第3章环境搭建与配置

3. 环境搭建与配置：CARLA安装与配置、Python API环境搭建、依赖库安装

说实话，做自动驾驶仿真验证，环境搭建这一步最容易被轻视。我见过不少同学，算法写得飞起，结果卡在环境配置上折腾了两三天。嗯，咱们今天就把这事一次性搞定。

我个人习惯把环境搭建分成三个层次：仿真器层（CARLA）、API接口层（Python客户端）、算法依赖层（NumPy、OpenCV、PyTorch）。一层一层来，思路清晰，出了问题也好排查。

3.1 CARLA安装与配置

CARLA的安装，说白了就两条路：预编译包和源码编译。我强烈建议你走预编译包这条路。为什么？我自己第一次编译源码花了整整一个下午，中间还因为UE4版本不匹配翻车了。

推荐配置：

操作系统：Ubuntu 20.04 LTS（Windows也行，但我个人在Linux下更稳）
CARLA版本：0.9.14（目前最稳定，我项目里一直在用）
显卡驱动：NVIDIA 470+，CUDA 11.3+
内存：至少16GB，建议32GB

安装步骤其实就三步：

下载预编译包：去CARLA官方GitHub Release页面，找到0.9.14版本，下载 CARLA_0.9.14.tar.gz。大概3个多G，喝杯咖啡的功夫。
解压到目标目录：tar -xzf CARLA_0.9.14.tar.gz -C ~/carla
启动测试：进入目录，运行 ./CarlaUE4.sh。如果看到一扇蓝色的大门缓缓打开，恭喜你，成了。

我曾经踩过的坑：

第一次启动时黑屏？别慌。八成是显卡驱动问题。运行 nvidia-smi 看看驱动是否正常。如果用的是笔记本双显卡，记得切到独立显卡运行。我当初在笔记本上折腾了两小时才发现是这个问题。

3.2 Python API环境搭建

CARLA跑起来了，接下来要让它听我们使唤。Python API就是那个「遥控器」。

CARLA的Python API以.egg文件的形式提供，就在你解压后的 PythonAPI/carla/dist/ 目录下。不同Python版本对应不同的.egg文件。

我个人习惯用conda管理环境，干净利落：

# 创建虚拟环境
conda create -n carla_env python=3.8
conda activate carla_env

# 安装CARLA Python API
cd ~/carla/PythonAPI/carla/dist/
pip install carla-0.9.14-cp38-cp38-linux_x86_64.whl

# 验证安装
python -c "import carla; print(carla.__version__)"

你想想看，如果直接pip install carla，装的是社区维护的版本，跟官方API可能对不上。所以一定要用官方提供的.egg文件。嗯，这里要注意版本号必须匹配。

小技巧：

如果你需要在多个项目里用CARLA，可以把.egg路径加到 PYTHONPATH 环境变量里：

export PYTHONPATH=$PYTHONPATH:~/carla/PythonAPI/carla/dist/carla-0.9.14-cp38-cp38-linux_x86_64.whl

这样每次激活环境就能直接用，不用反复pip install。

3.3 依赖库安装：NumPy, OpenCV, PyTorch

这三个库是感知算法的「三驾马车」。NumPy管数据，OpenCV管图像，PyTorch管模型。缺一个，你的算法就跑不起来。

3.3.1 NumPy

NumPy是基础中的基础。CARLA返回的传感器数据，本质上是NumPy数组。点云、图像、边界框，底层全是NumPy。

pip install numpy==1.24.3

版本不用太纠结，1.24系列跟PyTorch 2.0兼容性最好。我在项目中遇到过NumPy版本太高导致PyTorch报错的情况，后来锁定1.24就再没出过问题。

3.3.2 OpenCV

OpenCV负责图像处理。从CARLA相机拿到的原始图像，要转成OpenCV能处理的格式。说白了就是BGR和RGB来回倒腾。

pip install opencv-python==4.8.1.78

这里有个细节：CARLA相机输出的是RGB格式，但OpenCV默认用BGR。所以每次拿到图像，记得做一次颜色通道转换：

import cv2
import numpy as np

# 假设 image 是从CARLA相机拿到的RGB数组
image_bgr = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)

我曾经在项目里忘了这步，结果训练出来的模型在仿真里检测效果一塌糊涂。后来发现是颜色通道搞反了，哭笑不得。

3.3.3 PyTorch

PyTorch是感知模型的主力框架。安装时要注意CUDA版本匹配。

# CUDA 11.7
pip install torch==2.0.1+cu117 torchvision==0.15.2+cu117 --index-url https://download.pytorch.org/whl/cu117

# 或者CPU版本（不推荐，训练太慢）
pip install torch==2.0.1 torchvision==0.15.2

重要提醒：

安装前先确认你的CUDA版本：nvcc --version。版本不对应，PyTorch会默默退回到CPU模式，你跑起来还以为模型在正常训练，实际上慢了几十倍。我有个同事因为这个排查了整整两天。

3.4 环境验证脚本

所有东西装完后，我习惯跑一个「全家桶」验证脚本。确保所有组件能协同工作：

import carla
import numpy as np
import cv2
import torch

print(f"CARLA版本: {carla.__version__}")
print(f"NumPy版本: {np.__version__}")
print(f"OpenCV版本: {cv2.__version__}")
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")

# 尝试连接CARLA服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()
print(f"CARLA连接成功！当前地图: {world.get_map().name}")

如果所有信息都正常打印出来，说明环境搭建完毕。如果卡在连接那一步，八成是CARLA服务端没启动。先跑 ./CarlaUE4.sh，再运行脚本。

总结一下我的个人经验：

环境搭建别急，一层一层来，每层验证通过再往下走
版本号一定要匹配，尤其是CARLA、Python、PyTorch三者的版本
遇到问题先看日志，CARLA的日志在 ~/carla/CarlaUE4/Saved/CarlaServer.log
保存好这个验证脚本，以后每次换机器或者更新环境，跑一遍就知道有没有问题

好了，环境搭好了，下一章咱们就可以真正开始写感知算法了。到时候我会带你从零实现一个目标检测pipeline，在CARLA仿真环境里跑起来。

公众号:蓝海资料掘金营，微信deep3321