CARLA
综合介绍
CARLA (Car Learning to Act) 是一个专为自动驾驶系统研发、训练和验证而设计的开源模拟器。 它从零开始构建，旨在为自动驾驶研发的普及化提供帮助，让广大用户可以轻松访问和定制。 CARLA 基于虚幻引擎（Unreal Engine）开发，支持高质量的图形渲染和物理模拟，能够创建逼真的城市布局、建筑和车辆等数字资产。 该平台提供了一个灵活的 Python 和 C++ API，允许用户对模拟环境中的所有元素进行精确控制，包括交通流、行人行为、天气条件和传感器套件等。 CARLA 采用服务器-客户端架构，允许多个客户端连接并控制不同的模拟对象，具有良好的可扩展性。 其生态系统还包括了与机器人操作系统（ROS）、SUMO、Chrono 等第三方工具的集成，为研究人员提供了强大的支持。
功能列表
- 灵活的API：提供强大的 Python 和 C++ API，用户可以控制模拟的各个方面，如交通生成、行人行为、天气和传感器等。
- 自动驾驶传感器套件：用户可以配置多样的传感器，包括激光雷达（LIDAR）、多个摄像头、深度传感器和GPS等。
- 快速仿真：支持禁用渲染的模式，以实现交通和道路行为的快速仿真，适用于不需要图形的规划和控制任务。
- 地图生成：用户可以使用 RoadRunner 等工具，根据 ASAM OpenDRIVE 标准轻松创建自定义地图。
- 交通场景模拟：通过其 ScenarioRunner 引擎，用户可以定义和执行基于模块化行为的不同交通情景。
- 服务器-客户端架构：支持多个客户端在相同或不同节点上连接，并控制不同的模拟对象。
- 机器人操作系统（ROS）集成：通过 ROS-bridge，CARLA 可以与机器人操作系统无缝连接。
- 开源数字资产：提供免费的城市布局、建筑、车辆等开放数字资产，可用于模拟。
- 行人与车辆控制：内置的交通管理器（Traffic Manager）可以控制非玩家角色（NPC），为自动驾驶代理提供挑战。
使用帮助
CARLA 提供了一个从零开始构建的自动驾驶仿真平台，下面将详细介绍如何安装和使用其核心功能，帮助您快速上手。
安装与启动
CARLA 支持 Linux 和 Windows 系统。 您可以从其 GitHub 仓库下载最新的二进制版本包，或者从源代码构建。
1. 源代码构建 (以Linux为例)
首先，需要克隆 CARLA 的 GitHub 仓库，并指定 ue5-dev 分支：
git clone -b ue5-dev https://github.com/carla-simulator/carla.git CarlaUE5
然后，运行安装脚本来安装所有依赖项并下载虚幻引擎。
cd CarlaUE5
./CarlaSetup.sh
这个过程需要一些时间，并且会占用大量的磁盘空间。
2. 启动CARLA服务器
安装完成后，在 CARLA 的根目录下运行以下命令来启动模拟器：
./CarlaUE4.sh
默认情况下，服务器会在 localhost:2000 端口上监听来自客户端的连接。
连接客户端
CARLA 通过 Python API 与模拟器进行交互。您需要创建一个 Python 脚本来作为客户端连接到服务器。
import carla
# 连接到CARLA服务器
client = carla.Client('localhost', 2000)
client.set_timeout(2.0)
# 获取当前的世界对象
world = client.get_world()
world 对象是您与模拟环境交互的主要入口点。
核心功能操作
1. 生成车辆和行人
在 CARLA 中，所有的实体都被称为“Actor”。 要生成一个 Actor，您首先需要从蓝图库（Blueprint Library）中获取一个蓝图。
# 获取蓝图库
blueprint_library = world.get_blueprint_library()
# 筛选出一个车辆蓝图
vehicle_bp = blueprint_library.filter('model3')[0]
# 在一个随机的生成点生成车辆
transform = random.choice(world.get_map().get_spawn_points())
