自动驾驶多场景行为仿真系统设计与实现

目录

  1. 项目摘要
  2. 项目背景与意义
  3. 相关技术与运行环境
  4. 总体设计与功能架构
  5. 各场景详细设计
  6. 核心代码模块说明
  7. 实验测试与结果展示
  8. 问题分析与优化方案
  9. 项目总结与心得体会
  10. 参考文献

1. 项目摘要

本项目基于 CARLA 自动驾驶仿真平台，结合 Python 语言开发一套多场景自动驾驶行为仿真系统。项目模拟城市道路中车辆拥堵、行人避让、红绿灯通行、路口穿越、闯红灯、前车突发倒车等6类典型交通场景，实现车辆环境感知、距离检测、速度控制、紧急制动等自动驾驶基础行为。

系统通过坐标计算、距离判别、状态判断等逻辑完成车辆决策控制，还原真实道路风险场景与合规驾驶行为，可用于自动驾驶行为测试、交通风险模拟与智能驾驶算法入门验证。项目代码结构清晰，场景独立可切换，运行稳定，完成预设全部仿真目标。

关键词：CARLA；自动驾驶仿真；场景模拟；车辆控制；紧急制动

2. 项目背景与意义

2.1 项目背景

随着自动驾驶技术快速发展，虚拟仿真测试已成为实车测试的重要补充。CARLA 作为开源自动驾驶仿真平台，支持交通参与者、道路、信号灯、天气等全要素模拟，能够低成本、高安全地复现各类危险交通场景，避免实车测试的安全风险与场地限制。

城市道路工况复杂，车辆拥堵、行人横穿、信号灯路口、无信号路口、前车突发倒车等都是高频风险场景，也是自动驾驶系统必须应对的核心工况。

2.2 项目意义

  1. 学习实践：掌握 CARLA 仿真平台使用、Python 实时逻辑编程、空间距离计算与状态控制。
  2. 工程应用：实现多场景模块化开发，具备场景扩展、独立运行、统一入口管理能力。
  3. 仿真价值：模拟合规驾驶与违规驾驶两类行为，对比展示自动驾驶安全决策逻辑。
  4. 课程结合：结合人工智能、智能感知、决策控制等课程知识点，完成理论到实践的落地。

3. 相关技术与运行环境

3.1 核心技术栈

  • 编程语言：Python 3.8
  • 仿真平台：CARLA 0.9.x（开源自动驾驶仿真器）
  • 核心技术：三维坐标运算、距离检测、车辆状态控制、时序逻辑判断、多角色管理

3.2 运行环境

  • 操作系统：Windows 11
  • 依赖库：carla 官方 Python API、time、math 标准库
  • 运行流程：先启动 CARLA 模拟器 → 再运行 Python 主程序 → 选择场景编号执行仿真

3.3 CARLA 平台简介

CARLA 是专为自动驾驶研究打造的开源仿真环境，提供完整城市道路、交通参与者（车辆、行人）、交通信号灯、视角控制等功能，支持通过 Python API 对所有仿真对象进行读取、控制与状态监测。

4. 总体设计与功能架构

4.1 整体架构

本项目采用 主入口 + 独立场景文件 的模块化设计： 1. main.py 主入口文件：统一场景选择、调用对应场景脚本。 2. run_scenario_0 ~ run_scenario_5：6个独立场景脚本，各司其职、互不干扰。 3. 公共逻辑：仿真环境初始化、角色清空、视角设置、车辆生成、运动控制。

4.2 整体功能列表

场景编号 场景名称 核心功能
场景0 动态车辆超车碰撞 模拟道路车辆超车、近距离交会工况
场景1 行人礼让场景 区分前方/侧方/后方行人，实现停车、减速、正常通行
场景2 多车拥堵+前车倒车（升级） 车队拥堵行驶，前车突发倒车，主车紧急制动避障
场景3 车辆闯红灯 模拟违规驾驶，无视红灯正常通过路口
场景4 信号灯交叉口通行 识别红绿灯状态，红灯停车、绿灯正常行驶
场景5 无信号灯路口穿越 接近路口自动减速，模拟谨慎观察通行

