📚 课程目录第4章仿真环境搭建

4. 仿真环境搭建

自动泊车系统的开发与验证高度依赖仿真环境。真实场地测试成本高、场景覆盖有限且难以复现极端工况，而仿真平台能够在虚拟世界中构建可重复、可参数化的泊车场景，支持从感知算法验证到控制策略调优的全链路开发。本节将围绕CARLA、Gazebo、MATLAB/Simulink三款主流工具，从适用场景、安装流程、基础配置到联合使用策略进行系统讲解，帮助学习者建立仿真环境搭建的完整知识框架。

上图展示了三款仿真工具在自动泊车开发中的定位与协同关系。CARLA负责高保真场景渲染与传感器仿真，Gazebo侧重物理交互与ROS生态集成，MATLAB/Simulink则专注于控制算法设计与快速验证。实际项目中，通常以CARLA或Gazebo作为环境主仿真器，通过ROS2或自定义接口与MATLAB/Simulink进行联合仿真，形成“场景生成—感知仿真—控制验证”的完整链路。

4.1 核心原理：三类仿真工具的定位与选型逻辑

自动泊车仿真涉及环境感知、路径规划、运动控制三个层面，不同工具在各自层面具有差异化优势。理解其核心原理是正确选型的前提。

4.1.1 CARLA：高保真场景与传感器仿真

CARLA基于Unreal Engine 4构建，提供高度逼真的城市道路、停车场、光照和天气系统。其核心优势在于：

传感器仿真：支持RGB相机、深度相机、语义分割相机、激光雷达、毫米波雷达、GPS/IMU等，传感器参数可配置（如视场角、分辨率、噪声模型）。
场景编辑器：通过Python API可动态生成泊车位、障碍物、交通参与者，支持自定义泊车场景（平行泊车、垂直泊车、斜向泊车）。
高精地图：内置OpenDRIVE格式地图，可提取车道线、停车位边界、路沿等语义信息，便于路径规划算法开发。

4.1.2 Gazebo：物理引擎与ROS生态

Gazebo作为ROS生态中最常用的仿真器，采用ODE/Bullet物理引擎，能够模拟车辆动力学、轮胎摩擦、碰撞响应等物理过程。其核心特点包括：

URDF/SDF模型：通过统一机器人描述格式定义车辆底盘、转向机构、传感器安装位置，支持导入真实车辆参数。
插件机制：可编写自定义插件模拟超声波雷达、鱼眼相机等泊车专用传感器，并支持与ROS节点无缝通信。
轻量级部署：相比CARLA对GPU的要求较低，适合在嵌入式平台或资源受限环境中进行快速验证。

4.1.3 MATLAB/Simulink：算法开发与自动代码生成

MATLAB/Simulink在控制算法验证方面具有不可替代的优势。自动驾驶工具箱（Automated Driving Toolbox）提供：

车辆动力学模型：包含自行车模型、三自由度模型等，可模拟泊车过程中的低速转向特性。
场景合成器：通过Driving Scenario Designer可视化创建泊车场景，支持导入高精地图数据。
代码生成：可将Simulink模型自动生成C/C++代码，直接部署到车载控制器（如NXP、TI平台），实现MIL→SIL→HIL全流程验证。

选型建议：若项目侧重感知算法验证（如视觉泊车位检测），优先选择CARLA；若侧重车辆控制与ROS系统集成，选择Gazebo；若侧重控制策略快速迭代与代码生成，选择MATLAB/Simulink。实际工程中常采用“CARLA+Simulink”或“Gazebo+Simulink”的组合模式。

4.2 环境安装与基本配置：操作流程与关键参数

本节以Ubuntu 20.04系统为例，详细讲解三款工具的安装步骤与核心配置项。安装前请确认硬件满足最低要求：CPU 8核以上、内存16GB以上、GPU NVIDIA GTX 1660及以上（CARLA必需）。