vehicle = world.spawn_actor(vehicle_bp, transform)
2. 控制车辆
您可以直接通过 API 控制车辆的油门、刹车和转向。
# 将车辆设置为自动驾驶模式
vehicle.set_autopilot(True)
# 或者手动控制
control = carla.VehicleControl(throttle=1.0, steer=-0.5)
vehicle.apply_control(control)
3. 添加传感器
CARLA 强大的功能之一是其丰富的传感器套件。您可以将传感器附加到车辆上以收集数据。
# 创建一个RGB相机蓝图
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)
# 监听相机数据
camera.listen(lambda image: image.save_to_disk('output/%06d.png' % image.frame))
除了RGB相机，您还可以添加激光雷达（LIDAR）、深度相机、语义分割相机等。
4. 控制交通和环境
通过交通管理器（Traffic Manager），您可以轻松地在场景中生成大量逼真的交通流。
traffic_manager = client.get_trafficmanager(8000)
# 设置车辆为自动驾驶模式并由交通管理器控制
vehicle.set_autopilot(True, traffic_manager.get_port())
您还可以动态改变天气条件，以测试您的算法在不同环境下的鲁棒性。
weather = carla.WeatherParameters(
cloudiness=80.0,
precipitation=30.0,
sun_altitude_angle=70.0
)
world.set_weather(weather)
5. 记录和回放
CARLA 允许您记录模拟过程，并在之后进行回放，这对于结果比较和调试非常有用。
# 开始记录
client.start_recorder("recording01.log")
# ... 运行您的模拟 ...
# 停止记录
client.stop_recorder()
# 回放记录
client.replay_file("recording01.log", start_time, duration, camera_id)
通过以上步骤，您可以开始使用 CARLA 进行自动驾驶算法的开发和测试。更多高级功能，例如创建自定义地图和车辆，或者与 ROS 等第三方工具集成，请参阅官方文档。
应用场景
- 自动驾驶算法开发与测试CARLA 为研究人员提供了一个安全、可控的虚拟环境，用于开发和测试自动驾驶汽车的感知、决策和控制算法。 工程师可以在模拟器中模拟各种复杂的交通场景和危险情况，而无需在真实道路上进行昂贵且有风险的测试。
- 传感器模型验证该平台支持多种传感器模型，如摄像头、激光雷达和雷达，能够生成带有像素级精确标注的合成数据（例如语义分割和深度信息）。 这些数据可用于训练和验证计算机视觉算法。
- 强化学习训练CARLA 的灵活性和可扩展性使其成为训练强化学习代理的理想平台。研究人员可以设计自定义的奖励函数，并让代理在模拟环境中通过反复试验来学习驾驶策略。
- 交通流模拟与城市规划通过其交通管理器和场景运行器，CARLA 可用于模拟大规模的城市交通流，帮助城市规划者和交通工程师研究交通拥堵、信号灯配时优化等问题。
QA
- CARLA 与其他自动驾驶模拟器（如LGSVL, AirSim）相比有何不同？CARLA 的主要优势在于其强大的社区支持、丰富的开源资产库以及专为自动驾驶研究设计的灵活 API。 它与虚幻引擎的深度集成提供了高质量的渲染效果，并且其模块化的设计和对 OpenDRIVE 等标准的支持使其具有很高的可扩展性。
- 在 CARLA 中是否可以创建自己的地图和车辆？是的，CARLA 提供了详细的文档和工具链，支持用户导入使用专业软件（如 RoadRunner）创建的自定义地图，或者将自己设计的车辆模型导入到模拟器中使用。
- CARLA 是否支持硬件在环（HIL）仿真？虽然 CARLA 本身是一个纯软件模拟器，但通过其灵活的 API 和与 ROS 等工具的集成，可以实现与真实硬件（如ECU、传感器）的连接，从而搭建硬件在环仿真系统。
