在Ubuntu 20.04上，如何一步步搞定AirSim+UE4仿真环境（附自定义场景导入避坑指南）

在Ubuntu 20.04上搭建AirSim+UE4仿真环境的完整实战指南

作为一名长期从事自动驾驶算法开发的工程师，我深知仿真环境对于算法验证的重要性。第一次在Ubuntu上配置AirSim+UE4环境时，我花了整整三天时间才把所有坑都踩完。本文将分享从零开始搭建环境的完整流程，特别是那些官方文档没有提及的细节问题。

1. 环境准备与基础配置

在开始之前，确保你的Ubuntu 20.04系统满足以下最低要求：

• 硬件配置：

  • CPU：至少6核（推荐8核以上）
  • 内存：16GB（32GB更佳）
  • 显卡：NVIDIA GTX 1080及以上（需支持CUDA）
  • 存储空间：至少100GB可用空间

• 软件依赖：

  sudo apt update sudo apt install -y build-essential clang-11 cmake git python3 python3-pip

提示：建议使用SSD硬盘，UE4编译过程会产生大量临时文件，机械硬盘可能导致编译时间大幅延长。

2. UE4引擎的安装与编译

2.1 Epic账号注册与源码获取

首先需要注册Epic Games账号并关联GitHub账号：

1. 访问Epic Games官网注册账号
2. 在账号设置中绑定GitHub账号（邮箱必须一致）
3. 申请UE4源代码访问权限

获取UE4 4.27版本源码：

git clone -b 4.27 git@github.com:EpicGames/UnrealEngine.git cd UnrealEngine

2.2 解决常见编译错误

编译过程中最常见的两个问题及解决方案：

问题1：编译参数错误

修改以下文件：

// Engine/Source/Developer/DesktopPlatform/Private/DesktopPlatformBase.cpp // 修改前： Arguments += " -Progress -NoEngineChanges -NoHotReloadFromIDE" // 修改后： Arguments += " -Progress"

问题2：内存不足

如果遇到内存不足，可以增加swap空间：

sudo fallocate -l 8G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile

2.3 完整编译流程

./Setup.sh ./GenerateProjectFiles.sh make -j$(nproc)

注意：编译过程可能需要4-8小时，建议在稳定的网络环境下进行。

3. AirSim的安装与配置

3.1 基础安装

git clone https://github.com/Microsoft/AirSim.git cd AirSim ./setup.sh ./build.sh

如果遇到权限问题，可以使用：

./build.sh --debug

3.2 常见问题排查

3.3 测试安装

cd ~/UnrealEngine/Engine/Binaries/Linux ./UE4Editor

在UE4编辑器中打开AirSim自带的Blocks项目进行测试。

4. 自定义场景导入实战

4.1 Windows场景迁移到Linux

1. 在Windows的Epic商店下载所需场景（如上海城市环境）
2. 将Content文件夹复制到Ubuntu系统
3. 替换新建UE4项目中的Content文件夹

重要：确保文件权限正确，运行chmod -R 755 Content/

4.2 场景配置要点

• 蓝图路径配置：

  { "PawnPaths": { "DefaultQuadrotor": { "PawnBP": "Class'/Game/BP_FlyingPawn.BP_FlyingPawn_C'" } } }

• 坐标系统调整： UE4使用左手坐标系，而大多数自动驾驶算法使用右手坐标系，需要进行转换。

4.3 性能优化建议

1. 降低场景中动态光源数量
2. 使用LOD（Level of Detail）技术
3. 关闭实时全局光照
4. 调整抗锯齿设置

5. 传感器配置与数据采集

5.1 自定义传感器模型导入

1. 准备FBX格式的3D模型
2. 在UE4编辑器中导入：
   • 点击"添加/导入"按钮
   • 选择"导入到内容浏览器"
   • 调整导入设置（单位、材质等）

5.2 传感器参数配置

典型的相机配置示例：

"Sensors": { "Camera1": { "SensorType": 1, "Enabled": true, "FOV_Degrees": 90, "CaptureSettings": [ { "ImageType": 0, "Width": 1920, "Height": 1080 } ] } }

5.3 数据同步采集技巧

使用AirSim的Python API实现同步数据采集：

import airsim client = airsim.MultirotorClient() client.confirmConnection() # 获取同步的相机和IMU数据 responses = client.simGetImages([ airsim.ImageRequest("0", airsim.ImageType.Scene), airsim.ImageRequest("1", airsim.ImageType.DepthVis) ]) imu_data = client.getImuData()

6. 高级技巧与性能调优

6.1 多机协同仿真

通过修改settings.json实现多无人机仿真：

"Vehicles": { "Drone1": { "VehicleType": "SimpleFlight", "X": 0, "Y": 0, "Z": 0 }, "Drone2": { "VehicleType": "SimpleFlight", "X": 10, "Y": 0, "Z": 0 } }

6.2 物理引擎参数调整

6.3 实时数据可视化

使用AirSim内置的API获取实时数据并可视化：

import matplotlib.pyplot as plt positions = [] for i in range(100): state = client.getMultirotorState() positions.append(state.kinematics_estimated.position) time.sleep(0.1) # 绘制轨迹 plt.plot([p.x_val for p in positions], [p.y_val for p in positions]) plt.show()

在实际项目中，我发现最大的性能瓶颈通常来自场景复杂度而非AirSim本身。一个经验法则是：如果编辑器中的帧率低于30FPS，仿真环境中也很难达到实时要求。建议从简单场景开始，逐步增加复杂度。