如何讓AI在虛擬城市里學會開車CARLA自動駕駛仿真從零上手手記【免費下載鏈接】carlaOpen-source simulator for autonomous driving research.項目地址: https://gitcode.com/gh_mirrors/ca/carla如果你和我一樣研究自動駕駛卻遲遲不敢把模型裝到真車上——說實話這個念頭本身就夠嚇人的。真車測試要改裝、要場地、要許可更要命的是你辛辛苦苦訓練的算法如果在一個環(huán)島突然失靈代價不是重啟程序而是真金白銀和安全隱患。這就是為什么當朋友把CARLA自動駕駛仿真器推到我的面前時我只用了十分鐘就意識到這大概是我見過的最接近事故可以重來的駕駛訓練場。CARLACar Learning to Act是一個完全開源的自動駕駛仿真平臺基于 Unreal Engine 5 構建。它在你自己的電腦里搭起一座座虛擬城市讓 AI 車輛在其中學習、測試、甚至撞壞重來。這篇文章不打算給你一份冷冰冰的功能清單而是帶你重走一遍我第一次從零跑通它的完整路線——裝好它、連上它、開動它、給它裝上眼睛最后把它改造成你自己的試驗場。中間那些讓我半夜抓狂的坑我會提前幫你標出來。先認識這輛虛擬車的骨架在我第一次寫代碼之前有一個概念必須先說清楚否則后面每行代碼都會讓你疑惑CARLA 是典型的客戶端-服務器架構。你可以把仿真器想象成一座建在你電腦里的虛擬城市它負責渲染畫面、模擬物理、運轉(zhuǎn)交通——這是服務器而你的 Python 腳本只是這座城市里的一個代理人通過端口向服務器發(fā)指令在哪里生一輛車、攝像頭裝多高、天氣改成什么樣。兩者完全分離所以服務器可以跑在一臺高性能顯卡的機器上而你的訓練代碼可以跑在另一臺機器上互不拖累。記住兩個默認端口2000用來連服務器2001留給交通管理器。很多新手第一步連不上十有八九是端口被占用。這套架構直接決定了一件事你的 Python 代碼只是遙控器真正干活的是那座城市。理解這一點后面所有的操作——生成車輛、裝傳感器、切換地圖——都只是不同形式的發(fā)指令而已。把城市裝進你的電腦我踩的第一個坑發(fā)生在安裝環(huán)節(jié)。如果你以為它像裝一個普通軟件一樣雙擊就完事那你會在啟動界面停留很久。先看一下硬件底牌CARLA 的目標是盡量真實所以它對顯卡的要求很誠實系統(tǒng)Ubuntu 22.04/24.04 或 Windows 11顯卡建議 NVIDIA RTX 3000 系列以上顯存至少 16GB驅(qū)動在 Linux 上建議 550 以上Windows 上 560 以上磁盤至少 130GB 可用空間內(nèi)存別太摳仿真世界里內(nèi)存是稀缺品如果你的顯卡不夠強也別急著放棄。CARLA 提供了 Docker 鏡像參考 Util/Docker/ 下的配置可以跑在云 GPU 實例上也可以加-RenderOffScreen參數(shù)做無渲染的純邏輯仿真——對只關心數(shù)據(jù)不關心畫面的實驗來說這是一條非常實用的捷徑。安裝方式有兩種。圖省事直接下載官方預編譯包想折騰最新的功能就從源碼編譯Windows 見 Docs/build_windows_ue5.mdLinux 見 Docs/build_linux_ue5.md。想先看一眼源碼結(jié)構再決定可以這樣拉下來git clone https://gitcode.com/gh_mirrors/ca/carla裝好之后安裝 Python 客戶端庫通常是一個 wheel 文件位于包目錄的PythonAPI/dist/下pip3 install carla-*.whl然后深吸一口氣啟動服務器./CarlaUnreal.sh如果一切順利屏幕上會彈出一個窗口——一座名為Town10的城市俯瞰圖。這就是你第一次進入CARLA 的時刻從這之后你可以用鼠標和 WASD 鍵像無人機一樣在城市上空飛行提前熟悉地圖。避坑提醒①Windows 上如果啟動后沒有任何報錯就閃退先檢查是否安裝了 Microsoft Visual C Redistributablex64 版本。這個組件缺失時CARLA 會靜默失敗當年我在這上面浪費了整整一個下午。