2、Carla环境搭建与Python API入门

好，咱们直接进入正题。Carla这个模拟器，说白了就是给自动驾驶算法提供一个「练车场」。你想想看，总不能直接在真车上调试感知算法吧？那代价太大了。所以Carla就成了我们这帮做感知算法部署的人，最常用的仿真平台之一。

我个人习惯，在开始任何项目之前，先把环境搞得干干净净。这一步要是乱了，后面全是坑。嗯，咱们一步步来。

2.1 Carla安装与配置

Carla的安装其实不复杂，但有几个关键点要注意。我最早接触Carla的时候，直接去GitHub上拉了个源码自己编译，结果折腾了一整天。后来发现，对于咱们做算法部署的人来说，直接用预编译包是最省事的。

安装步骤其实就这几步：

1. 下载预编译包：去Carla官网或者GitHub Release页面，下载对应版本的压缩包。我一般用0.9.13或0.9.14版本，比较稳定。
2. 解压：找个空间大的盘，直接解压。注意路径不要有中文。
3. 启动服务器：进入Carla文件夹，运行 ./CarlaUE4.sh（Linux）或 CarlaUE4.exe（Windows）。

启动成功后，你会看到一个3D城市界面。这时候别急着操作，先确认服务器跑起来了。怎么确认？看终端输出，最后几行应该有 Listening for client connections on port 2000 这样的信息。

2.2 Python API基础

Carla的Python API，说白了就是一套控制模拟器的接口。你通过Python代码，可以控制车辆、获取传感器数据、设置天气等等。我刚开始学的时候，觉得API文档写得有点绕，但用熟了就会发现，其实核心就几个对象。

先安装Python API包：

# 进入Carla的PythonAPI目录
cd PythonAPI/carla/dist

# 安装对应Python版本的egg文件
pip install carla-0.9.13-cp38-cp38-linux_x86_64.whl

安装完成后，在Python里导入试试：

import carla
print(carla.__version__)  # 如果能打印出版本号，说明安装成功

2.3 客户端与服务器通信

Carla采用的是客户端-服务器架构。服务器负责渲染和物理模拟，客户端负责发送指令和接收数据。说白了，服务器就是「车」，客户端就是「驾驶员」。

建立连接的代码很简单：

import carla

# 创建客户端，连接到本地服务器的2000端口
client = carla.Client('localhost', 2000)

# 设置超时时间，防止连接卡死
client.set_timeout(10.0)

# 获取世界对象
world = client.get_world()

print("连接成功！世界名称:", world.get_map().name)

这里有个坑，我必须要说一下。我曾经在项目里忘了设置超时时间，结果服务器没启动，客户端就一直卡在那里，整个脚本都僵住了。所以 set_timeout 这一步，千万别省。

连接成功后，你就能通过 world 对象来操控整个模拟世界了。比如获取地图、生成车辆、设置天气等等。

2.4 获取传感器数据

这才是咱们做感知算法部署的重头戏。Carla提供了多种传感器，比如相机、激光雷达、毫米波雷达、GPS等。获取传感器数据的方式，是通过「蓝图」来生成传感器，然后绑定回调函数。

我举个例子，获取RGB相机数据：

import carla
import numpy as np

# 连接服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()

# 获取蓝图库
blueprint_library = world.get_blueprint_library()

# 找到相机蓝图
camera_bp = blueprint_library.find('sensor.camera.rgb')

# 设置相机参数
camera_bp.set_attribute('image_size_x', '800')
camera_bp.set_attribute('image_size_y', '600')
camera_bp.set_attribute('fov', '90')

# 生成相机并附着到车辆上
# 先找一辆车（或者自己生成一辆）
vehicle_bp = blueprint_library.filter('vehicle.*')[0]
spawn_point = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

# 定义相机安装位置（车顶）
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

# 定义回调函数，处理图像数据
def process_image(image):
    # 将原始数据转为numpy数组
    array = np.frombuffer(image.raw_data, dtype=np.uint8)
    array = array.reshape((image.height, image.width, 4))
    # 去掉alpha通道
    array = array[:, :, :3]
    print("获取到一帧图像，尺寸:", array.shape)

# 绑定回调
camera.listen(process_image)

# 让车辆动起来
vehicle.set_autopilot(True)

# 保持运行
import time
time.sleep(10)

# 清理
camera.stop()
vehicle.destroy()
camera.destroy()

获取激光雷达数据也是类似的套路：

# 找到激光雷达蓝图
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')

# 设置参数
lidar_bp.set_attribute('channels', '32')
lidar_bp.set_attribute('range', '50')
lidar_bp.set_attribute('points_per_second', '100000')

# 生成并附着
lidar = world.spawn_actor(lidar_bp, camera_transform, attach_to=vehicle)

# 回调处理点云数据
def process_lidar(data):
    points = np.frombuffer(data.raw_data, dtype=np.float32)
    points = points.reshape((-1, 4))  # x, y, z, intensity
    print("获取到一帧点云，点数:", points.shape[0])

lidar.listen(process_lidar)

这里有个关键点，你想想看，传感器数据是异步到达的。也就是说，你没法保证图像和点云是同一时刻的。所以在做多传感器融合时，一定要做时间戳对齐。我一般会在回调函数里记录 data.timestamp，然后根据时间戳来匹配数据。

2.5 常用传感器参数速查表

传感器类型	蓝图名称	关键参数	输出数据格式
RGB相机	sensor.camera.rgb	image_size_x, image_size_y, fov	BGRA图像 (4通道)
深度相机	sensor.camera.depth	image_size_x, image_size_y	深度图 (单通道)
语义分割相机	sensor.camera.semantic_segmentation	image_size_x, image_size_y	标签图 (单通道)
激光雷达	sensor.lidar.ray_cast	channels, range, points_per_second	点云 (Nx4)
毫米波雷达	sensor.other.radar	horizontal_fov, vertical_fov, range	雷达目标列表
GPS	sensor.other.gnss	无特殊参数	经纬度坐标

2.6 小结

这一章的内容，说白了就是让你能把Carla跑起来，并且能拿到传感器数据。我个人觉得，最难的部分其实是理解客户端-服务器的通信机制，以及回调函数的异步处理方式。只要这两个概念搞清楚了，后面的内容就顺了。

嗯，下一章咱们会深入讲讲如何用Carla生成自定义场景，以及如何批量采集数据。到时候会用到这一章的基础知识，所以建议你把代码都跑一遍，亲手感受一下。