Autopilot-Notes：CARLA仿真平台入门到精通的6个步骤
项目地址: https://gitcode.com/gh_mirrors/aut/Autopilot-Notes 想要掌握自动驾驶仿真技术吗？CARLA仿真平台是学习自动驾驶算法的最佳工具！🚗 作为开源自动驾驶仿真平台，CARLA提供了完整的仿真环境，支持从传感器模拟到算法测试的全流程开发。本文将带你从零开始，通过6个简单步骤快速掌握CARLA仿真的核心技能。
为什么选择CARLA仿真平台？
CARLA（Car Learning to Act）是由英特尔实验室开发的开源自动驾驶仿真平台，已成为学术界和工业界最受欢迎的仿真工具之一。它提供真实的城市环境、多种传感器模拟和灵活的Python API接口，是学习自动驾驶技术的绝佳选择。
🔑 核心优势
- 完全开源免费：无需付费即可使用所有功能
- 真实物理引擎：基于Unreal Engine 4，提供逼真的物理效果
- 丰富的传感器：支持RGB相机、LiDAR、RADAR、GPS、IMU等多种传感器
- 灵活的场景构建：可自定义天气、光照、交通流等环境条件
- 强大的Python API：便于算法开发和测试
📋 步骤一：快速安装与配置
Ubuntu系统安装
# 安装依赖
sudo apt-get update
sudo apt-get install wget software-properties-common
# 下载CARLA
wget https://carla-releases.s3.us-east-005.backblazeb2.com/Linux/CARLA_Latest-release.tar.gz
tar -xzf CARLA_Latest-release.tar.gz
cd CARLA_*/
# 启动仿真器
./CarlaUE4.sh
Docker安装（推荐）
# 拉取镜像
docker pull carlasim/carla:0.9.15
# 运行容器
docker run -it --gpus all --rm \
-v /tmp/carla:/carla/L \
-p 2000:2000 \
carlasim/carla:0.9.15 \
/bin/bash -c "./CarlaUE4.sh"
Windows系统安装
- 从CARLA官网下载安装包（.exe格式）
- 解压到指定目录
- 运行
CarlaUE4.exe
安装完成后，CARLA服务器将在localhost:2000端口启动，可以通过Python客户端连接。
🚀 步骤二：掌握Python API基础
连接CARLA服务器
import carla
import time
# 建立连接
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
# 获取世界对象
world = client.get_world()
blueprint_library = world.get_blueprint_library()
print(f"成功连接到地图: {world.get_map().name}")
创建第一辆自动驾驶车辆
# 选择车辆蓝图
vehicle_bp = blueprint_library.filter('vehicle.tesla.model3')[0]
# 获取生成点
spawn_points = world.get_map().get_spawn_points()
spawn_point = 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)
基础车辆控制
# 手动控制车辆
control = carla.VehicleControl(
throttle=0.5, # 油门 0-1
steer=0.0, # 转向 -1~1
brake=0.0, # 刹车 0-1
hand_brake=False,
reverse=False
)
vehicle.apply_control(control)
📷 步骤三：配置传感器套件
CARLA支持多种传感器模拟，这是自动驾驶感知系统的核心。
RGB相机配置
# 创建RGB相机
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '1920')
camera_bp.set_attribute('image_size_y', '1080')
camera_bp.set_attribute('fov', '110')
# 安装到车辆
camera_transform = carla.Transform(
carla.Location(x=1.5, y=0.0, z=2.4), # 前视位置
carla.Rotation(pitch=-15) # 俯仰角
)
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)
# 图像采集回调
def camera_callback(image):
image.save_to_disk(f'output/{image.frame}.png')
camera.listen(camera_callback)
LiDAR激光雷达配置
# 创建LiDAR传感器
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('range', '100') # 探测范围100米
lidar_bp.set_attribute('points_per_second', '100000') # 每秒10万个点
lidar_transform = carla.Transform(carla.Location(z=2.5))
lidar = world.spawn_actor(lidar_bp, lidar_transform, attach_to=vehicle)
def lidar_callback(data):
points = data.get_array()