讓第一輛車出現(xiàn)在街頭城市空著沒意思我們先造一輛車。所謂造車其實是三件套藍圖這輛車的配方包括模型、材質(zhì)、物理屬性、生成點地圖上合法的停車位、生成指令。import carla import random client carla.Client(localhost, 2000) # 連接本地服務器 client.set_timeout(10.0) # 給足超時時間 world client.get_world() # 拿到整個世界 bp_lib world.get_blueprint_library() # 藍圖庫所有可生成物體的配方 vehicle_bp random.choice(bp_lib.filter(vehicle.*)) # 隨機挑一輛車 spawn_point random.choice(world.get_map().get_spawn_points()) # 選個合法車位 vehicle world.try_spawn_actor(vehicle_bp, spawn_point)跑完這幾行去看仿真器窗口——一輛車出現(xiàn)了靜靜停在街道上。那一刻你會產(chǎn)生一種奇妙的成就感這是你第一次讓虛擬世界長出一個會移動的生命體。避坑提醒②為什么要用try_spawn_actor而不是spawn_actor因為如果生成點附近已經(jīng)有車輛或障礙物生成會失敗并拋異常。try_spawn_actor失敗時只是返回None代碼不會崩。等你循環(huán)生成幾十輛 NPC 車的時候就知道這個失敗寬容有多重要了。---## 給它裝上眼睛車是有了但它看不見。在真實自動駕駛里傳感器是算法的眼睛在 CARLA 里也一樣。給車輛掛一個 RGB 攝像頭三行配置一個監(jiān)聽回調(diào)camera_bp bp_lib.find(sensor.camera.rgb) camera_bp.set_attribute(image_size_x, 1280) camera_bp.set_attribute(image_size_y, 720) camera_bp.set_attribute(fov, 90) camera world.spawn_actor( camera_bp, carla.Transform(carla.Location(x1.5, z2.4)), # 裝在車頭前方1.5米、高2.4米 attach_tovehicle) camera.listen(lambda image: image.save_to_disk(frames/%06d.png % image.frame))注意所有參數(shù)都要在spawn_actor之前設置好——生成之后想改得先銷毀重來。這是新手最容易忽視的細節(jié)。畫面出來的一刻你會看到車輛正前方那條柏油路和真實行車記錄儀幾乎一模一樣。這就是你后續(xù)訓練集的第一張圖片。攝像頭只是起點。CARLA 的傳感器庫還內(nèi)置了深度相機、語義分割相機、激光雷達sensor.lidar.ray_cast、毫米波雷達等它們共享同一套先配置、再生成、后監(jiān)聽的流程。想知道每種傳感器的全部參數(shù)翻 Docs/ref_sensors.md 就好那里比任何博客都全。傳感器用完之后記得destroy()。我第一版腳本跑了幾萬幀最后內(nèi)存爆掉才發(fā)現(xiàn)每次循環(huán)生成的傳感器對象全都堆在仿真器里沒人清理。讓整座城市活起來一輛孤獨的車還不夠。你想要的是一座有行人、有車流、會等紅燈的活的城市。這正是交通管理器Traffic Manager出場的時候——它是 CARLA 內(nèi)置的交通指揮中心能給任意一輛車安排自動駕駛行為traffic_manager client.get_trafficmanager() traffic_manager.set_global_distance_to_leading_vehicle(2.0) # 跟車距離 for v in world.get_actors().filter(vehicle.