1. 传感器概述

大家好，我是你们这趟CARLA实战课的老司机。今天咱们来聊聊传感器——自动驾驶仿真里最核心的“眼睛”和“耳朵”。

说实话，我刚接触CARLA那会儿，面对一堆传感器蓝图ID，头都大了。什么sensor.camera.rgb、sensor.lidar.ray_cast，看着像乱码。但用久了你会发现，这套命名规则其实挺有逻辑的。今天我就带你把它们捋清楚。

CARLA 传感器体系 📷 相机 RGB / 深度 / 语义 📡 激光雷达 射线投射 / 多通道 📻 毫米波雷达 距离 / 速度 / 角度 📍 GNSS / IMU 定位 / 姿态 🧠 场景理解 语义分割 / 光流 CARLA 传感器体系总览

1.1 传感器类型概览

CARLA支持的传感器，说白了就是两大类：视觉类和物理测量类。视觉类包括各种相机，物理测量类包括激光雷达、毫米波雷达、GNSS、IMU等。

我个人习惯把传感器按“感知维度”来分：

  • RGB相机：最直观，输出彩色图像。你想想看，人眼看到什么，它就拍到什么。
  • 深度相机：每个像素存的是距离值，不是颜色。做3D重建时特别好用。
  • 语义分割相机：给每个像素打标签——这是路、那是车、那是行人。我在做数据标注时，这玩意儿能省一半人力。
  • 实例分割相机：比语义更进一步，能区分同一类物体的不同个体。比如两辆车，它能标出“车A”和“车B”。
  • 激光雷达：发射激光束，测量反射回来的时间，生成点云。嗯，这里要注意，CARLA的激光雷达是模拟的射线投射，不是真实物理扫描。
  • 毫米波雷达：输出距离、速度、角度信息。我在项目中遇到过，雷达数据噪声大，但胜在稳定，雨雾天也不怕。
  • GNSS：全球导航卫星系统，说白了就是GPS。但仿真里它返回的是完美定位，没有真实环境里的多径效应。
  • IMU：惯性测量单元，输出加速度和角速度。做车辆动力学分析时必备。

核心要点：每种传感器都有对应的蓝图ID，格式统一为 sensor.<类型>.<子类型>。比如 sensor.camera.rgb、sensor.lidar.ray_cast。

1.2 传感器蓝图ID一览

蓝图ID是CARLA里创建传感器的“身份证”。你通过它告诉CARLA：“嘿，给我造一个RGB相机”。下面这张表是我整理的最常用传感器蓝图ID，建议收藏。

传感器类型 蓝图ID 主要用途
RGB相机 sensor.camera.rgb 视觉感知、目标检测
深度相机 sensor.camera.depth 距离估计、3D重建
语义分割相机 sensor.camera.semantic_segmentation 场景理解、数据集制作
实例分割相机 sensor.camera.instance_segmentation 个体识别、跟踪
光流相机 sensor.camera.optical_flow 运动估计、目标跟踪
激光雷达 sensor.lidar.ray_cast 点云生成、障碍物检测
毫米波雷达 sensor.other.radar 距离速度测量、自适应巡航
GNSS sensor.other.gnss 全局定位
IMU sensor.other.imu 姿态估计、惯性导航
障碍物检测 sensor.other.obstacle 碰撞预警、路径规划

小技巧：如果你不确定当前CARLA版本支持哪些传感器，可以在Python里运行 blueprint_library.filter('sensor.*') 来列出所有传感器蓝图。我每次换版本都会跑一遍这个命令，确保没遗漏。

1.3 传感器属性概览

每个传感器蓝图都有一堆属性可以配置。说白了，就是调参。你调得好，数据质量就高；调得不好，后面算法全白搭。

我挑几个最常用的传感器，说说它们的核心属性。

1.3.1 相机类属性

  • image_size_x / image_size_y：图像宽高，单位像素。常用的是1920x1080，但如果你做实时仿真，建议降到1280x720，帧率能翻倍。
  • fov：视场角，单位度。默认90°，但做环视系统时，我习惯用120°的鱼眼效果。
  • sensor_tick：采集间隔，单位秒。0.1表示每秒10帧。注意，不是设得越小越好，CPU扛不住。
  • lens_circle_falloff：镜头边缘衰减。做鱼眼模拟时这个参数很关键。

