自动驾驶演示

随机路线

roslaunch carla_ad_demo carla_ad_demo.launch host:=172.21.108.47 timeout:=60000 town:='Carla/Maps/Town10HD_Opt' spawn_point:=-25,-134,0.5,0,0,-90

场景执行

roslaunch carla_ad_demo carla_ad_demo_with_scenario.launch host:=172.21.108.47 timeout:=60000 town:='Carla/Maps/Town10HD_Opt'

报错： 

RLException: Invalid <arg> tag: environment variable 'SCENARIO_RUNNER_PATH' is not set. 

Arg xml is <arg name="scenario_runner_path" default="$(env SCENARIO_RUNNER_PATH)"/>
The traceback for the exception was written to the log file

原因：必须指定SCENARIO_RUNNER_PATH，指向 scenario runner 的路径。

拓展：四份作业的统一调度入口与量化性能评价

本文的自动驾驶演示通过 roslaunch 拉起 carla_ad_demo 做单次演示（随机路线或场景执行）， 只输出运行日志、没有量化指标。下面是在该演示思路基础上自主实现的一套 「四份作业统一调度 + 真实测量的性能评价」， 代码位于 src/ground/carla_benchmark_suite， 详细介绍（指标定义、源码解析、完整实测数据）见 CARLA 作业综合整合与性能评价。

与本文示例的区别

对比项 本文示例（自动驾驶演示） 本拓展模块
技术路线 roslaunch carla_ad_demo CARLA Python API 直连 + 统一调度入口
是否依赖 ros-bridge 必须编译并运行 ros-bridge 不需要，仅需 carla Python 客户端
是否依赖 scenario runner 需要，且必须设 SCENARIO_RUNNER_PATH（正是本文记录的报错原因） 不需要
功能范围 单次演示（随机路线 / 场景执行） 统一调度 4 个子作业 + 量化性能评价
性能指标 无（只有运行日志） 真实测量的精度 / 时延 / 平滑度 / 覆盖率指标表与对比图
指标可复现性 — --benchmark 离线可复现，无需 CARLA 服务端
无 CARLA / 无图形界面时 无法运行 --list 与 --benchmark 均可离线运行

复用本文的配置步骤

CARLA 服务端的启动、宿主机 IP 与端口 2000 的查看等步骤 与已有示例完全一致，此处不再重复，请参考 设置并连接到 Carla 模拟器 的 「启动 Carla 服务器」与「使用 Carla 客户端启动 Ego Vehicle」小节； 连接失败的排查见同一篇的「常见问题」小节。

不要从头到尾照做已有示例

本文的演示需要 scenario runner 并设置 SCENARIO_RUNNER_PATH。 本拓展模块不需要 scenario runner，也不需要 ros-bridge， 本文的编译与环境变量步骤可以跳过。

本拓展新增的内容

  1. 统一调度入口：一个命令拉起四份作业中的任意一个 （control / perception / navigation / end_to_end）， 用 -- 分隔透传子作业参数，子作业新增参数时无需改动本模块。
  2. 真实测量的性能评价：--benchmark 会实际训练并回放各模块， 量测感知准确率、控制 MSE、横向误差 RMSE、建图覆盖率、导航误差、 端到端 MAE 与方向一致率、转向平滑度 AoS、推理时延等指标。
  3. 离线可复现：全部评测不连接 CARLA 服务端即可完成， 适合在无 GPU 的虚拟机或 CI 中复现。
  4. 指标可视化：导出指标 JSON 与对比图；对比图按组内最大值归一化条长， 并用点阵标注真实数值，解决"小数值指标在图上看不见"的问题。
  5. ROS 指标话题：把评测指标发布到 /carla/benchmark/metrics，便于记录到 rosbag。
  6. 副本一致性回归测试：nn_models.py 在各功能包内各有一份副本， 该测试在副本出现分歧时失败并列出差异文件，防止"修了一个包、忘了另一个包"。

运行本拓展模块

除本文所需环境外，只需补装 CARLA 0.9.16 的 Python 客户端 （各模块神经网络均为纯 numpy 实现，无需 TensorFlow/PyTorch）：

pip3 install <CARLA>/PythonAPI/carla/dist/carla-0.9.16-cp310-cp310-manylinux_2_31_x86_64.whl

在线下查看模块总览并运行基准评测（不需要 CARLA 服务端）：

python3 src/ground/carla_benchmark_suite/main.py --list
python3 src/ground/carla_benchmark_suite/main.py --benchmark --save_dir ~/shots --out ~/shots/report.json

调度具体子作业（--host 的填法与本文一致：填宿主机 IP）：

# 作业二：离线取证
python3 src/ground/carla_benchmark_suite/main.py --target perception -- --headless --demo
# 作业三：在线建图 + NN 导航
python3 src/ground/carla_benchmark_suite/main.py --target navigation -- --mode run --host 172.21.108.47 --goal "20,8"
# 作业四：训练端到端 CNN
python3 src/ground/carla_benchmark_suite/main.py --target end_to_end -- --mode train --epochs 60

使用 launch 启动（ROS 2 / ROS 1）：

# ROS 2：发布评测指标 / 调度子模块
ros2 launch carla_benchmark_suite main.launch.py
ros2 launch carla_benchmark_suite main.launch.py target:=navigation host:=172.21.108.47
# ROS 1
roslaunch carla_benchmark_suite main.launch benchmark:=true
roslaunch carla_benchmark_suite main.launch target:=perception host:=172.21.108.47

实测结果

本机实测（--benchmark --epochs 60 --samples 60，无需 CARLA 服务端）：

模块 指标 数值
作业二 感知 感知 NN 准确率 0.9850
作业二 控制 控制 NN MSE 0.01893
作业二 跟踪 横向误差 RMSE 0.9608 m
作业三 建图 建图覆盖率 0.2919（占据格 1387）
作业三 导航 规划 NN MSE 0.00610
作业三 导航 导航最近距离 1.4539 m（阈值 1.5 m，已到达）
作业四 端到端 MAE / 方向一致率 0.10093 / 0.9500
作业四 端到端 零输出基线 MAE 0.40678（网络优于基线 4.0 倍）

各模块性能指标对比

完整的指标定义、横向对比与评价过程记录见 CARLA 作业综合整合与性能评价 第 6 节。

参考