*): v.set_autopilot(True, traffic_manager.get_port())如果你不想手寫這段邏輯CARLA 還貼心地準備好了兩個現(xiàn)成腳本就在PythonAPI/examples/里generate_traffic.py一鍵在整張地圖上生成滿街的車輛和行人manual_control.py用鍵盤開一輛車WASD 控制油門轉(zhuǎn)向鼠標轉(zhuǎn)視角開兩個終端分別跑起來你會看到一場默片版的城市交通行人過馬路、車輛轉(zhuǎn)彎、信號燈切換。而你的車在車流中靈活穿行——那種感覺像第一次走進一座自己搭起來的游樂園。避坑提醒③CARLA 默認是異步模式——服務器自己按自己的節(jié)奏跑你的代碼只是不斷發(fā)指令。如果你發(fā)現(xiàn)我改了天氣怎么沒反應車輛不受控先確認自己是不是誤開了同步模式反過來做強化學習訓練時你又必須切到同步模式用world.tick()手動推進每一幀讓數(shù)據(jù)和動作嚴格對齊。這兩種模式怎么切換、各自適合什么場景Docs/adv_synchrony_timestep.md 講得很透。順手說一句天氣——這是 CARLA 最容易被低估的功能。訓練出來的模型在晴天表現(xiàn)完美一到雨天就失靈這在真實世界是致命問題。而在這里你只需幾行代碼就能模擬任意天氣world.set_weather(carla.WeatherParameters( cloudiness80.0, precipitation30.0, sun_altitude_angle70.0))我后來養(yǎng)成了一個習慣任何模型交付前先在 CARLA 里把晴天、雨天、黃昏各跑一遍。這個習慣幫我提前發(fā)現(xiàn)了好幾個只在逆光下才暴露的感知 bug。改造成你自己的試驗場到這里你已經(jīng)擁有了一座可以操控的虛擬城市。接下來才是最有意思的部分把它改造成屬于你的實驗環(huán)境。舉個最常見的例子——采集訓練數(shù)據(jù)。剛才攝像頭保存下來的frames/里全是圖片但只有圖片不夠你還需要同步記錄車速、方向盤轉(zhuǎn)角、剎車狀態(tài)。做法是在同步模式下每個tick里同時讀取傳感器數(shù)據(jù)和車輛狀態(tài)打包存盤。這樣圖像-控制指令配對的數(shù)據(jù)集就成型了可以直接喂給端到端模型。如果你做的不是城市道路而是礦區(qū)物流CARLA 同樣有準備。地圖庫里除了 Town10 這類現(xiàn)代都市還有一座Mine01礦山環(huán)境起伏的地形、非鋪裝路面、重型卡車專門用來測試越野和不規(guī)則場景下的算法。想更徹底地定制世界兩條路可以走深換地圖client.load_world(Town07)即可切換到不同城鎮(zhèn)再用 OpenStreetMap 數(shù)據(jù)生成自己的道路教程見 Docs/tuto_G_openstreetmap.md調(diào)物理想讓車輛重心高一點、剎車肉一點全部參數(shù)都在藍圖里可調(diào)想挑戰(zhàn)底盤調(diào)校的可以看 Docs/tuto_G_control_vehicle_physics.md那些讓我半夜抓狂的坑提前替你們踩平把這次經(jīng)歷里最貴的教訓匯總一下希望你的安裝之旅比我順利連不上服務器先查端口。2000 被占是最高頻事故沒有之一。啟動閃退Windows 檢查 VC 運行庫Linux 檢查 NVIDIA 驅(qū)動版本缺哪個就補哪個。生成總是失敗換try_spawn_actor并且善用world.get_actors()定期清理不要的 actor。改參數(shù)沒生效傳感器參數(shù)必須在生成前設置好生成后就是木已成舟。內(nèi)存莫名暴漲傳感器和 actor 用完了要destroy()尤其長時間數(shù)據(jù)采集時。跑完的代碼沒結(jié)果確認自己到底在異步還是同步模式模式錯了一切行為都對不上號。延伸想象再往下能走多遠當你把上面這一整套流程跑順CARLA 對你來說就不再是一個教程里的示例了。往深處走每一層都有新的風景換一種語言不想用 Python官方提供了完整的 C 客戶端Examples/CppClient/面向追求性能的工業(yè)場景。