基于CARLA构建典型自动驾驶测试场景的工程实践与避坑指南

1次阅读

没有评论

共计 4044 个字符，预计需要花费 11 分钟才能阅读完成。

自动驾驶系统的测试验证面临着巨大挑战，其中最核心的问题就是测试场景的构建。在实际工程中，我们发现存在几个主要痛点：

场景多样性需求 ：自动驾驶系统需要应对各种复杂的交通场景，包括正常行驶、紧急情况、恶劣天气等多种情况。手动构建这些场景不仅耗时，而且难以保证覆盖所有可能情况。
边缘 case 复现困难 ：那些罕见的危险场景（如突然切入的车辆、横穿马路的行人）在现实路测中难以遇到，更难以重复测试。
测试成本高昂 ：传统路测需要大量人力物力，且存在安全隐患。

相比之下，仿真测试具有明显优势：

可重复性强，能够精确复现特定场景
测试成本低，无需真实车辆和道路
安全性高，不会造成实际伤害
可扩展性好，能够模拟各种极端情况

CARLA 是一个开源的自动驾驶仿真平台，提供了丰富的 API 和工具来构建测试场景。下面我们详细介绍如何使用 CARLA 构建典型测试场景。

CARLA 支持两种主要的场景描述方式：

OpenSCENARIO(.xosc)：标准化的场景描述格式，适合定义复杂的交互场景
JSON 配置文件 ：更简单的场景定义方式，适合快速构建基础场景

一个典型的 OpenSCENARIO 文件包含以下部分：

<Scenario name="cut_in_scenario">
  <RoadNetwork>
    <LogicFile filepath="Town01.xodr"/>
  </RoadNetwork>
  <Entities>
    <ScenarioObject name="ego_vehicle">
      <Vehicle category="car" model="vehicle.tesla.model3"/>
    </ScenarioObject>
  </Entities>
  <Storyboard>
    <Init>
      <Actions>
        <Private entityRef="ego_vehicle">
          <TeleportAction>
            <Position x="50" y="3" z="0.5"/>
          </TeleportAction>
        </Private>
      </Actions>
    </Init>
  </Storyboard>
</Scenario>

对于更灵活的场景控制，我们可以使用 CARLA 的 Python API。下面是一个创建 cut-in 场景的示例代码：

import carla
import random

# 连接 CARLA 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()

# 创建 ego 车辆
ego_bp = blueprint_library.find('vehicle.tesla.model3')
transform = carla.Transform(carla.Location(x=50, y=3, z=0.5))
ego_vehicle = world.spawn_actor(ego_bp, transform)

# 创建 cut-in 车辆
cutin_bp = blueprint_library.find('vehicle.audi.tt')
cutin_transform = carla.Transform(carla.Location(x=60, y=1.5, z=0.5))
cutin_vehicle = world.spawn_actor(cutin_bp, cutin_transform)

# 设置 cut-in 行为
cutin_vehicle.set_autopilot(True)
world.get_traffic_manager().ignore_lights_percentage(cutin_vehicle, 100)

OpenSCENARIO 是 ASAM 定义的标准化场景描述语言，它可以精确描述车辆行为、环境条件和事件触发逻辑。下面是一个行人横穿场景的示例片段：

<Act name="PedestrianCrossing">
  <ManeuverGroup>
    <Actors>
      <EntityRef entityRef="pedestrian1"/>
    </Actors>
    <Maneuver name="CrossStreet">
      <Event name="StartWalking" priority="overwrite">
        <Action name="WalkAction">
          <PrivateAction>
            <RoutingAction>
              <FollowTrajectoryAction>
                <Trajectory ref="ped_trajectory" 
                            initialDistanceOffset="0.0" 
                            timeReference="none"/>
              </FollowTrajectoryAction>
            </RoutingAction>
          </PrivateAction>
        </Action>
      </Event>
    </Maneurver>
  </ManeuverGroup>
</Act>

在动态生成场景时，精确控制物体的位置和方向至关重要。CARLA 使用 Transform 类来表示物体的位姿：

# 创建一个位于 (100, 50, 0.5)，朝向 y 轴的 Transform
transform = carla.Transform(carla.Location(x=100, y=50, z=0.5),
    carla.Rotation(pitch=0, yaw=90, roll=0)
)

# 应用 Transform 到车辆
vehicle.set_transform(transform)

CARLA 的 TrafficManager 可以模拟真实的交通行为，包括跟车、变道、避让等：

# 获取 TrafficManager 实例
tm = client.get_trafficmanager()

# 设置全局交通参数
tm.set_global_distance_to_leading_vehicle(2.0)
tm.set_random_device_seed(0)

# 为特定车辆设置行为
vehicle.set_autopilot(True, tm.get_port())
tm.vehicle_percentage_speed_difference(vehicle, -20)  # 比限速慢 20%
tm.ignore_lights_percentage(vehicle, 30)  # 30% 概率闯红灯

在仿真测试中，时间同步是一个常见问题。建议使用 CARLA 提供的时间戳机制：

# 获取当前仿真时间
snapshot = world.get_snapshot()
timestamp = snapshot.timestamp
print(f"Current simulation time: {timestamp.elapsed_seconds}s")

# 同步 Python 脚本与仿真时间
world.tick()  # 等待下一帧

多传感器数据采集时，确保所有传感器使用相同的时间戳：

# 创建同步模式的世界
settings = world.get_settings()
settings.synchronous_mode = True
settings.fixed_delta_seconds = 0.05  # 20Hz
world.apply_settings(settings)

# 在每帧采集数据
while True:
    world.tick()
    # 这里可以安全地读取所有传感器数据，它们都属于同一时间点

降低渲染质量：

settings = world.get_settings()
settings.quality_level = carla.QualityLevel.Low
world.apply_settings(settings)

使用非渲染模式进行批量测试：

settings.no_rendering_mode = True
world.apply_settings(settings)

合理控制场景复杂度，避免同时加载过多车辆和行人

可视化检查：在 CARLA 中运行场景，通过观察确认场景是否符合预期
自动化检查：编写脚本验证关键参数，如车辆位置、速度等

def validate_cut_in(ego_vehicle, cutin_vehicle):
    ego_loc = ego_vehicle.get_location()
    cutin_loc = cutin_vehicle.get_location()
    distance = ego_loc.distance(cutin_loc)
    assert distance < 10.0, "Cut-in vehicle too far away"

根据我们的测试，在标准硬件配置下（i7-9700K, RTX 2070）：