CARLA: um simulador de pesquisa de direção autônoma de código aberto

O CARLA é um simulador de pesquisa de direção autônoma de código aberto desenvolvido no Unreal Engine. Ele fornece uma plataforma flexível para que os pesquisadores desenvolvam, treinem e validem sistemas de direção autônoma. O CARLA suporta simulações de vários sensores, como câmera, LIDAR e radar, e fornece ativos digitais avançados, como mapas da cidade, veículos e pedestres. Os usuários podem controlar o ambiente de simulação e ajustar as condições, como clima, tráfego e cenários, por meio da API Python ou C++. O CARLA foi projetado para dar suporte a testes de cenários complexos de tráfego e pesquisa de interação de corpos com inteligência múltipla para uma ampla gama de aplicações na academia e no setor. Sua natureza de código aberto permite que os usuários usem e contribuam com o código gratuitamente, tornando-o adequado para o desenvolvimento e teste de algoritmos de direção autônoma.

Lista de funções

• Simulação de sensorSuporte a uma ampla variedade de sensores, como câmeras RGB, LIDAR, radar, sensores de profundidade e GPS, para gerar dados sensoriais fotorrealistas.
• Geração de cenas de tráfegoMapas de cidades, subúrbios e autoestradas: fornece uma ampla variedade de mapas de cidades, subúrbios e autoestradas e oferece suporte à simulação dinâmica do fluxo de tráfego e do comportamento dos pedestres.
• API flexívelControle o ambiente de simulação, incluindo veículos, pedestres, clima e regras de trânsito, por meio de APIs Python e C++.
• Editor de mapasSuporte à criação de mapas personalizados com base no padrão ASAM OpenDRIVE, que pode ser gerado por ferramentas como o RoadRunner.
• Gravação e reprodução de cenasPermite registrar o processo de simulação e reproduzi-lo com precisão, facilitando a comparação de resultados de diferentes configurações.
• Arquitetura multi-clienteSuporte a vários clientes para controlar diferentes inteligências ao mesmo tempo, adequado para pesquisas com várias inteligências.
• Integração do ROSConexão perfeita com o sistema operacional do robô por meio da ponte ROS, com suporte a estruturas como o AutoWare.
• gerenciamento de tráfegoO Traffic Manager integrado controla o comportamento dos NPCs (personagens não jogadores) para simular desafios reais de tráfego.
• simulação físicaIntegração da biblioteca Chrono para dar suporte a simulações altamente precisas da dinâmica de veículos e da dinâmica de vários corpos.

Usando a Ajuda

Processo de instalação

Para usar o CARLA localmente, os usuários precisam instalar e configurar o ambiente. Abaixo estão as etapas de instalação para sistemas Ubuntu; os usuários do Windows podem consultar a documentação oficial.

1. Verificação dos requisitos do sistema
   O CARLA é compatível com o Unreal Engine versão 4.26 ou 5.5. A configuração de hardware recomendada é Intel i7/i9 (9ª-11ª geração) ou AMD Ryzen 7/9, com uma placa de vídeo compatível com DirectX 11 ou superior, pelo menos 16 GB de RAM e 50 GB de espaço em disco.
2. Baixar CARLA
   Os usuários podem optar por baixar pacotes pré-compilados do GitHub ou compilados na fonte:
   • pacote pré-compiladoVisite o site oficial do CARLA (http://carla.org) ou a página de lançamento do GitHub (https://github.com/carla-simulator/carla/releases) para fazer download da versão mais recente (por exemplo, 0.9.15). Descompacte-a e use-a.
   • Compilação de código-fonteClonar um repositório do GitHub:

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

     Uma conta do GitHub precisa ser associada à Epic Games para acessar os repositórios do Unreal Engine 5.5.

3. Instalação de dependências
   Vá para o diretório raiz do CARLA e execute o script de instalação:

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

   O script faz o download automático do Unreal Engine 5.5 e das dependências, e pode exigir que as credenciais do GitHub sejam inseridas. Os usuários do Windows precisarão executar um comando semelhante usando o prompt de comando x64 Native Tools no Visual Studio 2022.

4. Compilado por CARLA
   Execute no diretório raiz do CARLA:

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

   Após a compilação, execute ./CarlaUE4.sh Inicie o simulador.

5. Instalação da biblioteca do cliente Python
   O CARLA fornece uma API Python e requer a instalação de bibliotecas de clientes:

   pip3 install carla
   

   Recomenda-se instalá-lo em um ambiente virtual para evitar conflitos de versão. Há suporte para Python 2.7, 3.6, 3.7 e 3.8.