接上 ROS2CARLA 有原生的 ROS2 接口文檔見 Docs/ros2_native.md機器人領域的研究者可以直接把仿真數(shù)據(jù)接進自己的 ROS 系統(tǒng)?；胤排c分析內(nèi)置的錄制回放系統(tǒng)Docs/adv_recorder.md能記錄整段仿真過程事故現(xiàn)場可以逐幀復盤這在真實世界是不可想象的奢侈。多 GPU 擴展把不同城市分給不同顯卡跑吞吐量直接翻倍大規(guī)模數(shù)據(jù)生產(chǎn)的時候特別好用。場景生成接入 Scenic 等場景描述語言Docs/tuto_G_scenic.md可以用腳本自動生成大量刁鉆的邊緣場景——那些平時根本遇不到的 corner case。我第一次完整跑通生成車輛 → 采集攝像頭數(shù)據(jù) → 訓練一個小模型 → 再放回仿真里驗證這條閉環(huán)時說實話愣住了——從前需要一臺真車、一塊場地、無數(shù)次提心吊膽才能完成的驗證現(xiàn)在全程在電腦里完成了。這就是 CARLA 最打動我的地方它不是讓研究變簡單而是讓試錯變得毫無代價?，F(xiàn)在輪到你了。先去確認硬件然后執(zhí)行./CarlaUnreal.sh用pip3 install carla-*.whl裝好客戶端打開 Docs/tuto_first_steps.md 里的第一個示例讓一輛虛擬汽車在你的屏幕上發(fā)動引擎。你會發(fā)現(xiàn)自學成才的AI 駕駛員離你并不遠——它現(xiàn)在就藏在你電腦里那座城市的某條街道上等你把它叫醒?！久赓M下載鏈接】carlaOpen-source simulator for autonomous driving research.項目地址: https://gitcode.com/gh_mirrors/ca/carla創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 如何讓AI在虛擬城市里學會開車？CARLA自動駕駛仿真從零上手手記
如何讓AI在虛擬城市里學會開車CARLA自動駕駛仿真從零上手手記【免費下載鏈接】carlaOpen-source simulator for autonomous driving research.項目地址: https://gitcode.com/gh_mirrors/ca/carla如果你和我一樣研究自動駕駛卻遲遲不敢把模型裝到真車上——說實話這個念頭本身就夠嚇人的。真車測試要改裝、要場地、要許可更要命的是你辛辛苦苦訓練的算法如果在一個環(huán)島突然失靈代價不是重啟程序而是真金白銀和安全隱患。這就是為什么當朋友把CARLA自動駕駛仿真器推到我的面前時我只用了十分鐘就意識到這大概是我見過的最接近事故可以重來的駕駛訓練場。CARLACar Learning to Act是一個完全開源的自動駕駛仿真平臺基于 Unreal Engine 5 構建。它在你自己的電腦里搭起一座座虛擬城市讓 AI 車輛在其中學習、測試、甚至撞壞重來。這篇文章不打算給你一份冷冰冰的功能清單而是帶你重走一遍我第一次從零跑通它的完整路線——裝好它、連上它、開動它、給它裝上眼睛最后把它改造成你自己的試驗場。中間那些讓我半夜抓狂的坑我會提前幫你標出來。先認識這輛虛擬車的骨架在我第一次寫代碼之前有一個概念必須先說清楚否則后面每行代碼都會讓你疑惑CARLA 是典型的客戶端-服務器架構。你可以把仿真器想象成一座建在你電腦里的虛擬城市它負責渲染畫面、模擬物理、運轉(zhuǎn)交通——這是服務器而你的 Python 腳本只是這座城市里的一個代理人通過端口向服務器發(fā)指令在哪里生一輛車、攝像頭裝多高、天氣改成什么樣。兩者完全分離所以服務器可以跑在一臺高性能顯卡的機器上而你的訓練代碼可以跑在另一臺機器上互不拖累。記住兩個默認端口2000用來連服務器2001留給交通管理器。很多新手第一步連不上十有八九是端口被占用。這套架構直接決定了一件事你的 Python 代碼只是遙控器真正干活的是那座城市。理解這一點后面所有的操作——生成車輛、裝傳感器、切換地圖——都只是不同形式的發(fā)指令而已。