CARLA: ein quelloffener Forschungssimulator für autonomes Fahren

CARLA ist ein quelloffener Forschungssimulator für autonomes Fahren, der auf der Unreal Engine entwickelt wurde. Er bietet eine flexible Plattform für Forscher, um autonome Fahrsysteme zu entwickeln, zu trainieren und zu validieren.CARLA unterstützt Simulationen mit mehreren Sensoren wie Kamera, LIDAR und Radar und bietet umfangreiche digitale Assets wie Stadtpläne, Fahrzeuge und Fußgänger. Die Benutzer können die Simulationsumgebung steuern und Bedingungen wie Wetter, Verkehr und Szenarien über die Python-API oder C++ anpassen. CARLA wurde entwickelt, um das Testen komplexer Verkehrsszenarien und die Erforschung der Interaktion zwischen mehreren intelligenten Körpern für ein breites Spektrum von Anwendungen in Wissenschaft und Industrie zu unterstützen. Dank seines Open-Source-Charakters können die Nutzer den Code kostenlos nutzen und beisteuern, wodurch es sich für die Entwicklung und das Testen von Algorithmen für das autonome Fahren eignet.

Funktionsliste

• Sensor-SimulationUnterstützt eine Vielzahl von Sensoren, wie RGB-Kameras, LIDAR, Radar, Tiefensensoren und GPS, um fotorealistische sensorische Daten zu erzeugen.
• Erzeugung von VerkehrsszenenBietet eine breite Palette von Karten für Städte, Vororte und Autobahnen und unterstützt die Simulation von dynamischen Verkehrsströmen und Fußgängerverhalten.
• Flexible APISteuerung der Simulationsumgebung, einschließlich Fahrzeugen, Fußgängern, Wetter und Verkehrsregeln, über Python- und C++-APIs.
• Karten-EditorUnterstützt die Erstellung benutzerdefinierter Karten auf der Grundlage des ASAM OpenDRIVE-Standards, die mit Tools wie RoadRunner erstellt werden können.
• Aufnahme und Wiedergabe von SzenenErmöglicht es, den Simulationsprozess aufzuzeichnen und genau wiederzugeben, so dass die Ergebnisse verschiedener Konfigurationen leicht verglichen werden können.
• Multi-Client-ArchitekturUnterstützung mehrerer Clients zur gleichzeitigen Steuerung verschiedener Intelligenzen, geeignet für Multi-Intelligenz-Forschung.
• ROS-IntegrationNahtlose Anbindung an das Roboterbetriebssystem über die ROS-Bridge, die Frameworks wie AutoWare unterstützt.
• VerkehrsmanagementEingebauter Verkehrsmanager steuert das Verhalten der NPCs (Nicht-Spieler-Charaktere), um reale Verkehrsprobleme zu simulieren.
• physikalische SimulationIntegration der Chrono-Bibliothek zur Unterstützung hochpräziser Fahrzeug- und Mehrkörperdynamiksimulationen.

Hilfe verwenden

Einbauverfahren

Um CARLA lokal zu verwenden, müssen die Benutzer die Umgebung installieren und konfigurieren. Im Folgenden werden die Installationsschritte für Ubuntu-Systeme beschrieben, Windows-Benutzer können sich auf die offizielle Dokumentation beziehen.

1. Überprüfung der Systemanforderungen
   CARLA unterstützt die Unreal Engine Version 4.26 oder 5.5. Die empfohlene Hardware-Konfiguration ist Intel i7/i9 (9.-11. Generation) oder AMD Ryzen 7/9, mit einer Grafikkarte, die DirectX 11 oder höher unterstützt, mindestens 16 GB RAM und 50 GB Festplattenspeicher.
2. CARLA herunterladen
   Benutzer können wählen, ob sie vorkompilierte Pakete von GitHub oder quellkompilierte Pakete herunterladen möchten:
   • vorkompiliertes PaketBesuchen Sie die offizielle CARLA-Website (http://carla.org) oder die GitHub-Versionsseite (https://github.com/carla-simulator/carla/releases), um die neueste Version (z. B. 0.9.15) herunterzuladen. Entpacken Sie sie und verwenden Sie sie.
   • Kompilierung des QuellcodesKlonen eines GitHub-Repositorys:

     git clone -b ue5-dev https://github.com/carla-simulator/carla.git CarlaUE5
     

     Für den Zugriff auf die Repositories der Unreal Engine 5.5 muss ein GitHub-Konto mit Epic Games verknüpft sein.

