CARLA 盲区监测（BSD）

使用顶置激光雷达按侧别窗口监测相邻车道来车，接近速度差分估计 + 滞回状态机输出分级预警（normal → approach → warn），完整覆盖邻车 从斜后方逼近、穿越盲区、超越离开的全过程。只预警不干预驾驶， 与前向 AEB 模块（carla_aeb_braking）构成前向制动 + 侧向预警的安全互补。

1. 概述与目标

本模块实现乘用车 BSD（Blind Spot Detection，盲区监测） 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_bsd_blind_spot/。

1.1 与仓库中其它地面载具模块的区分

BSD 是典型的驾驶员辅助件：只负责把"盲区有车 / 有车正在逼近"及时、 可解释地告知上层，不代替任何驾驶决策。因此本模块的输出是分级预警 （normal/approach/warn）与跃迁事件，而非控制指令——预警阈值全部是显式 参数，40 个离线测试完整覆盖决策逻辑。

1.2 分级预警设计

单一"有车/没车"二值报警在真实场景里有两种失败模式：目标还很远时提前 报警造成骚扰，或目标一进窗口就突然报警失去预判。本模块分两级：

• approach（提前预警）：目标尚在盲区外（d < 25 m）但正以 > 0.5 m/s 快速接近——"有车正在逼近盲区"，变道前提前注意；
• warn（盲区报警）：目标已进入盲区（d < 12 m）——"不建议变道"。

approach 与滞回状态解耦（见 2.2），上层可分别消费：比如 approach 用于 仪表提示、warn 用于方向盘振动或后视镜警示灯。

2. 计算原理

2.1 盲区测距

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径向距离聚类：

原始点云 (N,4)
  │  ① 侧别横向窗口：左 y ∈ [2.9, 4.2]（右 y 取负对称）
  │  ② 纵向窗口：x ∈ [-25, 2]（斜后方 25 m 到斜前方 2 m）
  │  ③ 车身高度带：z ∈ [-1.7, -0.4]（世界高度约 0.3~1.6 m）
  ▼
按径向距离 r = hypot(x, y) 分 1 m 一箱计数
  │  ④ 取"点数 ≥ 6 的最近一箱"的中心作为盲区目标距离
  ▼
盲区目标距离 d（无目标时返回 40 m 哨兵值）

各层过滤的实测依据（Town01_Opt，LiDAR 装高 2.0 m，探针逐层定位）：

• 纵向窗口 [-25, 2]：覆盖邻车从斜后方逼近的接近段，与实车 BSD 角雷达 25~60 m 后向探测范围一致；也为 approach 提前预警提供探测纵深。
• 8 帧时间融合：与 AEB 模块相同——64 线雷达对 20 m 外轿车单帧采样 过疏，滑动融合最近 8 帧后稳定可聚类。

2.2 滞回状态机与接近预警

左右盲区各一条独立状态线（滞回防临界抖动）：

$$\text{normal} \xrightarrow{d < 12\,\text{m}} \text{warn} \xrightarrow{d > 15\,\text{m}} \text{normal}$$

approach 是独立于状态的布尔位：d < 25 m 且 接近速度 > 0.5 m/s。 接近速度由帧间差分估计 $\dot d = (d_{k-1}-d_k)/\Delta t$， 首帧无历史时按 0 处理（保守，不提前误报）。

三个设计要点：

1. 滞回带：进入 12 m / 退出 15 m——邻车与自车并行时距离在临界值附近 波动，滞回避免报警反复横跳；
2. 接近速度门限 0.5 m/s：旁车低速并行时（相对速度≈0）不触发 approach， 只有真正快速逼近才提前预警；
3. 左右完全独立：两条状态线、两份测距缓存、事件按侧别命名 （left_warn / right_warn / left_clear / right_clear），同拍多事件合并为 一条逗号分隔消息发布。

2.3 演示场景

demo --live 构造的场景：自车在 Town01 直道定速巡航（内置简单巡航 + 航点跟随车道保持），邻车从左后方 45 m 处以更高速度同向超越——

t≈1.4s  邻车进入 25m 探测纵深，approach 提前预警
t≈5.9s  邻车穿越盲区窗口，left_warn
t≈6.4s  邻车车尾越过自车车头，left_clear
t≈7.0s  道路转弯段，同向邻车变为"右侧逼近"，right_warn

结尾的 right_warn 不是缺陷：道路微弯后，同一辆邻车相对自车的方位从左侧 自然过渡到右侧，恰好完整演示了左右两侧的独立监测。报警瞬间自动截图， 全程导出 CSV 与三行曲线图。

3. 算法流程

离线演示（无需 CARLA）：
  合成邻车逼近场景：x_rel(t) = -35 + 8t，落在窗口内时测得径向距离
  → 每 tick：盲区测距 + 接近速度 → BSDController.tick
  → 记录 (t, left_d, right_d, level_left, level_right, event)
  → 导出 CSV + 三行曲线 PNG（距离/分级/事件）

真实场景演示（--live，需 CARLA）：
  连 CARLA（同步模式 20 Hz）→ 清理残留 actor → 生成自车 + 顶置 LiDAR
  → 生成邻车（左后方 45 m，油门全开）→ 双车航点跟随车道保持
  → 每 tick：8 帧融合点云 → 左右盲区测距 → 状态机 → 记录 + 截图
  → 导出 CSV + 曲线 PNG（退出前恢复异步模式、销毁 actor）

ROS 2 节点（live 阶段）：
  桥接节点：CARLA → /bsd/left_distance、/bsd/right_distance、/bsd/ego_speed
  预警节点：订阅距离 → 定时器统一推进左右状态机
            → /bsd/alert（分级 JSON）+ /bsd/event（跃迁事件）

4. 源码解析

话题一览（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_bsd_blind_spot/main.py doctor
python3 src/ground/carla_bsd_blind_spot/main.py test

# ② 离线演示：邻车从左后方 35m 逼近穿越盲区（导出 artifacts/ PNG + CSV）
python3 src/ground/carla_bsd_blind_spot/main.py demo

# ③ 真实 CARLA 演示（--host 填 CARLA 所在机器 IP；邻车自动生成并超越）
python3 src/ground/carla_bsd_blind_spot/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 + 预警两节点）
cd <ros2 工作空间根目录>
colcon build --packages-select carla_bsd_blind_spot
source install/setup.bash
ros2 launch carla_bsd_blind_spot main.launch.py host:=192.168.122.1
# 另开终端观察分级预警：
ros2 topic echo /bsd/alert

demo --live 结束会打印预警拍数与事件时间线，并把截图/CSV/曲线写入 模块 artifacts/ 目录；退出前自动把 CARLA 世界恢复异步模式并清理车辆。

6. 运行效果与性能评价

6.1 离线演示（无需 CARLA）

邻车从左后方 35 m 以 8 m/s 相对速度逼近（x_rel(t) = −35 + 8t）， approach（22.5 m）→ warn（12 m 内）→ clear（超越离窗）完整状态链， 全周期 20 s：

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）， 自车 (299.4, 133.2) 定速巡航，邻车左后方 45 m 起步加速超越（双车航点跟随）：

事件时间线实测（CSV 逐帧数据，见 bsd_live_data.csv）：

6.3 指标汇总

6.4 调优过程记录（实测踩坑）