CARLA：开源自动驾驶仿真器，支持场景训练与测试

为什么需要 CARLA：实车测试贵、长尾场景无法安全复现

自动驾驶算法验证高度依赖大规模道路测试：一套配备激光雷达与多相机的测试车成本数十万元，百万公里级验证周期以年计，而暴雨、行人鬼探头、高速突现障碍等长尾场景在公开道路上几乎无法安全复现。即使常规场景表现良好的模型，也会因长尾样本采样不足而在真实环境中暴露系统性问题——这是仿真器存在的根本原因。

CARLA 将道路、车辆、行人、天气与传感器全部置于可编程的数字环境中：Python API 可以精确控制每辆车的速度、每个传感器的位置与参数、天气与光照，甚至逐帧推进仿真（同步模式）。同一个场景可以在数百种配置下反复运行，数据的语义标签由仿真器自动生成，成本主要是算力而非人力。

与同类工具相比，CARLA 的气质是「为自动驾驶任务而设计」：从碰撞检测、车道侵入检测等标注型传感器，到 Leaderboard 评测基准，API 语义直接对齐感知、预测、规划、控制四大模块，学术研究与工业预研的使用面最广。

安装与环境配置：3 步就绪

前置条件：独立 GPU（显存 ≥ 6GB，推荐 8GB+）、约 30GB 磁盘空间、Ubuntu 18.04+/Windows 10+、Python 3.8+。集成显卡无法支撑 Unreal Engine 渲染，会导致启动崩溃或极低帧率。

步骤一·下载并解压预编译包：从 carla.org/download 或 GitHub Releases 获取 CARLA_0.9.16 包（Linux 为 .tar.gz，Windows 为 .zip），解压到纯英文无空格路径（如 ~/carla）。包内包含服务端程序 CarlaUE4 与 PythonAPI/examples 示例脚本目录。

步骤二·安装 Python API：执行 pip3 install carla==0.9.16。注意 pip 安装的只是客户端连接库，仿真器本体是独立的服务端程序；0.9.12 之前的版本不通过 pip 分发，需使用包内 PythonAPI/carla/dist 下的 .egg 文件。

步骤三·启动服务端并验证连接：Linux 下运行启动脚本，性能不足时加 -quality-level=Low 降低画质；随后用一条 Python 命令验证客户端能连上服务端并打印双方版本号。

Windows 用户直接运行 CarlaUE4.exe，客户端验证命令相同。输出形如 0.9.16 0.9.16 即安装成功；若两侧版本号不一致，后续连接会报错。

# 解压预编译包（安装包从 https://carla.org/download 下载）tar -xzf CARLA_0.9.16.tar.gz && cd carla # 安装 Python API（客户端连接库）pip3 install carla==0.9.16 # 启动服务端（远程/无显示器环境需追加 -RenderOffScreen）./CarlaUE4.sh -prefernvidia -quality-level=Low -carla-rpc-port=2000 # 新开终端：验证客户端连通性与版本一致性python3 -c "import carla; c=carla.Client('127.0.0.1',2000); c.set_timeout(5); print(c.get_server_version(), c.get_client_version())"

快速上手：10 分钟跑通第一个仿真

核心思路：CARLA 是客户端-服务器架构，服务端负责渲染与物理，客户端脚本负责「连接 → 选蓝图 → 生成车辆 → 挂传感器 → 开车 → 收数据」。先用官方示例验证环境，再运行最小自定义脚本。

1. 启动服务端：按上文命令运行 CarlaUE4，首次启动需要约 1–2 分钟加载地图。

2. 运行官方手控示例：cd PythonAPI/examples && python3 manual_control.py。可用 WASD 键驾驶生成的车辆、按 C 切换相机视角、按 P 切换自动驾驶，验证交互链路正常。

3. 生成 NPC 车流：另开终端运行 python3 spawn_npc.py -n 50 -w 20，生成 50 辆 NPC 车辆与 20 个行人，观察 Traffic Manager 驱动的交通流。

4. 运行自定义采集脚本：新建 demo.py 粘贴以下代码运行，脚本连接 Town01、生成一辆特斯拉 Model 3 并启用 autopilot，同时以回调方式保存 10 秒 RGB 图像与 LiDAR 点云。

运行结束后 out/ 目录下会得到约 200 帧图像与点云。进阶：将 set_autopilot(True) 换成 vehicle.apply_control(carla.VehicleControl(throttle=0.5, steer=0.0)) 即可手动控制油门与转向，这是后续实现你自己的控制策略的入口。

import carla, random, time, osos.makedirs('out/lidar', exist_ok=True) client = carla.Client('127.0.0.1', 2000)client.set_timeout(15.0)world = client.load_world('Town01')          # 加载地图bp_lib = world.get_blueprint_library()       # 蓝图库：所有可生成对象 # 1) 生成 ego 车辆vehicle_bp = bp_lib.filter('vehicle.tesla.model3')[0]spawn_point = random.choice(world.get_map().get_spawn_points())vehicle = world.spawn_actor(vehicle_bp, spawn_point) # 2) 挂 RGB 相机（1280x720，车后上方视角）cam_bp = bp_lib.find('sensor.camera.rgb')cam_bp.set_attribute('image_size_x', '1280')cam_bp.set_attribute('image_size_y', '720')cam_tf = carla.Transform(carla.Location(x=-6.0, z=3.0), carla.Rotation(pitch=-15.0))camera = world.spawn_actor(cam_bp, cam_tf, attach_to=vehicle)camera.listen(lambda img: img.save_to_disk(f'out/{img.frame_number:06d}.png')) # 3) 挂 32 线 LiDARlidar_bp = bp_lib.find('sensor.lidar.ray_cast')lidar_bp.set_attribute('channels', '32')lidar = world.spawn_actor(lidar_bp, carla.Transform(carla.Location(z=2.5)), attach_to=vehicle)lidar.listen(lambda data: data.save_to_disk(f'out/lidar/{data.frame_number:06d}.ply')) vehicle.set_autopilot(True)                  # 交给 Traffic Manager 自动驾驶try:    time.sleep(10)                           # 采集 10 秒数据finally:    camera.stop(); lidar.stop(); vehicle.destroy()

