不只是安装：用Carla+Win11快速搭建你的第一个自动驾驶测试场景（手把手教程）

从零到一：用Carla在Win11上构建自动驾驶测试场景的实战指南

当你第一次启动Carla仿真环境，看到那个空荡荡的数字化城市时，是否感到既兴奋又迷茫？作为一款开源的自动驾驶仿真平台，Carla的真正价值不在于安装过程，而在于它能够让你快速验证各种自动驾驶算法和场景。本文将带你超越基础安装，在30分钟内完成三个具有里程碑意义的实验：生成自定义车辆、实现路径跟随以及交互红绿灯系统。

1. 环境准备与基础概念

在开始我们的实验之前，确保你已经按照官方指南完成了Carla在Win11系统上的安装。不同于普通的安装教程，我们关注的是如何立即开始使用这个强大的工具。

Carla的核心架构包含几个关键组件：

• 服务器端：负责运行仿真世界和物理引擎
• 客户端：通过Python API与服务器交互
• 蓝图库：定义了可用的车辆、行人和传感器类型
• 地图系统：提供各种预构建的城市环境

启动Carla服务器后，你会看到一个看似静态的城市景观。实际上，这个数字世界正在等待你的指令。让我们从创建一个最简单的Python客户端开始：

import carla import random # 连接Carla服务器 client = carla.Client('localhost', 2000) client.set_timeout(10.0) # 设置超时时间 # 获取世界对象 world = client.get_world()

这个小段代码建立了与Carla服务器的连接，这是我们所有实验的基础。注意set_timeout的设置——在实际开发中，适当调整这个值可以避免许多连接问题。

2. 创建你的第一辆自定义车辆

大多数教程止步于运行manual_control.py示例，但真正的乐趣始于创建完全由你控制的车辆。让我们在特定位置生成一辆车，而不是随机出现。

2.1 选择车辆蓝图

Carla提供了数十种车辆模型，从紧凑型轿车到大型卡车。我们可以通过蓝图系统来选择：

# 获取蓝图库 blueprint_library = world.get_blueprint_library() # 选择特定车辆模型 vehicle_bp = random.choice(blueprint_library.filter('vehicle.tesla.*')) # 设置车辆颜色 if vehicle_bp.has_attribute('color'): color = random.choice(vehicle_bp.get_attribute('color').recommended_values) vehicle_bp.set_attribute('color', color)

这段代码随机选择了一辆Tesla车型并设置了随机颜色。你可以将'vehicle.tesla.*'替换为'vehicle.*'来查看所有可用车辆。

2.2 在指定位置生成车辆

Carla使用三维坐标系（x, y, z）来定位对象。地图上的每个点都有一个精确的位置。让我们在主要十字路口附近生成车辆：

# 获取地图的生成点 spawn_points = world.get_map().get_spawn_points() # 选择第一个生成点（通常是主要十字路口附近） spawn_point = spawn_points[0] # 生成车辆 vehicle = world.spawn_actor(vehicle_bp, spawn_point)

现在你应该能在仿真界面中看到你的Tesla出现在城市的主要道路上。如果车辆卡在建筑物或其他物体中，可以微调生成点的位置：

# 调整生成点位置 spawn_point.location.x += 2.0 # 向东移动2米 spawn_point.rotation.yaw = 90.0 # 面向北方

提示：使用world.debug.draw_string方法可以在3D世界中绘制调试信息，帮助定位问题。

3. 实现基础路径跟随

有了车辆后，下一步是让它动起来。我们将实现一个简单的绕圈行驶逻辑，这比完全随机移动更有意义。

3.1 获取路径点

Carla地图包含预定义的路径点系统，我们可以利用这些点来构建行驶路线：

# 获取地图的路径点 waypoints = world.get_map().generate_waypoints(distance=2.0) # 筛选出靠近我们车辆的路径点 nearby_waypoints = [] for waypoint in waypoints: if waypoint.transform.location.distance(spawn_point.location) < 50.0: nearby_waypoints.append(waypoint)

3.2 实现简单绕圈逻辑

现在我们可以让车辆沿着这些路径点移动：

import math # 设置车辆控制器 controller = carla.VehicleControl() # 基础绕圈逻辑 def follow_waypoints(vehicle, waypoints): closest_waypoint = min(waypoints, key=lambda wp: wp.transform.location.distance(vehicle.get_location())) index = waypoints.index(closest_waypoint) next_waypoint = waypoints[(index + 5) % len(waypoints)] # 向前看5个点 # 计算转向角度 vehicle_location = vehicle.get_location() direction = next_waypoint.transform.location - vehicle_location direction_norm = math.sqrt(direction.x**2 + direction.y**2) direction.x /= direction_norm direction.y /= direction_norm # 应用控制 controller.throttle = 0.5 controller.steer = direction.y * 0.5 vehicle.apply_control(controller)

