CARLA 仿真测试框架说明文档

1. 项目概述

CARLA 测试框架 是一个基于开源自动驾驶仿真平台的多层次验证系统，旨在通过可重复的仿真环境验证自动驾驶算法、传感器性能及交通场景逻辑。
- 核心目标：
- 验证车辆在复杂场景（如避障、路口交互、恶劣天气）中的决策能力。
- 评估传感器（LiDAR、摄像头、雷达）数据质量与实时性。
- 测试交通管理器（Traffic Manager）的车辆行为控制效果。
- 支持测试类型：
- 功能测试 | 性能测试 | 回归测试 | 压力测试

2. 核心组件与蓝图结构

2.1 核心组件

组件	功能描述
场景管理器	加载/卸载场景，控制天气、光照、NPC行为等参数。
传感器系统	管理摄像头、LiDAR、IMU等传感器数据采集与同步。
交通管理器	控制NPC车辆的路径规划、速度调整、避障逻辑。
数据记录器	将仿真数据（传感器输出、车辆状态）保存为 `.log` 或 `.csv` 格式。
测试评估模块	根据预设规则（如碰撞次数、路径偏差）自动判定测试结果。

2.2 蓝图结构

graph TD
  A[测试蓝图] --> B[场景初始化]
  A --> C[事件触发器]
  A --> D[数据收集]
  B --> B1[生成车辆/行人]
  B --> B2[设置天气/光照]
  C --> C1[时间触发]
  C --> C2[碰撞触发]
  C --> C3[距离触发]
  D --> D1[传感器数据]
  D --> D2[物理状态]

3. 关键功能实现

3.1 场景测试（避障验证）

# 生成障碍物与测试车辆
obstacle = world.spawn_actor(barrier_bp, carla.Transform(location))
vehicle = world.spawn_actor(vehicle_bp, spawn_point)
vehicle.set_autopilot(True)

# 检测碰撞事件
def on_collision(event):
    if event.actor == vehicle:
        print("避障失败！碰撞发生。")
world.on_tick(on_collision)

3.2 传感器数据验证（LiDAR点云）

# 绑定LiDAR并检查点云密度
lidar_bp = world.get_blueprint_library().find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('points_per_second', '100000')
lidar.listen(lambda data: np.save("pointcloud.npy", np.frombuffer(data.raw_data, dtype=np.float32))

# 分析点云
points = np.load("pointcloud.npy").reshape(-1, 4)
print(f"有效点数：{len(points)}，范围：{np.max(points[:, :3])}米")

3.3 交通流压力测试

tm = client.get_trafficmanager()
tm.set_global_speed_limit(30)  # 全局限速30km/h
tm.set_hybrid_physics_mode(True)  # 混合物理模式（远距离车辆低精度模拟）

# 生成100辆NPC车辆
for i in range(100):
    vehicle = world.spawn_actor(bp, spawn_points[i])
    tm.ignore_lights_percentage(vehicle, 100)  # 所有车辆忽略红灯

4. 工作流程

sequenceDiagram
    participant 用户
    participant 测试框架
    participant CARLA Server
    用户 ->> 测试框架: 配置测试参数（场景、传感器、车辆）
    测试框架 ->> CARLA Server: 启动仿真并初始化场景
    loop 每帧循环
        CARLA Server ->> 测试框架: 发送车辆/传感器数据
        测试框架 ->> 测试框架: 实时验证逻辑（碰撞检测、路径偏差）
        测试框架 ->> 数据记录器: 保存日志
    end
    测试框架 ->> 用户: 生成测试报告（通过/失败，性能指标）

5. 优化与扩展建议

5.1 性能优化

方法	效果	实现示例
并行测试	同时运行多个轻量级场景	使用Docker容器部署多CARLA实例
LOD优化	减少远距离模型细节	配置静态网格体LOD参数
异步数据记录	避免I/O阻塞主线程	使用多线程队列保存数据

5.2 扩展建议

集成第三方工具：
连接ROS2节点实现硬件在环（HIL）测试。
使用TensorFlow/PyTorch实时验证感知模型输出。
自定义测试协议：
支持OpenSCENARIO 2.0标准场景描述。
开发Web界面远程管理测试任务。

6. 总结

CARLA测试框架通过灵活的Python API与蓝图系统，提供了从单车辆功能验证到大规模交通流压力测试的全套解决方案。
- 优势：
- 高可扩展性：支持自定义传感器、场景、评估规则。
- 开源生态：可集成ROS、Autoware等自动驾驶工具链。
- 挑战：
- 硬件资源需求较高（GPU显存、CPU多核并行）。
- 复杂场景调试需深入理解虚幻引擎与物理引擎交互机制。

未来方向：结合AI强化学习实现自动化探索极端测试场景。