4.3 工作流程

  1. 初始化 CARLA 客户端与世界，清空历史车辆、行人。
  2. 生成主车与场景所需障碍物、行人、信号灯。
  3. 循环读取车辆位置、速度、周边目标距离、信号灯状态。
  4. 根据规则输出油门、刹车、转向指令，控制车辆行为。
  5. 键盘中断，销毁所有仿真角色，退出场景。

5. 各场景详细设计

5.1 场景0：动态车辆超车碰撞

  • 场景描述：道路存在同向行驶车辆，主车执行超车动作，模拟近距离交会风险。
  • 控制逻辑：主车保持匀速前进，与前车距离较近时形成交会效果。
  • 实现要点：多车辆同步运动、相对位置保持。

5.2 场景1：行人礼让场景

  • 场景描述：道路出现横穿行人，分三种位置工况。
  • 控制逻辑：
  • 前方行人：车辆完全停车礼让；
  • 侧方行人：车辆减速慢行；
  • 后方行人：车辆正常行驶不干预。
  • 实现要点：行人位置判断、方位区分、分级减速控制。

5.3 场景2：多车拥堵 + 前车突发倒车（重点升级场景）

  • 场景描述：前方形成排队拥堵车队，行驶一段时间后中间车辆突然倒车，制造近距离危险工况。
  • 控制逻辑：
  • 主车正常向前行驶；
  • 3秒后前方车辆挂倒挡低速后退；
  • 实时计算两车距离，距离小于安全阈值时紧急全制动。
  • 解决难点：关闭物理异常判定、稳定倒车、车辆不消失、不飞散。

5.4 场景3：车辆闯红灯

  • 场景描述：路口信号灯为红灯，车辆不执行停车操作，直接通过路口。
  • 控制逻辑：全程保持油门输出，无视信号灯状态，模拟违规驾驶行为。

5.5 场景4：信号灯交叉口通行

  • 场景描述：路口红绿灯自动循环切换（红/黄/绿），车辆识别灯态并做出响应。
  • 控制逻辑：
  • 配置红绿灯时长，解除冻结实现自动切换；
  • 距离路口较近且红灯亮起时，车辆停车等待；
  • 绿灯亮起后恢复正常行驶。

5.6 场景5：无信号灯路口穿越

  • 场景描述：路口无交通信号灯，按照交通规则减速观察通过。
  • 控制逻辑：通过坐标判断路口区域，进入范围后自动降低油门、轻踩刹车减速通行。

6. 核心代码模块说明

6.1 公共基础模块（所有场景通用）

  1. CARLA 连接与环境清空 建立客户端连接，遍历并销毁上一轮残留车辆、行人，保证每次场景启动环境干净。
client = carla.Client('localhost', 2000)
world = client.get_world()
# 清空旧角色
for actor in world.get_actors().filter('*'):
    if actor.type_id.startswith('vehicle'):
        actor.destroy()

  1. 车辆生成与视角设置 读取地图生成点，生成主车与障碍车，固定第三方观测视角，方便录制与观察效果。

  2. 车辆运动控制类 使用 carla.VehicleControl() 设置 throttle（油门）、brake（刹车）、steer（转向）实现车辆加减速。

6.2 核心算法模块

  1. 三维距离计算 通过欧式距离判断主车与障碍物/行人/路口的远近，是所有决策的基础：
dist = math.sqrt(dx**2 + dy**2)
  1. 方向判断 向量点积判断目标是否在车辆正前方，避免误判侧方、后方物体。
  2. 时序触发逻辑 使用 time.time() 计时，实现“运行3秒后开始倒车”等延时动作。

