CARLA 自动紧急制动（AEB）

使用前向激光雷达实时测量与前方障碍车的距离，AEB 滞回状态机 （cruise → warning → braking → recover）在障碍逼近时自动预警并全力制动， 障碍消除后缓释恢复。提供离线制动曲线演示与连 CARLA 真实场景演示两条验证路径。

1. 概述与目标

本模块实现乘用车 AEB（Autonomous Emergency Braking，自动紧急制动） 功能的 完整闭环，在 CARLA 0.9.16 中可一键复现：

代码位于 src/ground/carla_aeb_braking/。

1.1 与仓库中其它地面载具模块的区分

AEB 是典型安全件：决策必须可解释、可测试、可复现，因此本模块采用规则式 状态机（每条进入/退出阈值都是显式参数），而非端到端网络；同时全部决策逻辑 （测距 + 状态机）均为纯离线函数，53 个单元测试不依赖 ROS 与 CARLA 即可完整覆盖。

1.2 为什么用 LiDAR 而不是深度相机

模块早期版本用深度相机取"中央前向区域最小深度"测距，实测发现两个致命问题：

1. 自车车身近距回波：相机装在车内，前机盖/挡风玻璃在深度图上位于中央区域， 最小深度永远是车身自己（< 0.5 m）；
2. 前向地面主导：相机下俯视角使地面像素落入前向区域，地面深度随俯仰角 变化（加速下俯时距离骤降），会伪造"近距障碍"。

LiDAR 点云可直接按几何过滤（横向车道带、高度带、距离直方图聚类）， 每一层都有明确的物理含义，是本模块的主测距源。深度相机解码/测距函数 （decode_carla_depth / depth_min_distance）保留为工具函数并有完整测试， 但不再用于 AEB 决策。

2. 计算原理

2.1 LiDAR 障碍测距

输入为 CARLA sensor.lidar.ray_cast 的原始点云，解析为 (N,4) 数组 （传感器系：x 前、y 左、z 上），经过三层几何滤波后按距离直方图聚类：

原始点云 (N,4)
  │  ① 横向车道带：|y| < 2.0 m
  │  ② 高度带：z ∈ [-1.7, -0.4] m（传感器装高 2.0 m，即世界高度 0.3~1.6 m）
  │  ③ 距离带：x ∈ [3, 100) m（滤自车车身回波）
  ▼
按 x 分 1 m 一箱计数
  │  ④ 取"点数 ≥ 6 的最近一箱"的中点作为障碍距离
  ▼
障碍距离 d（无障碍时返回 80 m 哨兵值）

各层过滤的实测依据（Town01_Opt，传感器装高 2.0 m）：

另有两项工程处理：

• 8 帧时间融合：64 通道雷达在 20 m 外对轿车（张角约 5.4°）单帧仅 3~4 点， 逐帧测距会闪烁；滑动融合最近 8 帧后 20 m 处约 24 点、50 m 处约 40 点，稳定可聚类。
• 接近速度差分：相邻两帧距离差分 $\dot d = (d_{k-1}-d_k)/\Delta t$， 首帧以自车速度兜底（静止障碍物 + 自车前行的最常见工况）。

2.2 AEB 滞回状态机

四个状态，每个状态都有独立的进入/退出阈值（滞回），避免临界抖动：

$$\text{cruise} \xrightarrow{d < 18\,\text{m}} \text{warning} \xrightarrow{d < 7\,\text{m} \,\wedge\, \dot d > 0.5} \text{braking} \xrightarrow{d > 12\,\text{m}} \text{recover} \xrightarrow{d > 24\,\text{m}} \text{cruise}$$

三个设计要点：

1. 接近速度门限：进入紧急制动需 $\dot d > 0.5\,\text{m/s}$。静止/远离的 近距障碍（如旁车并行）只预警不全力制动，避免误触发；
2. 预警缓刹取小值：warn_brake 从 0.35 降到 0.15——0.35 太猛会把接近速度 拖垮到 0.5 m/s 以下，d 到达 7 m 时不满足"正在接近"，形成 warn→缓停→cruise 极限环，永远到不了全力制动；
3. 滞回带宽度：warn 进入 18 m / 退出 24 m、brake 进入 7 m / 退出 12 m， 距离在带内波动时状态不变，消除阈值附近的抖动。

