📚 课程目录第1章课程导学与环境搭建

1. 课程导学与环境搭建

大家好，我是你们这门课的主讲。在自动驾驶这个行当摸爬滚打了快十年，踩过的坑比走过的路还多。今天咱们开始第一讲——说白了，就是先把家伙事儿备齐了。

你可能会问：为什么非得用CARLA？我直接用真实数据不行吗？嗯，这个问题我当年也纠结过。真实数据当然好，但成本太高了。一次路测下来，油钱、人工、设备损耗，再加上各种审批流程，折腾一天可能就采集了几百帧数据。而在CARLA里，你可以在十分钟内模拟出各种极端场景——暴雨、夜晚、突然窜出的行人。我个人习惯是先用仿真把算法跑通，再去实车验证，效率能翻好几倍。

1.1 CARLA模拟器简介

CARLA是个开源的自动驾驶仿真平台。它基于Unreal Engine 4开发，画面效果相当不错。你想想看，它能提供什么？

高保真视觉渲染：光照、天气、路面材质都模拟得很真实
灵活的传感器套件：摄像头、激光雷达、毫米波雷达、GPS/IMU，想装几个装几个
交通流模拟：可以生成各种车辆和行人，模拟真实交通场景
Python API：这是咱们的重点，通过Python就能控制整个仿真世界

我记得2019年刚接触CARLA时，它才到0.9.6版本。那时候文档少，社区也不大，遇到问题只能自己翻源码。现在好多了，0.9.14版本已经相当成熟，社区也很活跃。

核心观点：感知算法验证不能只靠真实数据。仿真环境能让你低成本、高效率地测试算法在各种极端条件下的表现。说白了，就是让你的算法在"温室"里先长结实了，再放到"野外"去历练。

1.2 感知算法验证的意义

做感知算法的人都知道，模型在训练集上跑得再好，到了新场景也可能翻车。为什么会这样？因为真实世界的分布太复杂了——光照变化、天气影响、传感器噪声、遮挡物，这些因素排列组合起来，你的模型根本没见过。

我曾经在一个项目中，把目标检测模型在KITTI数据集上训到了90%以上的mAP。结果一上路，遇到个逆光场景，模型直接漏检了前方停着的卡车。差点出事。从那以后，我特别重视在仿真环境里做充分的验证。

用CARLA做感知验证，有几个实实在在的好处：

可控性：你可以精确控制天气、光照、交通密度，复现特定场景
可重复性：同样的场景可以跑一百遍，确保算法表现稳定
安全性：在仿真里撞车不花钱，不伤人
效率：一天能跑几千个场景，实车测试根本做不到

1.3 课程目标与学习路径

这门课的目标很明确：让你能独立在CARLA上搭建感知算法验证流程。具体来说，学完这门课，你应该能：

熟练安装和配置CARLA 0.9.14
用Python API控制车辆、传感器和场景
部署目标检测、语义分割、深度估计等感知算法
设计自动化验证流程，评估算法性能
分析仿真结果，定位算法缺陷

学习路径我建议这样走：先搭环境，再学API基础，然后逐步深入到具体算法验证。别急着跳步，我见过太多人一上来就想跑复杂的多传感器融合，结果环境都没配好，折腾两天放弃了。

我的建议：每学完一章，一定要动手实践。光看不练，等于白学。代码这东西，写一遍和看一遍，效果天差地别。

1.4 Windows/Linux双系统环境配置

说到环境配置，这可是个老大难问题。我当年第一次装CARLA，在Windows上折腾了整整一天，各种依赖缺失、版本冲突。后来换了Linux，半小时搞定。所以我的建议是：能用Linux就别用Windows。

但考虑到很多同学可能只有Windows电脑，咱们两种系统都讲。

Windows系统配置

操作系统：Windows 10/11 64位
CPU：Intel Core i5以上或AMD Ryzen 5以上
内存：16GB以上（我建议32GB）
显卡：NVIDIA GTX 1060以上，6GB显存
硬盘：至少50GB空闲空间
Python：3.7或3.8版本