把城市裝進你的電腦我踩的第一個坑發(fā)生在安裝環(huán)節(jié)。如果你以為它像裝一個普通軟件一樣雙擊就完事那你會在啟動界面停留很久。先看一下硬件底牌CARLA 的目標是盡量真實所以它對顯卡的要求很誠實系統(tǒng)Ubuntu 22.04/24.04 或 Windows 11顯卡建議 NVIDIA RTX 3000 系列以上顯存至少 16GB驅(qū)動在 Linux 上建議 550 以上Windows 上 560 以上磁盤至少 130GB 可用空間內(nèi)存別太摳仿真世界里內(nèi)存是稀缺品如果你的顯卡不夠強也別急著放棄。CARLA 提供了 Docker 鏡像參考 Util/Docker/ 下的配置可以跑在云 GPU 實例上也可以加-RenderOffScreen參數(shù)做無渲染的純邏輯仿真——對只關心數(shù)據(jù)不關心畫面的實驗來說這是一條非常實用的捷徑。安裝方式有兩種。圖省事直接下載官方預編譯包想折騰最新的功能就從源碼編譯Windows 見 Docs/build_windows_ue5.mdLinux 見 Docs/build_linux_ue5.md。想先看一眼源碼結(jié)構再決定可以這樣拉下來git clone https://gitcode.com/gh_mirrors/ca/carla裝好之后安裝 Python 客戶端庫通常是一個 wheel 文件位于包目錄的PythonAPI/dist/下pip3 install carla-*.whl然后深吸一口氣啟動服務器./CarlaUnreal.sh如果一切順利屏幕上會彈出一個窗口——一座名為Town10的城市俯瞰圖。這就是你第一次進入CARLA 的時刻從這之后你可以用鼠標和 WASD 鍵像無人機一樣在城市上空飛行提前熟悉地圖。避坑提醒①Windows 上如果啟動后沒有任何報錯就閃退先檢查是否安裝了 Microsoft Visual C Redistributablex64 版本。這個組件缺失時CARLA 會靜默失敗當年我在這上面浪費了整整一個下午。讓第一輛車出現(xiàn)在街頭城市空著沒意思我們先造一輛車。所謂造車其實是三件套藍圖這輛車的配方包括模型、材質(zhì)、物理屬性、生成點地圖上合法的停車位、生成指令。import carla import random client carla.Client(localhost, 2000) # 連接本地服務器 client.set_timeout(10.0) # 給足超時時間 world client.get_world() # 拿到整個世界 bp_lib world.get_blueprint_library() # 藍圖庫所有可生成物體的配方 vehicle_bp random.choice(bp_lib.filter(vehicle.*)) # 隨機挑一輛車 spawn_point random.choice(world.get_map().get_spawn_points()) # 選個合法車位 vehicle world.try_spawn_actor(vehicle_bp, spawn_point)跑完這幾行去看仿真器窗口——一輛車出現(xiàn)了靜靜停在街道上。那一刻你會產(chǎn)生一種奇妙的成就感這是你第一次讓虛擬世界長出一個會移動的生命體。避坑提醒②為什么要用try_spawn_actor而不是spawn_actor因為如果生成點附近已經(jīng)有車輛或障礙物生成會失敗并拋異常。try_spawn_actor失敗時只是返回None代碼不會崩。等你循環(huán)生成幾十輛 NPC 車的時候就知道這個失敗寬容有多重要了。---## 給它裝上眼睛車是有了但它看不見。在真實自動駕駛里傳感器是算法的眼睛在 CARLA 里也一樣。