6.3 主入口模块（main.py）

提供文本菜单，输入编号调用对应场景脚本，统一项目入口，便于使用与演示。

7. 实验测试与结果展示

7.1 测试环境

  • 仿真平台：CARLA 0.9.13
  • 运行脚本：Python 3.8
  • 测试地图：Town10HD

7.2 整体测试结论

所有6个场景均可独立正常启动、稳定运行，无崩溃、无闪退，角色无异常消失、飞散。各场景行为完全符合设计预期： 1. 拥堵场景：前车稳定倒车，主车及时紧急制动，成功避障； 2. 行人场景：按方位分级礼让，行为区分明显； 3. 红绿灯场景：信号灯自动切换，红灯停车、绿灯通行； 4. 闯红灯场景：持续行驶，体现违规行为； 5. 无信号路口：自动减速，符合安全通行规则。

7.3 分场景结果展示

Markdown 插入图片语法：![图片标题](图片本地路径/网络链接)

图1 场景2 多车拥堵+前车倒车+主车紧急制动

场景2 运行效果 现象描述：前方车队静止排队，计时结束后前车平稳倒车，主车检测距离缩短后立刻刹停，未发生碰撞。

图2 场景4 红绿灯路口通行

场景4 运行效果 现象描述：信号灯自动红绿切换，红灯阶段车辆停车等待，绿灯正常起步行驶。

图3 场景5 无信号灯路口减速

场景5 运行效果 现象描述：车辆接近路口区域自动减速，低速通过路口。

图4 场景1 行人礼让

场景1 运行效果 现象描述：前方行人出现，车辆停车；侧方行人出现，车辆减速。

8. 问题分析与优化方案

8.1 开发中遇到的问题

  1. CARLA 连接超时 原因：先运行代码、后启动模拟器。 解决：固定流程 → 先打开 CarlaUE4.exe，再执行 Python 脚本。

  2. 车辆设置位置后消失/飞天 原因：直接强制修改坐标触发 CARLA 物理异常检测。 解决：放弃坐标硬改，使用原生车辆挡位+油门控制倒车，并关闭碰撞检测。

  3. 红绿灯静止不切换 原因：信号灯默认被冻结状态。 解决：调用 tl.freeze(False) 解除冻结，并配置红绿黄时长。

  4. 路口判断失效，车辆不减速 原因：固定坐标判断，车辆无法到达指定点位。 解决：改为动态距离判定路口区域，适配车辆行驶路线。

8.2 项目优化方向

  1. 增加速度、距离、灯态屏幕文字可视化，直观展示车辆状态。
  2. 为无信号路口增加横向来车，丰富交互场景。
  3. 引入简单规则分类器，区分正常/危险工况，结合机器学习基础知识点。
  4. 增加自动化连续测试功能，自动遍历全部场景。

9. 项目总结与心得体会

9.1 项目总结

本项目完成了基于 CARLA 平台的 6大类城市自动驾驶典型场景仿真，实现车辆感知、决策、控制全流程模拟。系统采用模块化设计，代码易读、易维护、易扩展，完整实现拥堵、行人、红绿灯、路口、违规驾驶、紧急避障等功能。

项目充分利用空间几何计算、时序逻辑、状态机控制等知识，将编程与智能驾驶应用结合，达到课程项目设计要求。

9.2 心得体会

通过本次机器学习/人工智能期末项目，我系统学习了自动驾驶仿真平台的使用，理解了虚拟仿真在智能驾驶测试中的重要作用。在开发过程中，不断解决车辆控制、物理异常、逻辑判断等问题，提升了 Python 实时程序开发、调试与问题排查能力。

同时，我也认识到自动驾驶是感知+决策+控制的综合系统，简单的距离、状态判断即可实现基础智能行为，这也让我对机器学习、智能决策算法有了更直观的理解。本次项目不仅巩固了课堂知识，也为后续学习智能驾驶、机器视觉等方向打下实践基础。

10. 参考文献

[1] CARLA 官方文档. CARLA: An Open Urban Driving Simulator. [2] 智能车辆原理与应用. 高校人工智能相关教材 [3] Python 编程：从入门到实践 [4] 自动驾驶仿真测试技术综述