行人蓝图

行人工厂 WalkerFactory
行人功能 WalkerFunctions
行人选择器 WalkerSelector

Carla虚幻场景中行人（Walkers）技术说明文档

1. 概述

在Carla虚幻场景中，行人（Walkers）是场景的关键参与者之一，用于模拟城市环境中的人类行为。行人不仅丰富了模拟场景的多样性，还对自动驾驶系统的感知、决策与规划提出更高要求。本技术说明文档旨在介绍Walker的创建、管理、属性配置以及与环境的交互，为开发者提供详细的操作指南。

2. 行人（Walkers）简介

定义：在Carla中，Walker代表模拟环境中的人类实体，具有自主运动能力，可设定行为路径、速度和状态。
用途：
模拟城市中复杂的交通场景。
训练感知算法识别和理解行人行为。
测试自动驾驶车辆在不同人流状态下的表现。
特点：
可以动态生成、控制与销毁。
支持各种行为模式（随机、预定义路径等）。
可与传感器、交通规则等模块互动。

3. Walker的基本操作流程

3.1 获取蓝图库

作用：提供所有可用的Walker资产（蓝图）集合。

操作：

blueprint_library = world.get_blueprint_library()
walkers_blueprints = blueprint_library.filter('walker.*')

3.2 生成Walker

步骤一：选择合适的Walker蓝图

walker_bp = random.choice(walkers_blueprints)

步骤二：定义起始位置和朝向

spawn_point = world.get_random_location_from_navigation()
transform = carla.Transform(spawn_point, carla.Rotation(yaw=random.uniform(0, 360)))

步骤三：调用spawn_actor()生成Walker实例

walker_actor = world.spawn_actor(walker_bp, transform)

异常处理：使用try_spawn_actor()避免异常

walker_actor = world.try_spawn_actor(walker_bp, transform)

3.3 控制Walker行为

可以通过设置Walker的行为参数（如行走速度、路径等）实现复杂行为。

示例：设定步行速度

walker_actor.set_attribute('speed', '1.0')  # 速度单位为m/s

控制行走路径（路径点）：
使用导航点（waypoints）或预定义路径控制Walker的运动。

3.4 监听与数据交互

监听Walker状态：

def walker_callback(data):
    # 处理Walker状态信息
    pass

walker_sensor.listen(walker_callback)

行为模拟：根据监听的数据调整Walker状态或触发场景事件。

3.5 销毁Walker

调用销毁方法：
```
walker_actor.destroy()
```

批量销毁示例：

for actor in walkers_list:
    actor.destroy()

4. Walker属性配置

属性访问：

speed_attr = walker_bp.get_attribute('speed')
walker_bp.set_attribute('speed', '1.5')  # 设置速度

常用属性：
speed：行走速度（m/s）
gender：性别（一般非必须）
pose：姿态信息
behavior：行为类型（静止、随机走动、特定路线）
自定义行为：
可以结合路径点、行为脚本控制Walker模拟更真实的动作。

5. 复杂行为与路径规划

支持通过路径点或导航网格引导Walker
可结合交通信号、障碍物等动态环境调整Walker路径
使用OpenDRIVE地图数据进行更复杂的导航定义

6. 与传感器和环境的交互

传感器检测：如相机、激光雷达检测Walker
行人行为响应：可编写逻辑（如避让、等待）应对算法训练
行为模拟：配合交通管理器调节Walker在不同交通场景中的表现

7. 资源管理

蓝图库：通过world.get_blueprint_library()获取
多Walker场景优化：批量生成与销毁以节省资源
自定义资产添加：贡献者可制定自定义Walker资产，加入蓝图库

8. 发展与定制

支持自定义行为脚本编写（Python、蓝图）
可集成复杂的AI行为模型
支持与交通信号等场景元素的协调动作

9. 总结

Carla中的Walker为模拟环境提供了高度灵活与可定制的人类行为模型。通过合理配置蓝图、路径和行为参数，开发者可以构建多样化且逼真的人流场景，强化自动驾驶系统的训练和验证效果。

注意事项： - 在生成Walker时，注意位置避免冲突。 - 结合交通规则和场景需求调整Walker行为，使模拟更贴近现实。 - 详细参数和属性请参考官方文档及Python API帮助。