1. 课程导入

在自动驾驶研发链条中，感知负责“看见世界”，规划负责“决定怎么走”，控制负责“把决定变成方向盘、油门和刹车的动作”。三者中，规划与控制直接决定车辆行为是否安全、平滑、可解释。而 CARLA 作为开源高保真仿真器，提供了城市道路、交通参与者、传感器与车辆动力学模型，是验证规划控制算法最常用的工程平台之一。本课程的目标，不是零散地讲几个 API，而是带你搭建一条可运行、可观测、可复现的规划控制闭环仿真工程链路。

一、学习目标：从“会调 API”到“会做闭环工程”

很多初学者学 CARLA 的路径是：装好环境、跑通示例、调用几个 Python 接口，然后卡在“我的算法怎么接进去”。本课程要解决的就是这个断层。学完后你应当具备四层能力：

• 环境层：能独立完成 CARLA 服务端启动、Python 客户端连接、地图与天气加载、同步模式配置。
• 接口层：能读懂并使用 CARLA 的车辆控制接口（carla.VehicleControl）、世界快照（WorldSnapshot）、传感器回调与坐标系约定。
• 算法层：能实现或接入横向控制（如纯跟踪、Stanley、LQR）与纵向控制（如 PID、速度规划），并完成轨迹跟踪。
• 工程层：能设计闭环评测指标（横向误差、速度误差、舒适度、碰撞率），并做参数标定与回归测试。

二、核心概念：闭环仿真到底“闭”在哪里

“闭环”是相对“开环”而言的。开环仿真只把一条预设轨迹喂给控制器，看输出对不对；闭环仿真则让控制输出真正作用于车辆模型，车辆运动后改变自身状态与所处场景，再反馈给规划模块，形成持续迭代。CARLA 中这条闭环的关键概念包括：

• 同步模式（synchronous mode）：让仿真时间步与客户端 tick 对齐，保证每帧数据可复现，是闭环实验的前提。
• 固定时间步（fixed_delta_seconds）：决定控制周期，例如 0.05 s 对应 20 Hz 控制频率。
• 车辆状态反馈：位置、姿态、速度、加速度、航向角，是规划与控制之间的“共同语言”。
• 参考轨迹：由全局路径规划或地图车道中心线生成，是控制器的跟踪目标。
• 控制量：油门/刹车（throttle/brake）与转向（steer），经车辆动力学模型转化为下一时刻状态。

下面这张图展示了本课程要搭建的闭环数据流与模块关系，也是后续各章节的骨架：

三、整体框架：一条主线、四个层次

本课程按“环境 → 接口 → 算法 → 工程”四层递进组织。前几章解决“跑得起来”，中间章节解决“接得进去”，后段章节解决“评得清楚”。具体主线如下：

1. 环境与接口：CARLA 安装、Python API、同步模式、坐标系与车辆控制接口。
2. 规划基础：全局路径、参考轨迹、局部轨迹生成与轨迹平滑。
3. 控制算法：横向 Pure Pursuit / Stanley / LQR，纵向 PID 与速度规划。
4. 闭环工程：评测指标、参数标定、场景回归、日志与可视化。

一个最小可运行的闭环控制循环，代码骨架大致如下：

import carla, time

client = carla.Client("localhost", 2000)
world = client.get_world()
settings = world.get_settings()
settings.synchronous_mode = True
settings.fixed_delta_seconds = 0.05   # 20 Hz 控制周期
world.apply_settings(settings)

vehicle = spawn_vehicle(world)
controller = PurePursuitController(wheelbase=2.8)

while True:
    world.tick()                       # 推进一帧
    state = get_vehicle_state(vehicle) # 位置/速度/航向
    ref_traj = planner.update(state)   # 生成参考轨迹
    control = controller.run(state, ref_traj)
    vehicle.apply_control(control)     # throttle/brake/steer

四、工程价值：为什么值得用 CARLA 做闭环

真实车辆测试成本高、风险大、场景难复现。CARLA 的价值在于把“危险场景”和“极端参数”变成可重复实验：

五、常见误区与复盘建议