給車輛掛一個 RGB 攝像頭三行配置一個監(jiān)聽回調(diào)camera_bp bp_lib.find(sensor.camera.rgb) camera_bp.set_attribute(image_size_x, 1280) camera_bp.set_attribute(image_size_y, 720) camera_bp.set_attribute(fov, 90) camera world.spawn_actor( camera_bp, carla.Transform(carla.Location(x1.5, z2.4)), # 裝在車頭前方1.5米、高2.4米 attach_tovehicle) camera.listen(lambda image: image.save_to_disk(frames/%06d.png % image.frame))注意所有參數(shù)都要在spawn_actor之前設置好——生成之后想改得先銷毀重來。這是新手最容易忽視的細節(jié)。畫面出來的一刻你會看到車輛正前方那條柏油路和真實行車記錄儀幾乎一模一樣。這就是你后續(xù)訓練集的第一張圖片。攝像頭只是起點。CARLA 的傳感器庫還內(nèi)置了深度相機、語義分割相機、激光雷達sensor.lidar.ray_cast、毫米波雷達等它們共享同一套先配置、再生成、后監(jiān)聽的流程。想知道每種傳感器的全部參數(shù)翻 Docs/ref_sensors.md 就好那里比任何博客都全。傳感器用完之后記得destroy()。我第一版腳本跑了幾萬幀最后內(nèi)存爆掉才發(fā)現(xiàn)每次循環(huán)生成的傳感器對象全都堆在仿真器里沒人清理。讓整座城市活起來一輛孤獨的車還不夠。你想要的是一座有行人、有車流、會等紅燈的活的城市。這正是交通管理器Traffic Manager出場的時候——它是 CARLA 內(nèi)置的交通指揮中心能給任意一輛車安排自動駕駛行為traffic_manager client.get_trafficmanager() traffic_manager.set_global_distance_to_leading_vehicle(2.0) # 跟車距離 for v in world.get_actors().filter(vehicle.*): v.set_autopilot(True, traffic_manager.get_port())如果你不想手寫這段邏輯CARLA 還貼心地準備好了兩個現(xiàn)成腳本就在PythonAPI/examples/里generate_traffic.py一鍵在整張地圖上生成滿街的車輛和行人manual_control.py用鍵盤開一輛車WASD 控制油門轉(zhuǎn)向鼠標轉(zhuǎn)視角開兩個終端分別跑起來你會看到一場默片版的城市交通行人過馬路、車輛轉(zhuǎn)彎、信號燈切換。而你的車在車流中靈活穿行——那種感覺像第一次走進一座自己搭起來的游樂園。避坑提醒③CARLA 默認是異步模式——服務器自己按自己的節(jié)奏跑你的代碼只是不斷發(fā)指令。如果你發(fā)現(xiàn)我改了天氣怎么沒反應車輛不受控先確認自己是不是誤開了同步模式反過來做強化學習訓練時你又必須切到同步模式用world.tick()手動推進每一幀讓數(shù)據(jù)和動作嚴格對齊。這兩種模式怎么切換、各自適合什么場景Docs/adv_synchrony_timestep.md 講得很透。順手說一句天氣——這是 CARLA 最容易被低估的功能。訓練出來的模型在晴天表現(xiàn)完美一到雨天就失靈這在真實世界是致命問題。而在這里你只需幾行代碼就能模擬任意天氣world.set_weather(carla.WeatherParameters( cloudiness80.0, precipitation30.0, sun_altitude_angle70.0))我后來養(yǎng)成了一個習慣任何模型交付前先在 CARLA 里把晴天、雨天、黃昏各跑一遍。這個習慣幫我提前發(fā)現(xiàn)了好幾個只在逆光下才暴露的感知 bug。改造成你自己的試驗場到這里你已經(jīng)擁有了一座可以操控的虛擬城市。接下來才是最有意思的部分把它改造成屬于你的實驗環(huán)境。舉個最常見的例子——采集訓練數(shù)據(jù)。