核心能力详解：4 大支柱

支柱一·多传感器仿真与合成数据生产。传感器通过 JSON 属性配置，官方提供 RGB/深度/语义分割/光流相机、射线 LiDAR 与语义 LiDAR、Radar、GNSS、IMU，另有专门用于自动标注的碰撞检测、车道侵入与障碍物检测传感器。语义分割相机输出 32 类逐像素掩码，可直接作为训练标签。噪声模型比真实传感器简化，需配合 domain randomization（随机天气与光照）缩小 sim-to-real gap。

支柱二·Traffic Manager 与 NPC 交通流。Traffic Manager 是运行在 CPU 端的规则控制器，为 NPC 与设置了 autopilot 的车辆提供跟车、变道、限速、红绿灯等行为；可通过 API 调整全局车间距、忽略红绿灯比例、禁止变道等，用于构造不同拥堵与攻击性水平的交通流。车流密度与行为参数直接决定被测算法的难度，是构建鲁棒性测试数据的关键旋钮。

支柱三·Scenario Runner 与场景化测试。Scenario Runner 是官方场景工具，支持 OpenScenario 与 OpenDRIVE 标准，可在指定地图上定义起点、天气、目标速度、触发条件与事件序列，精确复现「前车急刹」「行人横穿」「匝道汇流」等原子场景。Leaderboard 2.0 在此基础上提供整条路线的闭环评测，按路线完成率与违规扣分计算 Driving Score。

支柱四·仿真控制与数据管道。同步模式（synchronous_mode + fixed_delta_seconds）让物理按固定步长推进，每次 tick 得到与传感器严格对齐的帧，是训练与评测的推荐模式；异步模式适合交互式驾驶。支持 world.start_recorder() 录制与 client.replay_file() 回放、天气参数（云量/降雨/风速）与预设切换、spectator 视角控制。配合批处理脚本可构建「多城镇 × 多天气 × 多车流」的数据矩阵。

生产部署与监控：从上线到运维

部署方式一·Docker 化。官方提供 carlasim/carla 镜像。宿主机安装 nvidia-container-toolkit 后，以 docker run --rm --gpus all -p 2000-2002:2000-2002 carlasim/carla:0.9.16 启动；无显示器的云服务器需在容器内以 -RenderOffScreen 无头渲染模式运行，避免 Vulkan 初始化失败。端口 2000 为 RPC 通信，2001/2002 为传感器数据流。

部署方式二·多实例数据工厂。单实例吞吐受物理步长限制（20Hz 同步模式下每个 tick 内完成物理计算+渲染），客户端多开不会加速。横向扩展的正确方式是启动多个服务端实例：每个实例用 -carla-rpc-port=2000/3000/4000... 指定不同 RPC 端口，或按 GPU 拆分 Docker 容器，各实例固定城镇+天气组合，由调度脚本连接并下发采集任务，数据统一写入共享存储。

可观测性。监控维度包括：①服务端启动日志（地图加载失败、端口占用）；②客户端版本一致性（比对 get_server_version 与 get_client_version）；③传感器回调帧率（统计每秒递增的 frame_number，连续卡顿即告警）；④GPU 利用率与显存占用（nvidia-smi）；⑤world.get_snapshot() 获取当前时间步与场景内 actor 数量。录制产生的 .log 文件可事后回放，用于复现与定位问题。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>客户端与服务端版本必须严格一致：0.9.15 的 Python API 连 0.9.16 服务端会直接报错或行为异常，升级时两端同步更换，0.9.12 之前的版本不走 pip 分发、需用 .egg 文件。</li><li>无显示器服务器直接运行会 Vulkan 初始化失败：远程/云主机上必须加 -RenderOffScreen 参数，或用 Docker + nvidia-container-toolkit 无头运行，否则 CarlaUE4 无法启动。</li><li>同步模式忘记 tick 会「假死」：开启 synchronous_mode 后主循环每步必须调用 world.tick() 推进仿真，wait_for_tick() 属于异步模式；两者混用会导致传感器无数据或客户端超时。</li></ul>

版本迭代

CARLA 0.9 系列自 2019 年全面重写后保持固定节奏：中间版本（0.9.11–0.9.14）以稳定性、传感器属性与文档改进为主；0.9.15 与 0.9.16 是里程碑式发布，分别引入新地图+车辆物理重构、渲染引擎升级+新版评测基准。（截至训练数据，0.9.16 之后可能有更新版本）

AI 应用场景

常见误区

面试题

参考来源

• webpageCARLA 官方网站项目介绍、安装包下载入口与官方新闻