Linux系统配置（推荐）

操作系统：Ubuntu 20.04或22.04
CPU：Intel Core i5以上
内存：16GB以上
显卡：NVIDIA GTX 1060以上
硬盘：至少50GB空闲空间
Python：3.7或3.8版本

注意：如果你用Windows，一定要确保显卡驱动是最新的。我曾经遇到过因为驱动版本太旧，CARLA启动后画面全是花屏的情况。更新驱动后就好了。

1.5 CARLA 0.9.14安装与启动

好，咱们开始动手。安装CARLA 0.9.14其实不复杂，但有几个坑要注意。

下载与解压

去CARLA官网的GitHub Release页面下载0.9.14版本的压缩包。Windows用户下载 .zip 文件，Linux用户下载 .tar.gz 文件。下载后解压到你想放的目录，比如 D:\CARLA_0.9.14 或 /home/yourname/CARLA_0.9.14。

启动CARLA服务器

打开终端（Windows用命令提示符或PowerShell），进入CARLA目录，运行：

# Windows
CarlaUE4.exe

# Linux
./CarlaUE4.sh

第一次启动可能会慢一些，因为要加载各种资源。看到出现一个3D城市画面，就说明启动成功了。

小技巧：启动时可以加一些参数，比如 CarlaUE4.exe -quality-level=Low 可以降低画质，提高运行速度。如果你的显卡不太给力，这个参数很管用。

常见问题

启动时如果报错，多半是显卡驱动或依赖库的问题。我遇到过最坑的一次，是在Ubuntu上缺少了 libomp5 库，CARLA直接崩溃。解决办法很简单：

sudo apt-get install libomp5

1.6 Python API客户端配置

CARLA服务器跑起来了，咱们还需要一个客户端来跟它通信。这个客户端就是用Python写的。

安装Python依赖

CARLA自带了Python API的安装包，在 PythonAPI/carla/dist/ 目录下。找到对应你Python版本的 .egg 或 .whl 文件，用pip安装：

# 进入CARLA目录
cd PythonAPI/carla/dist

# 安装carla包（以Python 3.7为例）
pip install carla-0.9.14-cp37-cp37m-win_amd64.whl   # Windows
pip install carla-0.9.14-cp37-cp37m-linux_x86_64.whl  # Linux

测试连接

安装完成后，写个简单的Python脚本来测试：

import carla
import random

# 连接到CARLA服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)

# 获取世界对象
world = client.get_world()

# 获取所有蓝图
blueprint_library = world.get_blueprint_library()

# 生成一辆车
vehicle_bp = blueprint_library.filter('vehicle.*')[0]
spawn_point = random.choice(world.get_map().get_spawn_points())
vehicle = world.spawn_actor(vehicle_bp, spawn_point)

print(f"车辆已生成，ID: {vehicle.id}")

# 让车辆动起来
vehicle.set_autopilot(True)

# 等5秒
import time
time.sleep(5)

# 清理
vehicle.destroy()
print("测试完成")

如果运行后看到"车辆已生成"和"测试完成"的打印信息，说明环境配置成功了。

重要提醒：一定要先启动CARLA服务器，再运行Python客户端。顺序反了会报连接超时。我刚开始学的时候就犯过这个错，还以为是代码写错了。

知识体系总览

下面这张图展示了本章的核心知识结构，你可以对照着检查自己是否都掌握了：

这张图把本章的内容串起来了。从CARLA是什么，到为什么要用它做验证，再到具体怎么搭环境，最后用Python API跑通第一个示例。每一步都是环环相扣的。

好了，环境搭好了，代码也跑通了。接下来你就可以开始真正探索CARLA的世界了。记住，动手实践是最好的学习方式。遇到问题别慌，先看看日志，再查查文档，实在不行去社区问问。我当年就是这么过来的。

可可精品资料库