这个简单的算法会让车辆沿着路径点形成的环路行驶。在实际应用中，你可能需要更复杂的路径规划算法，但对于初步测试来说，这已经足够。

4. 添加交通信号与交互

真实的自动驾驶系统必须能够处理交通信号。让我们在场景中添加一个红绿灯，并观察车辆如何响应。

4.1 创建红绿灯系统

首先，我们需要找到地图中现有的红绿灯或创建一个新的：

# 获取所有交通灯 traffic_lights = world.get_actors().filter('traffic.traffic_light') # 如果没有现成的交通灯，我们可以创建一个 if not traffic_lights: traffic_light_bp = blueprint_library.find('traffic.traffic_light') traffic_light = world.spawn_actor(traffic_light_bp, spawn_point) else: traffic_light = traffic_lights[0]

4.2 实现红绿灯状态检测

我们可以修改路径跟随逻辑，使其考虑交通灯状态：

def follow_waypoints_with_traffic_light(vehicle, waypoints, traffic_light): # 获取车辆前方的交通灯状态 tl_state = traffic_light.get_state() if tl_state == carla.TrafficLightState.Red: controller.throttle = 0.0 controller.brake = 1.0 else: follow_waypoints(vehicle, waypoints) vehicle.apply_control(controller)

4.3 设置红绿灯时序

为了使场景更真实，我们可以让红绿灯周期性变化：

import time def traffic_light_cycle(traffic_light): while True: traffic_light.set_state(carla.TrafficLightState.Green) traffic_light.set_green_time(15.0) time.sleep(15.0) traffic_light.set_state(carla.TrafficLightState.Yellow) traffic_light.set_yellow_time(3.0) time.sleep(3.0) traffic_light.set_state(carla.TrafficLightState.Red) traffic_light.set_red_time(20.0) time.sleep(20.0)

5. 进阶：添加传感器与数据收集

真正的自动驾驶测试离不开传感器数据。让我们为车辆添加一个摄像头，并保存它"看到"的画面。

5.1 安装摄像头传感器

# 选择摄像头蓝图 camera_bp = blueprint_library.find('sensor.camera.rgb') camera_bp.set_attribute('image_size_x', '800') camera_bp.set_attribute('image_size_y', '600') # 将摄像头安装在车辆前部 camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4)) camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

5.2 实现数据收集回调

我们需要定义一个回调函数来处理摄像头捕获的图像：

def process_image(image): # 将原始数据转换为数组 import numpy as np array = np.frombuffer(image.raw_data, dtype=np.dtype("uint8")) array = np.reshape(array, (image.height, image.width, 4)) array = array[:, :, :3] # 去掉Alpha通道 # 这里可以添加图像处理逻辑 # 例如保存图像： import cv2 cv2.imwrite(f'frame_{image.frame}.png', array) # 注册回调 camera.listen(process_image)

5.3 综合测试场景

现在，我们已经具备了所有基础组件：车辆、路径跟随、交通信号和传感器。让我们把它们组合成一个完整的测试场景：

def run_scenario(): # 初始化所有组件 client = carla.Client('localhost', 2000) world = client.get_world() # 创建车辆 vehicle_bp = random.choice(world.get_blueprint_library().filter('vehicle.tesla.*')) spawn_point = random.choice(world.get_map().get_spawn_points()) vehicle = world.spawn_actor(vehicle_bp, spawn_point) # 添加摄像头 camera_bp = world.get_blueprint_library().find('sensor.camera.rgb') camera = world.spawn_actor(camera_bp, carla.Transform(carla.Location(x=1.5, z=2.4)), attach_to=vehicle) camera.listen(lambda image: cv2.imwrite(f'frame_{image.frame}.png', np.reshape(np.frombuffer(image.raw_data, dtype=np.uint8), (image.height, image.width, 4))[:,:,:3])) # 设置交通灯 traffic_light = world.get_actors().filter('traffic.traffic_light')[0] # 主循环 try: while True: follow_waypoints_with_traffic_light(vehicle, world.get_map().generate_waypoints(2.0), traffic_light) time.sleep(0.05) finally: # 清理 camera.destroy() vehicle.destroy()

这个综合场景展示了Carla作为自动驾驶研究工具的核心价值——它允许你快速构建、测试和迭代各种自动驾驶场景，而无需担心现实世界测试的成本和风险。