3. Installation von Abhängigkeiten
   Wechseln Sie in das CARLA-Stammverzeichnis und führen Sie das Installationsskript aus:

   cd CarlaUE5
   sudo -E env GIT_LOCAL_CREDENTIALS=github_username@github_token ./CarlaSetup.sh
   

   Das Skript lädt automatisch die Unreal Engine 5.5 und die Abhängigkeiten herunter und erfordert möglicherweise die Eingabe von GitHub-Anmeldeinformationen. Windows-Benutzer müssen einen ähnlichen Befehl über die x64 Native Tools-Eingabeaufforderung in Visual Studio 2022 ausführen.

4. Zusammengestellt von CARLA
   Im CARLA-Stammverzeichnis ausführen:

   cmake -G Ninja -S . -B Build --toolchain=$PWD/CMake/Toolchain.cmake -DCMAKE_BUILD_TYPE=Release -DENABLE_ROS2=ON
   

   Nach der Kompilierung führen Sie ./CarlaUE4.sh Starten Sie den Simulator.

5. Installation der Python-Client-Bibliothek
   CARLA bietet eine Python-API und erfordert die Installation von Client-Bibliotheken:

   pip3 install carla
   

   Es wird empfohlen, es in einer virtuellen Umgebung zu installieren, um Versionskonflikte zu vermeiden. Python 2.7, 3.6, 3.7 und 3.8 werden unterstützt.

Verwendung der Hauptfunktionen

1. Starten Sie den Simulator
   in Bewegung sein ./CarlaUE4.sh -quality-level=epic(hohe Qualität) oder -quality-level=low(Low-End-Hardware). Der Simulator startet und zeigt die Stadtansicht an und wartet darauf, dass der Client eine Verbindung herstellt.
2. Führen Sie das Beispielskript aus
   CARLA bietet mehrere Python-Beispielskripte, die sich in der Datei PythonAPI/examples Katalog. Beispiel:
   • Erzeugung von Verkehr: Lauf python3 generate_traffic.pyund erzeugt dynamische Fahrzeuge und Fußgänger im Simulator.
   • manuelle Steuerung: Lauf python3 manual_control.pyDas Fahrzeug wird mit Tastatur und Maus gesteuert, wobei die WASD-Tasten zum Bewegen und die Maus zum Einstellen der Ansicht verwendet werden.
   • Erfassung von Sensordaten: Lauf python3 03_RGB_camera.pyWenn Sie die Bilddaten der RGB-Kamera speichern möchten, können Sie die RGB-Kamera verwenden, um die Bilddaten zu erfassen und sie zu speichern.
3. Betriebsverkehrsleiter
   Der Verkehrsmanager steuert das Verhalten der NPCs. Beispiel:

   tm = client.get_trafficmanager()
   tm.set_desired_speed(vehicle, 30.0)  # 设置车辆速度为 30 km/h
   tm.set_percentage_random_left_lanechange(vehicle, 20.0)  # 20% 概率随机左换道
   

   Die Geschwindigkeit der NPCs, das Verhalten beim Spurwechsel usw. können über die API eingestellt werden.

4. Maßgeschneiderte Karten
   Benutzer können Karten über RoadRunner oder OpenDRIVE erstellen. Karten in CARLA importieren:

   python3 import_map.py --path /path/to/your_map.xodr
   

   Dann laden Sie die neue Karte in den Emulator.