4.2.1 CARLA安装与配置

安装依赖：更新系统包并安装Python3.8、pip3、CMake等基础工具。
下载CARLA：从官方GitHub Release页面下载CARLA_0.9.15.tar.gz（约20GB），解压至指定目录。
配置Python API：将CARLA的PythonAPI目录添加到PYTHONPATH环境变量。
验证安装：启动CARLA服务器，运行示例脚本生成一辆测试车辆。

# 环境变量配置（~/.bashrc）
export CARLA_ROOT=/opt/carla
export PYTHONPATH=$CARLA_ROOT/PythonAPI/carla/dist:$CARLA_ROOT/PythonAPI/carla/agents:$PYTHONPATH

# 启动CARLA服务器（低画质模式）
cd $CARLA_ROOT && ./CarlaUE4.sh -quality-level=Low

# 运行测试脚本
python3 $CARLA_ROOT/PythonAPI/examples/spawn_npc.py -n 10

关键配置参数包括：-quality-level（画质等级，影响渲染速度）、-carla-rpc-port（RPC通信端口，默认2000）、-carla-streaming-port（传感器数据流端口，默认3000）。在自动泊车仿真中，建议将画质设为Medium以平衡渲染效果与帧率。

4.2.2 Gazebo安装与配置

安装ROS Noetic：Gazebo通常随ROS一起安装，执行sudo apt install ros-noetic-desktop-full。
验证Gazebo：运行gazebo --version确认安装成功。
创建车辆模型：使用URDF或SDF格式定义车辆几何、惯性、传感器插件。
配置环境变量：设置GAZEBO_MODEL_PATH指向自定义模型目录。

# 安装Gazebo插件（用于超声波传感器仿真）
sudo apt install ros-noetic-gazebo-ros-pkgs ros-noetic-gazebo-ros-control

# 启动带空世界的Gazebo
roslaunch gazebo_ros empty_world.launch

# 加载车辆模型（示例）
rosrun gazebo_ros spawn_model -file my_vehicle.urdf -urdf -x 0 -y 0 -z 0.5 -model my_vehicle

Gazebo的物理引擎参数（如摩擦系数、弹性恢复系数）需根据泊车场景调整。例如，停车场地面摩擦系数通常设为0.8-1.0，轮胎与地面的滚动阻力系数设为0.01-0.02。

4.2.3 MATLAB/Simulink安装与配置

安装MATLAB：建议使用R2023a及以上版本，安装时勾选Automated Driving Toolbox、Vehicle Dynamics Blockset、ROS Toolbox。
配置ROS接口：在MATLAB中执行rosinit连接ROS主节点，或使用rosgenmsg生成自定义消息类型。
验证工具箱：运行openExample('autonomous_control/AutonomousParkingExample')加载官方泊车示例。

% 设置ROS环境（假设ROS Master运行在192.168.1.100）
setenv('ROS_MASTER_URI','http://192.168.1.100:11311')
setenv('ROS_IP','192.168.1.101')
rosinit

% 加载预构建的泊车场景
scenario = drivingScenario;
% 添加停车位和车辆（代码略）

常见安装问题：CARLA启动时若出现“libcuda.so找不到”错误，需安装NVIDIA驱动并配置CUDA路径；Gazebo加载模型时若出现“Model URI not found”，需检查GAZEBO_MODEL_PATH是否包含模型所在目录；MATLAB连接ROS时若超时，需检查防火墙设置和ROS_MASTER_URI地址是否正确。

4.3 实战场景：基于CARLA+Simulink的自动泊车联合仿真

本节通过一个完整的案例，演示如何搭建“CARLA场景生成+Simulink控制验证”的联合仿真环境。该案例模拟一辆轿车在室内停车场进行垂直泊车，车位尺寸为2.5m×5.0m，车辆初始位置距车位中心横向偏移0.3m。

4.3.1 场景构建与参数设置

在CARLA中通过Python API创建泊车场景，关键参数如下：

参数项	值	说明
地图	Town03	包含室内停车场区域
车位类型	垂直泊车	车位宽度2.5m，深度5.0m
车辆型号	vehicle.audi.a2	轴距2.47m，车宽1.94m
传感器	RGB相机+超声波雷达	相机分辨率1280×720，FOV 90°
初始位姿	(x=15.2, y=-3.5, yaw=0°)	距车位中心横向偏移0.3m