剛才攝像頭保存下來的frames/里全是圖片但只有圖片不夠你還需要同步記錄車速、方向盤轉(zhuǎn)角、剎車狀態(tài)。做法是在同步模式下每個tick里同時讀取傳感器數(shù)據(jù)和車輛狀態(tài)打包存盤。這樣圖像-控制指令配對的數(shù)據(jù)集就成型了可以直接喂給端到端模型。如果你做的不是城市道路而是礦區(qū)物流CARLA 同樣有準備。地圖庫里除了 Town10 這類現(xiàn)代都市還有一座Mine01礦山環(huán)境起伏的地形、非鋪裝路面、重型卡車專門用來測試越野和不規(guī)則場景下的算法。想更徹底地定制世界兩條路可以走深換地圖client.load_world(Town07)即可切換到不同城鎮(zhèn)再用 OpenStreetMap 數(shù)據(jù)生成自己的道路教程見 Docs/tuto_G_openstreetmap.md調(diào)物理想讓車輛重心高一點、剎車肉一點全部參數(shù)都在藍圖里可調(diào)想挑戰(zhàn)底盤調(diào)校的可以看 Docs/tuto_G_control_vehicle_physics.md那些讓我半夜抓狂的坑提前替你們踩平把這次經(jīng)歷里最貴的教訓匯總一下希望你的安裝之旅比我順利連不上服務器先查端口。2000 被占是最高頻事故沒有之一。啟動閃退Windows 檢查 VC 運行庫Linux 檢查 NVIDIA 驅(qū)動版本缺哪個就補哪個。生成總是失敗換try_spawn_actor并且善用world.get_actors()定期清理不要的 actor。改參數(shù)沒生效傳感器參數(shù)必須在生成前設置好生成后就是木已成舟。內(nèi)存莫名暴漲傳感器和 actor 用完了要destroy()尤其長時間數(shù)據(jù)采集時。跑完的代碼沒結(jié)果確認自己到底在異步還是同步模式模式錯了一切行為都對不上號。延伸想象再往下能走多遠當你把上面這一整套流程跑順CARLA 對你來說就不再是一個教程里的示例了。往深處走每一層都有新的風景換一種語言不想用 Python官方提供了完整的 C 客戶端Examples/CppClient/面向追求性能的工業(yè)場景。接上 ROS2CARLA 有原生的 ROS2 接口文檔見 Docs/ros2_native.md機器人領域的研究者可以直接把仿真數(shù)據(jù)接進自己的 ROS 系統(tǒng)?；胤排c分析內(nèi)置的錄制回放系統(tǒng)Docs/adv_recorder.md能記錄整段仿真過程事故現(xiàn)場可以逐幀復盤這在真實世界是不可想象的奢侈。多 GPU 擴展把不同城市分給不同顯卡跑吞吐量直接翻倍大規(guī)模數(shù)據(jù)生產(chǎn)的時候特別好用。場景生成接入 Scenic 等場景描述語言Docs/tuto_G_scenic.md可以用腳本自動生成大量刁鉆的邊緣場景——那些平時根本遇不到的 corner case。我第一次完整跑通生成車輛 → 采集攝像頭數(shù)據(jù) → 訓練一個小模型 → 再放回仿真里驗證這條閉環(huán)時說實話愣住了——從前需要一臺真車、一塊場地、無數(shù)次提心吊膽才能完成的驗證現(xiàn)在全程在電腦里完成了。這就是 CARLA 最打動我的地方它不是讓研究變簡單而是讓試錯變得毫無代價?，F(xiàn)在輪到你了。先去確認硬件然后執(zhí)行./CarlaUnreal.sh用pip3 install carla-*.whl裝好客戶端打開 Docs/tuto_first_steps.md 里的第一個示例讓一輛虛擬汽車在你的屏幕上發(fā)動引擎。你會發(fā)現(xiàn)自學成才的AI 駕駛員離你并不遠——它現(xiàn)在就藏在你電腦里那座城市的某條街道上等你把它叫醒?！久赓M下載鏈接】carlaOpen-source simulator for autonomous driving research.項目地址: https://gitcode.com/gh_mirrors/ca/carla創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考