3. ScenarioRunner概述
在CARLA自动驾驶仿真生态中，ScenarioRunner是一个承上启下的关键组件。它并不负责渲染三维世界，也不直接控制车辆动力学，而是把"场景描述"翻译成"可执行的仿真动作"，并在仿真过程中持续判断场景是否成功、失败或超时。理解ScenarioRunner的定位，是后续编写自定义场景、搭建自动测试流水线的前提。
一、ScenarioRunner的定位
ScenarioRunner是CARLA官方提供的场景执行引擎，位于CARLA服务端与测试用例之间。它读取用Python定义的场景脚本，调用CARLA的Python API完成车辆生成、行为控制、传感器读取和事件判定，最终输出每个场景的通过/失败结果。可以把它理解为"仿真世界里的测试运行器"：CARLA提供舞台和演员，ScenarioRunner负责导演剧本并记录演出是否达标。
它的核心价值在于把零散的API调用封装为可复用的场景抽象，使测试人员不必从零编写车辆控制逻辑，而只需关注"什么条件下发生什么、判定标准是什么"。
二、发展历史与与CARLA的关系
ScenarioRunner最初作为CARLA的配套工具随CARLA 0.8.x发布，早期仅支持少量预设场景。随着CARLA 0.9.x系列迭代，它逐步引入OpenSCENARIO解析、原子行为（Atomic Behavior）、行为树（Behavior Tree）和PythonAPI自定义场景等能力。CARLA 0.9.9之后，ScenarioRunner独立为单独仓库，版本号与CARLA主版本解耦，但仍保持紧密兼容。
两者的关系可以概括为：CARLA是仿真内核，ScenarioRunner是场景层。ScenarioRunner依赖CARLA的Python API，必须与CARLA服务端版本匹配；CARLA升级可能改变API签名，因此ScenarioRunner通常需要同步更新。下表对比了两者的职责边界。
| 维度 | CARLA | ScenarioRunner |
|---|---|---|
| 核心职责 | 三维渲染、物理仿真、传感器模拟 | 场景编排、行为执行、结果判定 |
| 输入 | 地图、车辆、传感器配置 | 场景脚本、OpenSCENARIO文件 |
| 输出 | 仿真世界状态、传感器数据 | 场景通过/失败、日志、判据结果 |
| 接口 | C++/Python API、ROS bridge | Python API、命令行入口 |
| 版本关系 | 主版本决定API | 需与CARLA版本兼容 |
三、核心功能
ScenarioRunner的功能围绕"场景生命周期"展开，主要包括以下几类：
- 场景加载与解析：支持Python自定义场景和OpenSCENARIO 1.x文件，将场景描述转换为内部行为树。
- 参与者管理：按场景要求生成ego车辆、NPC车辆、行人、静态障碍物，并配置传感器。
- 行为执行：提供原子行为如LaneChange、Accelerate、FollowLeadingVehicle、Turn等，可组合成复杂行为序列。
- 触发与判定：通过Trigger条件（距离、时间、速度、碰撞）启动行为，通过Criterion（到达目标、无碰撞、超时）判定结果。
- 结果输出：生成JSON/XML格式的测试报告，记录每个场景的判据状态和关键事件。
下面是一个典型的场景脚本片段，展示ego车辆在路口等待后左转的基本结构：
class LeftTurnAtJunction(AtomicBehavior):
def __init__(self, ego_vehicle, junction, duration=10):
super().__init__("LeftTurn", ego_vehicle, duration=duration)
self._junction = junction
def run(self):
# 等待触发条件：ego进入路口范围
while not self._junction.contains(self._ego.get_location()):
self._ego.apply_control(carla.VehicleControl(brake=1.0))
yield
# 执行左转行为
self._ego.apply_control(carla.VehicleControl(throttle=0.4, steer=-0.5))
yield
四、典型应用场景
ScenarioRunner被广泛用于以下测试任务：
- 法规符合性测试：如Euro NCAP的AEB、LKA场景，验证车辆在标准工况下的表现。
- 边缘场景回归：把事故复现、cut-in、鬼探头等危险场景固化为脚本，每次代码更新后自动回归。
- 算法对比：同一场景下运行不同感知/规划算法，比较通过率和接管次数。
- 大规模参数扫描：通过修改场景参数（车速、距离、天气）批量生成测试用例。
五、常见误区与复盘
初学者容易把ScenarioRunner当成"自动驾驶算法"或"仿真器本身"，实际上它只是测试执行框架。另一个常见误区是忽略版本匹配：CARLA升级后未同步更新ScenarioRunner，常导致API调用失败或场景行为异常。建议在项目初期就固定CARLA与ScenarioRunner的版本组合，并纳入依赖管理。
下图展示了ScenarioRunner在CARLA仿真栈中的位置及其与场景脚本、CARLA API、测试报告之间的数据流关系。