基于CARLA构建多种典型自动驾驶测试场景的实践指南

1次阅读

没有评论

共计 4119 个字符，预计需要花费 11 分钟才能阅读完成。

在自动驾驶系统的开发过程中，测试场景的构建是验证算法性能的关键环节。CARLA 作为开源的自动驾驶仿真平台，虽然功能强大，但手动构建测试场景存在几个明显痛点：

耗时费力 ：每次测试都需要手动设置车辆、行人、天气等参数，重复操作多
场景一致性差 ：人为操作难以保证多次测试的场景参数完全一致
复用性低 ：构建好的场景难以保存和重复使用
复杂度高 ：需要熟悉 CARLA API 的各种细节才能构建复杂场景

这些痛点严重影响了开发效率，特别是在需要大量不同场景进行回归测试时。

我们提出了一套基于 Python 的自动化场景构建方案，核心思路是：

使用描述文件定义场景参数
开发通用场景构建器解析描述文件
通过 CARLA Python API 实现场景的自动化生成

采用 YAML 格式定义场景，因为它比 JSON 更易读且支持注释。一个典型场景描述文件包含以下模块：

scene:
  name: urban_crossing
  description: 城市十字路口行人横穿场景

environment:
  weather:
    precipitation: 0.8  # 降雨强度
    cloudiness: 0.6
    wetness: 0.7
    sun_altitude: 45.0

actors:
  ego_vehicle:
    blueprint: vehicle.tesla.model3
    spawn_point: {x: 120.4, y: 195.3, z: 0.5, yaw: 90.0}

  pedestrians:
    - blueprint: pedestrian.pedestrian_001
      spawn_points:
        - {x: 125.1, y: 192.8, z: 0.0}
      waypoints:
        - {x: 125.1, y: 200.5, z: 0.0}

  npc_vehicles:
    - blueprint: vehicle.audi.tt
      spawn_point: {x: 130.2, y: 195.3, z: 0.5, yaw: 270.0}
      speed: 30.0  # km/h

将场景元素拆分为可复用的模块：

环境模块 ：处理天气、光照、时间等参数
车辆模块 ：管理主车和 NPC 车辆的生成与控制
行人模块 ：处理行人行为和路径规划
交通模块 ：设置交通标志、信号灯等

每个模块都有对应的参数化接口，可以通过描述文件灵活配置。

import yaml
import carla

class SceneLoader:
    def __init__(self, client):
        self.client = client
        self.world = client.get_world()
        self.blueprint_lib = self.world.get_blueprint_library()

    def load_scene(self, scene_file):
        with open(scene_file, 'r') as f:
            scene_config = yaml.safe_load(f)

        # 设置天气
        self._set_weather(scene_config.get('environment', {}).get('weather', {}))

        # 生成参与者
        self._spawn_actors(scene_config.get('actors', {}))

    def _set_weather(self, weather_params):
        weather = carla.WeatherParameters(cloudiness=weather_params.get('cloudiness', 0.0),
            precipitation=weather_params.get('precipitation', 0.0),
            wetness=weather_params.get('wetness', 0.0),
            sun_altitude_angle=weather_params.get('sun_altitude', 90.0)
        )
        self.world.set_weather(weather)

    def _spawn_actors(self, actors_config):
        # 生成主车
        if 'ego_vehicle' in actors_config:
            ego_cfg = actors_config['ego_vehicle']
            bp = self.blueprint_lib.find(ego_cfg['blueprint'])
            spawn_point = carla.Transform(carla.Location(**ego_cfg['spawn_point']),
                carla.Rotation(yaw=ego_cfg['spawn_point']['yaw'])
            )
            self.ego = self.world.spawn_actor(bp, spawn_point)

        # 生成 NPC 车辆
        if 'npc_vehicles' in actors_config:
            for npc_cfg in actors_config['npc_vehicles']:
                self._spawn_npc_vehicle(npc_cfg)

        # 生成行人
        if 'pedestrians' in actors_config:
            for ped_cfg in actors_config['pedestrians']:
                self._spawn_pedestrian(ped_cfg)

def _spawn_npc_vehicle(self, npc_cfg):
    bp = self.blueprint_lib.find(npc_cfg['blueprint'])
    spawn_point = carla.Transform(carla.Location(**npc_cfg['spawn_point']),
        carla.Rotation(yaw=npc_cfg['spawn_point']['yaw'])
    )
    vehicle = self.world.spawn_actor(bp, spawn_point)

    # 设置自动驾驶行为
    vehicle.set_autopilot(True)

    # 设置目标速度
    if 'speed' in npc_cfg:
        speed = npc_cfg['speed'] / 3.6  # 转换为 m /s
        control = carla.VehicleControl()
        control.throttle = 1.0
        vehicle.apply_control(control)

        # 使用 PID 控制器保持速度
        self._speed_controllers[vehicle.id] = PIDController(Kp=0.5, Ki=0.1, Kd=0.2, setpoint=speed)

预加载资源 ：在初始化阶段批量加载常用蓝图
异步生成 ：使用多线程生成大量 NPC
LOD 控制 ：根据距离调整细节级别

# 预加载常用蓝图
self._preload_blueprints = [
    'vehicle.*',
    'walker.pedestrian.*',
    'sensor.*'
]

# 异步生成 NPC
from concurrent.futures import ThreadPoolExecutor

def batch_spawn_npcs(npc_configs):
    with ThreadPoolExecutor(max_workers=4) as executor:
        futures = [executor.submit(self._spawn_npc_vehicle, cfg) 
                  for cfg in npc_configs]
        return [f.result() for f in futures]

及时销毁 ：测试完成后立即销毁 Actor
引用计数 ：跟踪所有生成的 Actor
场景重置 ：提供场景重置接口而非重新加载

def cleanup(self):
    for actor in self.spawned_actors:
        if actor.is_alive:
            actor.destroy()
    self.spawned_actors.clear()

坐标系统混淆
问题：CARLA 使用左手坐标系，容易与 ROS 等系统的右手系混淆
解决：明确转换关系，必要时封装坐标转换工具函数
异步操作问题
问题：传感器数据获取是异步的，直接读取可能得到空值
解决：使用回调机制或确保足够的等待时间
Actor 生命周期
问题：未正确销毁 Actor 会导致内存泄漏
解决：实现引用计数和自动清理机制

对场景描述文件使用 Git 管理
为每个场景添加版本号
保存场景时记录 CARLA 引擎版本

metadata:
  version: 1.0.2
  carla_version: 0.9.13
  created_at: 2023-05-15

继承基础 SceneLoader 类
实现自定义场景逻辑
注册新场景类型

class ConstructionZoneScene(SceneLoader):
    def __init__(self, client):
        super().__init__(client)
        self.construction_props = []

    def _setup_construction_zone(self, config):
        # 添加路障、锥桶等
        prop_bp = self.blueprint_lib.find('static.prop.constructioncone')
        for loc in config['locations']:
            prop = self.world.spawn_actor(prop_bp, carla.Location(**loc))
            self.construction_props.append(prop)

以雨夜高速公路事故场景为例：