在Simulink中建立控制模型，采用纯跟踪算法（Pure Pursuit）进行路径跟踪，控制周期为50ms。通过ROS2接口订阅CARLA输出的车辆位姿和超声波距离数据，发布转向角和油门指令。

4.3.2 联合仿真执行与结果分析

启动CARLA服务器后，运行Python脚本生成场景并发布传感器数据；在Simulink中运行控制模型，实时接收数据并输出控制指令。仿真运行120秒，记录车辆轨迹和泊车精度。

# CARLA端Python脚本（关键部分）
client = carla.Client('localhost', 2000)
world = client.get_world()
# 设置车辆初始位置
vehicle.set_transform(carla.Transform(
    carla.Location(x=15.2, y=-3.5, z=0.5),
    carla.Rotation(yaw=0)))
# 生成停车位标记（使用蓝图绘制）
bp_lib = world.get_blueprint_library()
marker_bp = bp_lib.find('static.prop.streetbarrier')
# 在车位四角放置标记物（代码略）

仿真结果显示：车辆在8.5秒内完成泊车，最终横向偏差为0.05m，纵向偏差为0.08m，满足±0.1m的精度要求。但超声波雷达在距离小于0.3m时出现噪声增大现象，导致最后阶段控制量抖动。通过调整卡尔曼滤波参数（过程噪声协方差Q=0.01，测量噪声协方差R=0.1），抖动幅度降低了60%。

案例复盘：联合仿真中，CARLA与Simulink的数据同步延迟是影响控制精度的关键因素。建议将传感器数据发布频率设为50Hz，控制指令订阅频率设为20Hz，并在Simulink中使用“Rate Transition”模块处理不同频率的数据。此外，超声波雷达的噪声模型应基于真实传感器标定数据，避免仿真结果过于理想化。

4.4 常见误区与总结复盘

在仿真环境搭建过程中，学习者常陷入以下误区，需要特别注意规避。

4.4.1 误区一：忽视仿真与现实的差距

仿真环境中的传感器模型、车辆动力学模型都是理想化的。例如，CARLA的相机图像虽然逼真，但缺乏真实镜头的畸变和噪声；Gazebo的轮胎模型在低速时可能产生不真实的振动。解决方案是：在仿真中注入传感器噪声、延迟和故障模式，使测试场景更接近真实工况。

4.4.2 误区二：过度依赖单一工具

有些学习者只用MATLAB/Simulink进行仿真，忽略了场景真实感；有些则只用CARLA，导致控制算法验证效率低下。正确做法是：根据开发阶段选择工具——算法初期用Simulink快速验证，中期用CARLA进行感知与规划联合测试，后期用Gazebo进行硬件在环仿真。

4.4.3 误区三：忽略仿真环境的可重复性

自动泊车算法需要大量重复测试以统计成功率。若仿真环境中的随机因素（如行人、车辆）未设置固定种子，则测试结果不可复现。建议在CARLA中设置world.set_seed()，在Gazebo中固定初始随机数种子，确保每次仿真结果一致。

4.4.4 总结：仿真环境搭建的核心要点

维度	关键要点	推荐工具
场景真实感	光照、纹理、天气、动态物体	CARLA
物理精度	轮胎摩擦、悬挂、碰撞响应	Gazebo
算法验证效率	快速迭代、参数扫描、自动代码生成	MATLAB/Simulink
系统集成	ROS通信、多传感器融合、硬件接口	Gazebo+ROS2

搭建仿真环境时，应遵循“先简单后复杂、先模块后集成”的原则。首先在MATLAB/Simulink中验证控制算法，然后接入CARLA或Gazebo进行场景级测试，最后通过ROS2实现多工具协同。每一步都要记录环境配置参数和测试结果，形成可追溯的仿真日志，为后续算法优化和实车部署提供依据。