = {'id': len(coco_data['annotations']),
                'image_id': i,
                'category_id': bbox['category_id'],
                'bbox': bbox['bbox'],
                'area': bbox['width'] * bbox['height'],
                'iscrowd': 0
            }
            coco_data['annotations'].append(annotation)

    with open(os.path.join(output_dir, 'annotations.json'), 'w') as f:
        json.dump(coco_data, f)