Uso das funções principais

1. Iniciar o simulador
   estar em movimento ./CarlaUE4.sh -quality-level=epic(alta qualidade) ou -quality-level=low(Hardware de baixo custo). O simulador é iniciado mostrando a visualização da cidade e aguardando a conexão do cliente.
2. Execute o script de amostra
   O CARLA fornece vários scripts de exemplo em Python localizados no diretório PythonAPI/examples Catálogo. Exemplo:
   • Geração de tráfego: Executar python3 generate_traffic.pygerando veículos e pedestres dinâmicos no simulador.
   • controle manual: Executar python3 manual_control.pyO veículo é controlado pelo teclado e pelo mouse, com as teclas WASD para mover e o mouse para ajustar a visualização.
   • Aquisição de dados do sensor: Executar python3 03_RGB_camera.pySe quiser salvar os dados de imagem da câmera RGB, poderá usar a câmera RGB para adquirir os dados de imagem e salvá-los.
3. Gerente de tráfego operacional
   O Traffic Manager controla o comportamento do NPC. Exemplo:

   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
   

   A velocidade do NPC, o comportamento de mudança de faixa etc. podem ser definidos por meio da API.

4. Mapas personalizados
   Os usuários podem criar mapas por meio do RoadRunner ou do OpenDRIVE. Importar mapas para o CARLA:

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

   Em seguida, carregue o novo mapa no emulador.

5. Gravação e reprodução
   Iniciar a gravação:

   client.start_recorder("recording01.log")
   

   Gravação de reprodução:

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

6. Integração do ROS
   Instale a ponte ROS (https://github.com/carla-simulator/ros-bridge):

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

   Depois de iniciar um nó do ROS, o CARLA pode interagir com estruturas como o AutoWare.

Operação da função em destaque

• Configuração do sensorAdicione sensores ao veículo por meio da API Python. Por exemplo, adicione uma câmera RGB:

  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))
  

• Simulação de corpo com inteligência múltiplaScripts Python: Vários scripts Python podem controlar diferentes veículos ao mesmo tempo por meio de uma arquitetura multicliente. Cada cliente se conecta a uma porta de emulador (padrão 2000-2002).
• Simulação de física do ChronoAtivação da biblioteca Chrono: A ativação da biblioteca Chrono torna a dinâmica do veículo mais realista e adequada para o estudo do controle do veículo e da resposta dinâmica. Consulte a documentação oficial (https://carla.readthedocs.io/en/latest/adv_chrono/) para obter o método de configuração.

cenário do aplicativo

1. Desenvolvimento de algoritmo de direção autônoma
   Os pesquisadores usam o CARLA para testar algoritmos de percepção, planejamento e controle. Por exemplo, modelos de aprendizagem profunda foram treinados para detecção de alvos e planejamento de caminhos simulando dados de LiDAR e câmera.
2. Teste de cenário de tráfego
   Os desenvolvedores podem criar cenários de tráfego complexos no CARLA, como testes de colisão em cruzamentos ou condução em condições climáticas adversas, para validar a robustez do sistema de condução autônoma.
3. Educação e treinamento
   Universidades e organizações de treinamento usam o CARLA para ensinar os princípios da direção autônoma. Os alunos implementam algoritmos de controle simples por meio de APIs Python e aprendem sobre processamento de dados de sensores e controle de veículos.
4. Pesquisa de inteligência múltipla
   A arquitetura multi-cliente do CARLA é adequada para estudar a direção cooperativa de vários veículos, simulando a comunicação da frota ou cenários de direção competitiva.

QA

1. Quais sistemas operacionais são compatíveis com o CARLA?
   O CARLA é oficialmente compatível com o Ubuntu 18.04 e 20.04 e com o Windows 7 e superior. O macOS não é oficialmente compatível, mas a comunidade tem algumas soluções não oficiais.
2. Como resolver as dependências durante a compilação?
   Certifique-se de que todas as dependências (por exemplo, CMake, Ninja) estejam instaladas. Executar CarlaSetup.sh O script instalará automaticamente as dependências ausentes. Se houver falha, consulte a FAQ oficial (https://carla.readthedocs.io/en/latest/faq/).
3. Posso executar o CARLA off-line?
   Sim, o CARLA suporta a execução off-line. Depois de fazer o download do pacote pré-compilado ou compilar o código-fonte, você pode executar o emulador e os scripts sem uma conexão com a Internet.
4. Como faço para obter mais mapas?
   Faça o download de pacotes de mapas adicionais (por exemplo, Town06, Town07) ou crie mapas personalizados usando o RoadRunner para importar arquivos OpenDRIVE para o CARLA.