5. Aufnahme und Wiedergabe
   Aufnahme starten:

   client.start_recorder("recording01.log")
   

   Playback-Aufnahme:

   client.replay_file("recording01.log", start_time=0.0, duration=60.0)
   

6. ROS-Integration
   Installieren Sie die ROS-Brücke (https://github.com/carla-simulator/ros-bridge):

   git clone https://github.com/carla-simulator/ros-bridge.git
   

   Nach dem Start eines ROS-Knotens kann CARLA mit Frameworks wie AutoWare interagieren.

Featured Function Bedienung

• Sensor-Konfiguration: Fügen Sie dem Fahrzeug über die Python-API Sensoren hinzu. Fügen Sie zum Beispiel eine RGB-Kamera hinzu:

  blueprint_library = world.get_blueprint_library()
  camera_bp = blueprint_library.find('sensor.camera.rgb')
  camera = world.spawn_actor(camera_bp, carla.Transform(carla.Location(x=1.5, z=1.4)))
  camera.listen(lambda image: image.save_to_disk('output/%06d.png' % image.frame))
  

• Multi-intelligente KörpersimulationMehrere Python-Skripte können durch eine Multi-Client-Architektur verschiedene Fahrzeuge gleichzeitig steuern. Jeder Client verbindet sich mit einem Emulator-Port (Standard 2000-2002).
• Chrono-Physik-SimulationDie Aktivierung der Chrono-Bibliothek macht die Fahrzeugdynamik realistischer und eignet sich für das Studium der Fahrzeugsteuerung und des dynamischen Verhaltens. Die Konfigurationsmethode ist in der offiziellen Dokumentation (https://carla.readthedocs.io/en/latest/adv_chrono/) beschrieben.

Anwendungsszenario

1. Entwicklung von Algorithmen für das autonome Fahren
   Die Forscher nutzen CARLA, um Wahrnehmungs-, Planungs- und Steuerungsalgorithmen zu testen. So wurden beispielsweise Deep-Learning-Modelle für die Zielerfassung und Pfadplanung durch Simulation von LiDAR- und Kameradaten trainiert.
2. Prüfung von Verkehrsszenarien
   Die Entwickler können in CARLA komplexe Verkehrsszenarien erstellen, z. B. Crashtests an Kreuzungen oder Fahrten bei schlechtem Wetter, um die Robustheit des autonomen Fahrsystems zu testen.
3. Bildung und Ausbildung
   Universitäten und Ausbildungseinrichtungen nutzen CARLA, um die Grundlagen des autonomen Fahrens zu vermitteln. Die Studierenden implementieren einfache Steuerungsalgorithmen über Python-APIs und lernen die Verarbeitung von Sensordaten und die Fahrzeugsteuerung kennen.
4. Multi-Intelligenz-Forschung
   Die Multi-Client-Architektur von CARLA eignet sich für die Untersuchung des kooperativen Fahrens mit mehreren Fahrzeugen, die Simulation der Flottenkommunikation oder wettbewerbsorientierte Fahrszenarien.

QA

1. Welche Betriebssysteme werden von CARLA unterstützt?
   CARLA unterstützt offiziell Ubuntu 18.04 und 20.04, Windows 7 und höher. macOS wird nicht offiziell unterstützt, aber die Community hat einige inoffizielle Lösungen.
2. Wie können Abhängigkeiten während der Kompilierung aufgelöst werden?
   Stellen Sie sicher, dass alle Abhängigkeiten (z.B. CMake, Ninja) installiert sind. Führen Sie aus. CarlaSetup.sh Das Skript wird die fehlenden Abhängigkeiten automatisch installieren. Wenn es fehlschlägt, lesen Sie die offizielle FAQ (https://carla.readthedocs.io/en/latest/faq/).
3. Ist es möglich, CARLA offline zu betreiben?
   Ja, CARLA unterstützt den Offline-Betrieb. Nachdem Sie das vorkompilierte Paket heruntergeladen oder den Quellcode kompiliert haben, können Sie den Emulator und die Skripte ohne Internetverbindung ausführen.
4. Wie bekomme ich mehr Karten?
   Laden Sie zusätzliche Kartenpakete herunter (z.B. Town06, Town07) oder erstellen Sie eigene Karten mit RoadRunner, um OpenDRIVE-Dateien in CARLA zu importieren.