Carla 无人车路径跟踪系统实现与深度分析报告

1. 项目背景与实验目标

1.1 实验背景与理论意义

路径跟踪作为自动驾驶技术的核心基础环节，是实现车辆自主导航的关键支撑，其核心目标是控制车辆沿预设参考路径稳定行驶，同时保证跟踪精度与行驶安全性。Carla 作为开源自动驾驶模拟器，提供了真实的城市交通场景与车辆动力学模型，为路径跟踪算法的验证提供了可靠平台。

纯追踪算法（Pure Pursuit）作为一种经典的几何路径跟踪算法，凭借其清晰的数学直觉、较低的计算复杂度，在低速场景下具备优异的稳定性与泛化能力，是无人车路径跟踪控制的重要算法范式。本次实验旨在通过底层实现纯追踪算法，深入探索车辆动力学约束、预瞄距离优化、转向控制限幅等关键环节，填补理论推导与工程落地之间的鸿沟，验证纯追踪算法在城市道路场景下的路径跟踪性能。

1.2 核心研究目标

基于以上背景，我设定了四个核心研究目标：

跟踪精度突破：针对直线路段与弯道场景下的跟踪误差差异，通过优化预瞄距离与转向控制参数，提升轨迹与参考路径的贴合度。
车辆动力学适配：基于Tesla Model 3车辆模型，优化油门与转向控制限幅，解决车辆原地不动、弯道脱离路径等动力学适配问题。
工程化实现优化：针对Windows环境下文件路径映射、Carla模拟器交互异常、数据文件生成失败等问题，提供可落地的工程化避坑方案。
数据闭环验证：构建完整的轨迹数据记录与可视化流程，生成轨迹对比图与CSV数据文件，实现算法效果的量化评估与可追溯分析。

2. 环境部署与工程化避坑深度解析

2.1 基础架构依赖

工具/环境	版本/说明
Carla 模拟器	0.9.13（支持Python API交互与车辆动力学模拟）
Python	3.8.10（推荐Anac
核心依赖库	carla、numpy、matplotlib、csv（用于数据处理与可视化）
开发平台	Windows 10/11（需配置好Python环境变量与Carla路径）

2.2 关键依赖库说明

Carla Python API：实现与模拟器的交互，支持车辆生成、路点获取、控制指令发送等核心功能。
NumPy：利用向量化运算特性，将复杂的三角函数、矩阵运算转化为高效的数值计算，提升算法执行效率。
Matplotlib：实现轨迹对比图绘制，支持中文标签显示与高清图像导出，为结果可视化提供支撑。

2.3 工程化避坑指南

车辆无响应问题：需通过vehicle.set_simulate_physics(True)激活车辆物理引擎，同时将油门控制值设置为0.3-0.35，避免车辆因动力不足原地不动。
数据文件生成失败：需提前创建文件目录，使用绝对路径指定文件输出位置，避免相对路径映射异常；同时确保程序正常执行完finally模块，不中途中断。
弯道脱离路径：将预瞄距离设置为8.0m，同时对转向角进行限幅处理（-0.5~0.5），避免因转向幅度过大导致车辆失控。

3. 核心算法流程与数学直觉实现

3.1 纯追踪算法核心思想

纯追踪算法的核心是“几何预瞄控制”：在参考路径上选取一个位于车辆前方的预瞄点，通过计算车辆当前位置与预瞄点的几何关系，求解所需的转向角，使车辆沿圆弧轨迹驶向预瞄点，从而实现路径跟踪。该算法通过调整预瞄距离，平衡跟踪精度与行驶稳定性。

3.2 几何模型与公式推导

1. 局部坐标系转换

将预瞄点坐标转换到车辆局部坐标系下，消除车辆航向角的影响，得到预瞄点的纵向偏移量 $l_x$ 与横向偏移量 $l_y$ ：

$\begin{cases} l_x = (x_g - x_v)\cos\theta + (y_g - y_v)\sin\theta \\ l_y = -(x_g - x_v)\sin\theta + (y_g - y_v)\cos\theta \end{cases}$

其中：

$(x_v, y_v)$ 为车辆当前位置坐标
$(x_g, y_g)$ 为预瞄点在全局坐标系下的坐标
$\theta$ 为车辆当前的航向角（车头朝向与全局x轴的夹角）

2. 航向偏差角计算

基于局部坐标系下的偏移量，计算预瞄点与车辆当前航向的夹角 $\alpha$ ：

$\alpha = \arctan2(l_y, l_x)$

3. 转向角求解

基于阿克曼转向几何原理，推导车辆为驶向预瞄点所需的前轮转向角 $\delta$ ：

$\delta = \arctan\left( \frac{2L \cdot \sin\alpha}{L_d} \right)$

其中：

$L$ 为车辆轴距（前后轴中心的距离，本项目中Tesla Model 3取 $L=2.5\ \text{m}$ ）
$L_d$ 为预瞄距离（车辆到预瞄点的距离，本项目取 $L_d=8.0\ \text{m}$ ）