print(f"采集到点云数量: {len(points)}")
lidar.listen(lidar_callback)
GNSS定位传感器
# 创建GNSS传感器
gnss_bp = blueprint_library.find('sensor.other.gnss')
gnss = world.spawn_actor(
gnss_bp,
carla.Transform(carla.Location(z=1.0)),
attach_to=vehicle
)
def gnss_callback(data):
print(f"位置: 纬度={data.latitude}, 经度={data.longitude}, 海拔={data.altitude}")
gnss.listen(gnss_callback)
🏙️ 步骤四：构建真实交通场景
生成交通流
import random
def spawn_traffic(world, blueprint_library, num_vehicles=50):
"""生成交通车辆"""
vehicles = []
vehicle_bps = blueprint_library.filter('vehicle.*')
for i in range(num_vehicles):
# 随机选择车辆类型
bp = random.choice(vehicle_bps)
# 随机选择生成点
spawn_point = random.choice(world.get_map().get_spawn_points())
try:
vehicle = world.spawn_actor(bp, spawn_point)
vehicle.set_autopilot(True) # 设置自动驾驶
vehicles.append(vehicle)
except:
continue
return vehicles
# 生成50辆交通车辆
traffic_vehicles = spawn_traffic(world, blueprint_library, 50)
添加行人
# 生成行人
walker_bp = blueprint_library.filter('walker.pedestrian.*')
walker_controller_bp = blueprint_library.find('controller.ai.walker')
spawn_point = carla.Transform(
carla.Location(x=-6, y=0, z=1.5),
carla.Rotation(yaw=-90)
)
walker = world.spawn_actor(walker_bp[0], spawn_point)
controller = world.spawn_actor(walker_controller_bp, carla.Transform(), attach_to=walker)
# 控制行人移动
controller.start()
controller.go_to_location(carla.Location(x=10, y=0, z=1.5))
controller.set_max_speed(1.4) # 最大速度1.4米/秒
动态天气系统
# 设置不同天气条件
weather = world.get_weather()
# 晴天
weather.sun_altitude_angle = 90
weather.cloudiness = 10
weather.precipitation = 0
weather.fog_density = 0
world.set_weather(weather)
# 雨天
weather.sun_altitude_angle = 30
weather.cloudiness = 90
weather.precipitation = 80
weather.fog_density = 20
world.set_weather(weather)
# 雾天
weather.sun_altitude_angle = 15
weather.cloudiness = 70
weather.precipitation = 20
weather.fog_density = 80
world.set_weather(weather)
🔧 步骤五：数据采集与处理
多传感器同步采集
import os
# 创建数据保存目录
output_dir = '/data/carla_dataset'
os.makedirs(output_dir, exist_ok=True)
# 传感器列表
sensors = {}
# RGB相机数据采集
camera.listen(lambda img: img.save_to_disk(f'{output_dir}/camera/{img.frame}.png'))
# LiDAR数据采集
lidar.listen(lambda data: data.save_to_disk(f'{output_dir}/lidar/{data.frame}.ply'))
# IMU数据采集
imu_bp = blueprint_library.find('sensor.other.imu')
imu = world.spawn_actor(imu_bp, carla.Transform(), attach_to=vehicle)
imu_data = []
def imu_callback(data, imu_list=imu_data):
imu_list.append({
'frame': data.frame,
'accelerometer': [data.accelerometer.x, data.accelerometer.y, data.accelerometer.z],
'gyroscope': [data.gyroscope.x, data.gyroscope.y, data.gyroscope.z]
})
