2. 环境搭建与配置：Ubuntu系统配置、Carla安装、Python API环境配置、依赖库安装
好，咱们正式开始动手。环境搭建这块，说实话，是整门课里最磨人的一步。我见过太多人卡在这一步，还没开始跑车就先放弃了。别急，跟着我的节奏来，一步步踩实了。
2.1 Ubuntu系统配置——打好地基
Carla官方推荐的是Ubuntu 18.04或20.04。我个人习惯用20.04，稳定，坑少。你问18.04行不行？也行，但有些新版本的依赖库在18上编译会报错，我踩过这个坑。
第一步：更新系统包
拿到一台新装的Ubuntu，第一件事就是更新。别偷懒，直接跑：
sudo apt update
sudo apt upgrade -y
sudo apt autoremove -y第二步：安装基础依赖
Carla对显卡驱动有要求。我建议直接用NVIDIA官方驱动，别用Ubuntu自带的nouveau。怎么装？
sudo apt install nvidia-driver-470 # 或者更新的版本
sudo reboot重启后跑 nvidia-smi 看看，能看到显卡信息就对了。
第三步：安装编译工具链
嗯，这里要注意。Carla的Python API需要一些C++编译环境。我一般这么装：
sudo apt install build-essential
sudo apt install cmake
sudo apt install libboost-all-dev
sudo apt install libeigen3-devhtop 和 neofetch，方便后面监控资源。尤其是多车仿真时，CPU和内存占用你得心里有数。
2.2 Carla安装——两种方式，你选哪个？
Carla的安装方式有两种：预编译包和源码编译。我直接说结论：新手用预编译包，老手可以试试源码编译。
方式一：预编译包（推荐）
去Carla的GitHub Release页面下载对应Ubuntu版本的包。比如Carla 0.9.14：
wget https://carla-releases.s3.eu-west-3.amazonaws.com/Linux/CARLA_0.9.14.tar.gz
tar -xzf CARLA_0.9.14.tar.gz
cd CARLA_0.9.14解压完直接跑 ./CarlaUE4.sh 就能看到模拟器窗口了。我第一次看到那个窗口弹出来时，还挺激动的。
方式二：源码编译（如果你需要改底层）
源码编译大概需要2-3小时，取决于你的机器。我当年编译过一次，中途报了个莫名其妙的OpenGL错误，折腾了一下午。后来发现是显卡驱动版本不对。
git clone https://github.com/carla-simulator/carla
cd carla
./Update.sh
make launch2.3 Python API环境配置——让Carla听你的话
Carla的Python API其实就是一个egg文件，藏在安装目录的 PythonAPI/carla/dist/ 下。你需要把它装到你的Python环境里。
第一步：创建虚拟环境
我强烈建议用虚拟环境，别直接装到系统Python里。为什么？因为不同项目可能依赖不同版本的Carla API，混在一起会出问题。
python3 -m venv carla_env
source carla_env/bin/activate第二步：安装Carla Python API
cd /path/to/CARLA_0.9.14/PythonAPI/carla/dist
pip install carla-0.9.14-cp38-cp38-linux_x86_64.whl注意，这里的 cp38 表示Python 3.8版本。如果你的Python版本不同，文件名会不一样。我建议统一用Python 3.8，兼容性最好。
第三步：验证安装
python -c "import carla; print(carla.__version__)"如果输出版本号，恭喜你，环境搭好了。
python --version 和egg文件名中的cp版本是否一致。
2.4 依赖库安装——一个都不能少
多车协同仿真需要一些额外的库。我列个清单，你照着装就行。
| 库名 | 用途 | 安装命令 |
|---|---|---|
| numpy | 数值计算 | pip install numpy |
| opencv-python | 图像处理 | pip install opencv-python |
| matplotlib | 数据可视化 | pip install matplotlib |
| shapely | 几何计算（碰撞检测） | pip install shapely |
| pygame | 键盘控制/窗口显示 | pip install pygame |
| networkx | 路网拓扑分析 | pip install networkx |
装完这些，你基本就能跑通大部分多车协同的demo了。不过，如果你要做强化学习或者更复杂的控制，可能还需要装 gym 或 stable-baselines3。这个我们后面章节再细说。
shapely 时，如果报错说缺少GEOS库，跑 sudo apt install libgeos-dev 就能解决。这个坑我踩过两次，第一次还傻乎乎地去编译源码...
2.5 验证整个环境——跑个Hello World
环境搭完，总得试试能不能跑。我写了个最简单的脚本，用来验证Carla是否正常工作：
import carla
import time
# 连接Carla服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
# 获取世界对象
world = client.get_world()
# 打印当前地图名称
print(f"当前地图: {world.get_map().name}")
# 生成一辆车
blueprint_library = world.get_blueprint_library()
vehicle_bp = blueprint_library.filter('model3')[0]
spawn_point = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(vehicle_bp, spawn_point)
print("车辆生成成功！")
time.sleep(5)
# 清理
vehicle.destroy()
print("环境验证通过！")跑这个脚本前，记得先启动Carla模拟器：./CarlaUE4.sh。如果一切顺利，你会看到模拟器里出现一辆特斯拉Model 3，5秒后消失。
好了，环境搭建这块就到这。说实话，这部分内容看起来琐碎，但确实是后面所有实验的基础。你想想看，如果环境没配好，后面跑多车协同的时候报个错，你都不知道是代码问题还是环境问题，那才叫头疼。
下一章，我们开始真正接触Carla的Python API，写第一个多车控制的脚本。到时候你会发现，前面这些折腾都是值得的。