4. 转向角限幅处理

为保证车辆行驶稳定性，避免转向幅度过大导致失控，将计算得到的转向角限幅在车辆可控范围内：

$\delta_{\text{clamped}} = \text{clip}(\delta,\ -0.5,\ 0.5)$

说明：clip为限幅函数，确保输出转向角始终在 $[-0.5,\ 0.5]$ 之间，适配Carla模拟器的车辆控制接口。

3.3 算法工程实现细节

class PurePursuit:
    def __init__(self, path, lookahead=8.0):
        self.path = path  # 参考路径点集
        self.Ld = lookahead  # 预瞄距离
        self.wheelbase = 2.5  # 车辆轴距

    def get_goal(self, veh_loc):
        # 寻找离车辆最近的路径点，向前取预瞄点
        min_dist = float('inf')
        idx = 0
        for i, (px, py) in enumerate(self.path):
            dist = np.hypot(px - veh_loc.x, py - veh_loc.y)
            if dist < min_dist:
                min_dist = dist
                idx = i
        return self.path[min(idx + 3, len(self.path)-1)]

    def calc_steer(self, trans, goal):
        # 局部坐标系转换与转向角计算
        vx, vy = trans.location.x, trans.location.y
        yaw = np.radians(trans.rotation.yaw)
        gx, gy = goal

        dx, dy = gx - vx, gy - vy
        lx = dx * np.cos(yaw) + dy * np.sin(yaw)
        ly = -dx * np.sin(yaw) + dy * np.cos(yaw)

        alpha = np.arctan2(ly, lx)
        steer = np.arctan2(2 * self.wheelbase * np.sin(alpha), self.Ld)
        return np.clip(steer / 0.8, -0.5, 0.5)

4. 实验结果深度剖析与数据洞察

4.1 实验参数设置

车辆行驶时间：46s（适配参考路径长度，确保车辆完整跑完全程）
油门控制值：0.3（匀速行驶，兼顾动力与稳定性）
参考路径长度：80个路点，路径总长度约240m
预瞄距离：8.0m（平衡跟踪精度与行驶稳定性）

4.2 系统实现效果

系统实现效果图如下

起始图

结尾图

4.3 轨迹跟踪结果可视化分析

轨迹对比图如下：

直线路段：实际轨迹与参考路径高度重合，跟踪误差小于0.5m，无明显偏移。
弯道路段：受车辆动力学约束，实际轨迹与参考路径存在轻微偏差，但整体未脱离车道，偏差控制在1.5m以内。
全程跟踪：车辆完整跑完全程参考路径，无中途停止、原地打转或严重脱离路径的情况，跟踪稳定性良好。

4.4 跟踪误差量化评估

基于trajectory_data.csv数据，对跟踪误差进行量化分析：

平均跟踪误差：0.78m
最大跟踪误差：1.45m（出现在弯道处）
误差分布：直线路段误差占比70%（<0.5m），弯道路段误差占比30%（0.5-1.5m），符合纯追踪算法的误差特性。

5. 项目总结与未来进阶

5.1 项目完成情况

本项目成功实现了基于纯追踪算法的Carla无人车路径跟踪系统，完成了以下核心目标：

实现了Carla模拟器与Python环境的稳定交互，完成车辆生成、路径生成、控制指令发送全流程。
基于地图路点生成连续参考路径，车辆可完整跑完全程参考路径。
纯追踪算法有效控制车辆跟踪参考路径，轨迹贴合度良好，平均跟踪误差小于1m。
构建了完整的数据闭环流程，成功生成轨迹对比图与CSV数据文件，实现结果的可视化与量化评估。

5.2 关键问题与解决方法复盘

车辆无响应问题：通过激活车辆物理引擎、优化油门控制值，解决了车辆原地不动的问题。
弯道脱离路径问题：调整预瞄距离至8.0m，对转向角进行限幅处理，提升了弯道跟踪的稳定性。
数据文件生成失败问题：使用绝对路径指定文件输出位置，提前创建文件目录，确保数据文件正常生成。

5.3 未来改进方向

自适应预瞄距离优化：根据车辆行驶速度与路径曲率动态调整预瞄距离，进一步提升弯道跟踪精度。
速度控制闭环：引入PID速度控制器，实现车辆速度的自适应调节，提升行驶稳定性。
多场景扩展：对比模型预测控制（MPC）等其他路径跟踪算法，分析不同算法在复杂场景下的性能差异。
工程化部署：将算法部署到真实ROS平台，实现仿真到实车的迁移验证。

参考文献

[1] Carla Simulator Documentation. https://carla.readthedocs.io/

[2] 龚建伟, 姜岩. 无人驾驶车辆模型预测控制[M]. 北京理工大学出版社, 2014.

[3] 基于纯追踪算法的无人车路径跟踪控制研究. 汽车工程, 2020.