2.3 演示场景的自适应选点

真实场景演示（demo --live）自动扫描地图前 15 个出生点，为每个点临时挂 LiDAR 采 8 帧点云，计算"前向车道内最近障碍簇距离"，选车道最干净的出生点； 障碍车初始距离取 $\min(\text{gap},\ \text{干净距离} - 3\,\text{m})$。

这样保证障碍车一定是 AEB 的制动目标——Town01_Opt 车道内遍布路侧设施， 若固定出生点，演示会被车道内 6~15 m 处的标志/立柱抢先触发，而非生成的障碍车。

3. 算法流程

离线演示（无需 CARLA）：
  合成 60 m 障碍车场景（自车 0.55 油门起步，障碍静止）
  → 每 tick：距离 + 接近速度 → AEBController.tick
  → 记录 (t, state, d, closing, throttle, brake, event)
  → 导出 CSV + 三行曲线 PNG

真实场景演示（--live，需 CARLA）：
  连 CARLA（同步模式 20 Hz）→ 清理残留 actor → 扫描出生点选最干净车道
  → 生成自车 + 前向 LiDAR → 生成障碍车（gap 距离）
  → 每 tick：8 帧融合点云 → 测距 → 状态机 → apply_control → world.tick
  → 全力制动瞬间挂临时 RGB 相机截图
  → 导出 CSV + 曲线 PNG（自动恢复异步模式、销毁 actor）

ROS 2 节点（live 阶段）：
  桥接节点：CARLA → /aeb/obstacle_distance、/aeb/ego_speed、/aeb/odometry
            /aeb/control → CARLA 车辆
  AEB 节点：/aeb/obstacle_distance + /aeb/ego_speed → 状态机 → /aeb/control
            服务 /aeb/arm、/aeb/abort、/aeb/reset

4. 源码解析

话题与服务一览（ROS 2 模式）：

5. 仿真运行步骤

5.1 支持与测试环境

5.2 从零复现（四步）

# ① 依赖体检 + 离线单元测试（不需要 CARLA 与 ROS）
python3 src/ground/carla_aeb_braking/main.py doctor
python3 src/ground/carla_aeb_braking/main.py test

# ② 离线制动曲线演示（导出 artifacts/aeb_offline_curve.png + CSV）
python3 src/ground/carla_aeb_braking/main.py demo

# ③ 连 CARLA 真实场景演示（--host 填 CARLA 所在机器 IP；
#    自动扫描出生点选最干净车道、生成障碍车、触发 AEB、截图）
python3 src/ground/carla_aeb_braking/main.py demo --live --host 192.168.122.1

# ④ ROS 2 节点方式（colcon 构建后 launch 启动桥接 + AEB 控制两节点）
cd <ros2 工作空间根目录>
colcon build --packages-select carla_aeb_braking
source install/setup.bash
ros2 launch carla_aeb_braking main.launch.py host:=192.168.122.1
# 另开终端观察状态机：
ros2 topic echo /aeb/state

demo --live 结束会打印刹车时刻、最小间隙、是否刹停与最终状态，并把 截图/CSV/曲线写入模块 artifacts/ 目录；退出前自动把 CARLA 世界恢复异步模式。

6. 运行效果与性能评价

6.1 离线制动曲线（无需 CARLA）

60 m 障碍车、自车 0.55 油门起步：17.5 m 进入预警（缓刹）、6.8 m 全力制动、 刹停于 6.63 m，全周期 12.4 s，最终恢复 cruise：

6.2 真实 CARLA 场景（Town01_Opt 实测）

Ubuntu 22.04 虚拟机（ROS 2 Humble）连宿主机 CARLA 0.9.16（offscreen）， 自动选点 (299.4, 129.8) 朝向 180°（前向车道 100 m 干净），障碍车放 50 m：

状态链实测（CSV 逐帧数据，见 aeb_live_data.csv）：

6.3 指标汇总

6.4 调优过程记录（实测踩坑）