1.3.2 激光雷达属性

  • channels：激光线束数量。16线、32线、64线、128线。线束越多，点云越密，但计算量也越大。我在项目中用过64线，效果不错。
  • range：最大探测距离，单位米。一般设100米，高速场景建议200米。
  • points_per_second：每秒点数。这个值决定了点云密度。默认56000，但如果你想要高精度，可以调到100000以上。
  • rotation_frequency：旋转频率，单位Hz。10Hz是常规设置，20Hz适合高速场景。
  • upper_fov / lower_fov：垂直视场角。一般设-30°到+10°，覆盖地面到前方。

1.3.3 毫米波雷达属性

  • horizontal_fov：水平视场角，单位度。默认30°，但做多目标跟踪时，我建议设到60°。
  • vertical_fov：垂直视场角，单位度。一般6°左右。
  • range：探测距离，单位米。100米是常规值。
  • points_per_second：每秒输出点数。雷达点数比激光雷达少得多，但胜在直接输出速度信息。

避坑指南：我曾经在调激光雷达参数时，把 points_per_second 设得过高，结果仿真直接卡死。后来发现，这个值要和你的硬件性能匹配。建议先从默认值开始，逐步往上调，找到平衡点。

1.4 如何创建传感器实例

光说不练假把式。咱们来看看怎么在CARLA里创建一个传感器。下面这段代码，我习惯把它放在脚本开头，作为“传感器工厂”。

import carla

# 连接到CARLA服务器
client = carla.Client('localhost', 2000)
world = client.get_world()

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

# 创建RGB相机蓝图
camera_bp = blueprint_library.find('sensor.camera.rgb')

# 修改属性
camera_bp.set_attribute('image_size_x', '1280')
camera_bp.set_attribute('image_size_y', '720')
camera_bp.set_attribute('fov', '90')
camera_bp.set_attribute('sensor_tick', '0.1')

# 创建激光雷达蓝图
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('channels', '64')
lidar_bp.set_attribute('range', '100')
lidar_bp.set_attribute('points_per_second', '100000')
lidar_bp.set_attribute('rotation_frequency', '10')
lidar_bp.set_attribute('upper_fov', '10')
lidar_bp.set_attribute('lower_fov', '-30')

print("传感器蓝图创建完成，准备挂载到车辆上...")

你看，代码其实不复杂。关键是理解每个属性的含义，以及它们对数据质量的影响。

经验之谈：我个人习惯在创建传感器后，先打印一下它的所有属性，确认设置正确。用 print(camera_bp.get_attributes()) 就能看到完整的属性列表。这个小习惯帮我避免过好几次低级错误。

1.5 传感器挂载与数据采集

传感器创建好了，得挂到车上才能用。CARLA里通过 spawn_actor 和 attach_to 来实现。你可以指定挂载的相对位置和旋转角度。

# 获取一辆车
vehicle_bp = blueprint_library.filter('vehicle.*')[0]
spawn_point = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

# 挂载相机到车辆前挡风玻璃位置
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

# 挂载激光雷达到车顶
lidar_transform = carla.Transform(carla.Location(x=0, z=2.5))
lidar = world.spawn_actor(lidar_bp, lidar_transform, attach_to=vehicle)

print("传感器已挂载，开始监听数据...")

挂载位置很关键。你想想看，相机装在车顶和装在保险杠上，看到的画面完全不同。做数据录制时，一定要保持传感器位置的一致性，否则训练出来的模型会“水土不服”。

小建议：如果你做多传感器融合，建议把所有传感器都挂载到同一个参考坐标系下。我一般以车辆后轴中心为原点，这样标定起来方便。

1.6 本章小结

好了，传感器概述就聊到这儿。我们梳理了CARLA支持的传感器类型、蓝图ID的命名规则、核心属性配置，以及如何创建和挂载传感器。

说白了，传感器就是自动驾驶仿真的“感官”。你配置得越精细，采集到的数据就越真实，后续的算法训练效果也就越好。下一章我们会深入每种传感器的数据格式和回调函数处理，到时候再细聊。

记住一句话：传感器配置没有银弹，只有不断试错和调优。我在这个坑里爬过很多次，希望你能少走弯路。

← 上一章 📖 返回目录 下一章 →