imu.listen(lambda data: imu_callback(data))
# 采集60秒数据
import time
vehicle.set_autopilot(True)
time.sleep(60)
# 保存IMU数据
import json
with open(f'{output_dir}/imu.json', 'w') as f:
json.dump(imu_data, f, indent=2)
传感器数据同步
# 启用同步模式
settings = world.get_settings()
settings.fixed_delta_seconds = 0.05 # 50ms时间步长
settings.synchronous_mode = True
world.apply_settings(settings)
# 主循环同步采集
for frame in range(1000): # 采集1000帧
world.tick() # 推进仿真时间
# 在这里处理所有传感器数据
# 所有传感器的回调函数会在world.tick()后同步执行
time.sleep(0.05) # 等待50ms
🚦 步骤六：实战应用与优化
端到端自动驾驶测试
import pygame
import numpy as np
# 初始化Pygame显示
pygame.init()
display = pygame.display.set_mode((1280, 720))
clock = pygame.time.Clock()
# 图像处理回调
image_array = []
def camera_callback(image):
array = np.frombuffer(image.raw_data, dtype=np.dtype("uint8"))
array = array.reshape((image.height, image.width, 4))
image_array.append(array[:, :, :3])
camera.listen(camera_callback)
# 主显示循环
try:
while True:
for event in pygame.event.get():
if event.type == pygame.QUIT:
raise StopIteration
if image_array:
img = image_array.pop(0)
img = img[:, :, ::-1] # BGR转RGB
surface = pygame.surfarray.make_surface(img.swapaxes(0, 1))
display.blit(surface, (0, 0))
pygame.display.flip()
clock.tick(30) # 30FPS
finally:
# 清理资源
vehicle.destroy()
camera.destroy()
pygame.quit()
性能优化技巧
# 降低画质提高帧率
./CarlaUE4.sh -quality-level=Low
# 无窗口模式运行（服务器模式）
./CarlaUE4.sh -carla-server -RenderOffScreen
# 使用OpenGL渲染（兼容性更好）
./CarlaUE4.sh -opengl
常见问题解决
连接超时问题：
client = carla.Client('localhost', 2000)
client.set_timeout(20.0) # 增加超时时间到20秒
地图切换：
# 切换到不同城镇
world = client.load_world('Town02') # Town01-Town12可选
资源清理：
# 正确销毁Actor
def cleanup():
for actor in world.get_actors():
if actor.is_alive:
actor.destroy()
📚 学习资源与进阶路径
项目内相关资源
- 官方文档：ch08_工具/8.2 仿真/8.2.1 Carla仿真/readme.md - 完整的CARLA使用指南
- 传感器知识：ch02_硬件/2.1 传感器/ - 深入了解各类传感器原理
- 每日前沿：ch10_每日前沿/2026-02-24.md - 最新的CARLA仿真技术动态
进阶学习建议
- 掌握Python API：深入理解carla.Client的所有方法
- 学习传感器融合：结合ch01_基础/1.3 滤波/中的滤波算法
- 实践强化学习：参考ch01_基础/1.10 强化学习/实现自动驾驶决策
- 参与开源项目：在CARLA社区贡献代码和案例
🎯 核心要点总结
| 步骤 | 关键技能 | 学习目标 |
|---|---|---|
| 1️⃣ | 环境安装 | 掌握CARLA在不同系统的安装方法 |
| 2️⃣ | Python API | 理解客户端连接和基础控制 |
| 3️⃣ | 传感器配置 | 学会配置多种传感器并采集数据 |
| 4️⃣ | 场景构建 | 创建复杂的交通环境和天气条件 |
| 5️⃣ | 数据处理 | 实现多传感器同步采集和存储 |
| 6️⃣ | 实战应用 | 开发端到端自动驾驶测试系统 |
💡 快速入门小贴士
- 从简单开始：先使用Town01地图，熟悉基本操作
- 逐步增加复杂度：先实现单传感器，再扩展到多传感器融合
- 利用官方示例：CARLA自带丰富的Python示例代码
- 加入社区：关注CARLA GitHub仓库和论坛，获取最新资讯
- 实践出真知：多动手编写代码，调试和优化
通过这6个步骤，你已经掌握了CARLA仿真平台的核心技能！🎉 无论是学术研究还是工业应用，CARLA都能为你提供强大的仿真支持。现在就开始你的自动驾驶仿真之旅吧！
提示：所有代码示例都可以在项目中的ch08_工具/8.2 仿真/8.2.1 Carla仿真/目录找到完整实现。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
