3. 仿真平台概述

自动驾驶系统的开发与验证高度依赖仿真平台，其核心价值在于以可控成本、可重复场景和可量化指标，在虚拟环境中完成感知、决策、规划与控制算法的迭代。当前主流平台各具技术基因：CARLA基于Unreal Engine构建高保真视觉环境，SUMO专注微观交通流建模，LGSVL（现为LG SVL）强调与自动驾驶软件栈的深度集成，AirSim则依托Unreal引擎提供无人机与车辆跨模态支持。选型并非简单功能罗列，而是需要结合团队技术栈、算法验证目标、硬件在环（HIL）需求以及场景复杂度进行系统权衡。本章将建立一套从底层架构到业务场景的对比框架，并给出可执行的选型决策路径。

上图展示了选型决策的核心框架：四个平台分别占据不同技术生态位，而实际工程中往往需要组合使用。例如，感知算法开发依赖CARLA的高质量图像渲染，而交通流压力测试则需要SUMO提供大规模车辆行为模型。下面从核心原理、对比方法、实战案例和常见误区四个维度展开。

3.1 核心原理：各平台技术架构与适用边界

理解平台差异的关键在于其底层架构设计。CARLA采用客户端-服务器架构，服务器端运行Unreal Engine 4模拟物理世界与传感器渲染，客户端通过Python API控制场景、车辆和传感器。其传感器模型包括RGB相机、深度相机、激光雷达（Lidar）、毫米波雷达和GPS/IMU，支持动态光照和天气系统。SUMO则是一个离散时间步长的微观交通仿真器，车辆运动基于跟驰模型（如IDM）和换道模型（如MOBIL），路网数据可导入OpenStreetMap或自定义XML，但不提供任何视觉传感器输出。LGSVL基于Unity引擎，其最大特点是提供与Apollo和Autoware等自动驾驶操作系统的原生接口，支持Rosbag回放和场景编辑器。AirSim由微软开发，基于Unreal引擎，提供车辆与无人机统一仿真环境，其物理引擎支持多旋翼动力学模型，但车辆动力学模型相对简化。

3.2 判断方法：基于需求的选型评估流程

选型决策应遵循“需求倒推”原则，而非“工具导向”。具体操作流程如下：

1. 明确算法验证目标：是验证感知模型（目标检测、分割）还是决策规划（路径规划、行为预测）？感知验证需要高保真视觉与传感器噪声模型，决策规划更关注交通流交互与场景逻辑。
2. 评估传感器需求：列出算法所需的传感器类型、数量、安装位置和噪声特性。CARLA的Lidar仿真支持射线追踪，可模拟多回波；AirSim的相机模型支持畸变和曝光控制，但物理精度略逊于CARLA。
3. 分析场景复杂度：需要模拟城市交叉口、高速公路匝道还是极端天气？CARLA提供丰富的内置地图和场景编辑器，支持行人、自行车等动态元素；SUMO适合大规模路网（数千辆车）的交通流压力测试，但无法提供视觉反馈。
4. 检查实时性要求：若用于HIL测试，需要平台支持实时运行。CARLA在低画质下可达到10-20 FPS，但高保真渲染会显著降低帧率；SUMO的仿真速度远高于实时，适合批量场景运行。
5. 评估团队技术栈：如果团队熟悉Python和ROS，CARLA和LGSVL的ROS Bridge更友好；如果已有Apollo框架，LGSVL的集成度最高。
6. 计算总体成本：包括硬件GPU成本、场景开发时间、维护成本。CARLA和AirSim需要高性能GPU（建议NVIDIA RTX 3060以上），SUMO仅需CPU即可运行大规模仿真。

3.3 案例拆解：多平台联合仿真在高速公路匝道汇入场景中的应用

某自动驾驶初创公司需要验证其高速公路匝道汇入算法，该算法依赖毫米波雷达和前置摄像头融合感知，并需要应对密集交通流下的博弈决策。团队最初选择CARLA作为唯一平台，但发现两个问题：一是CARLA内置交通流模型无法模拟匝道汇入时的车辆博弈行为（如后方车辆加速不让行）；二是大规模交通流（超过50辆车）时渲染帧率下降至8 FPS，影响算法实时性验证。

关键输入数据与约束：算法要求传感器更新频率为20 Hz，场景持续时间为120秒，交通流密度为每公里60辆车，匝道汇入区域长度为200米。团队决定采用CARLA+SUMO联合仿真方案：CARLA负责视觉与雷达传感器仿真，SUMO负责交通流逻辑与车辆行为决策。

实施步骤：

1. 在SUMO中构建高速公路匝道路网，定义车辆类型（轿车、卡车）、跟驰模型参数（最小间距2.5米，最大加速度1.5 m/s²）和换道模型（协作式换道）。
2. 通过TraCI接口实时控制SUMO中每辆车的速度与位置，并将车辆状态同步至CARLA中的对应Actor。
3. 在CARLA中配置毫米波雷达（频率77 GHz，视场角±60°，距离分辨率0.5米）和RGB相机（分辨率1920x1080，FOV 90°）。
4. 编写Python脚本实现CARLA与SUMO的时间同步：以0.05秒为步长，先更新SUMO交通流，再更新CARLA传感器数据。

结果对比：联合仿真方案将交通流密度提升至80辆车，帧率稳定在15 FPS（CARLA低画质模式），算法成功识别出3次后方车辆加速不让行的博弈场景，而单一CARLA方案仅识别出1次。联合仿真还暴露了算法在密集交通流下的预测延迟问题（平均预测误差增加0.3秒），团队据此优化了轨迹预测模块。

风险与代价：联合仿真增加了系统复杂度，需要维护两套平台的版本兼容性（CARLA 0.9.13与SUMO 1.14.0），且时间同步误差控制在±5毫秒内，否则会导致传感器数据与车辆位置不匹配。团队额外投入了2人周的开发时间用于编写同步桥接模块。

3.4 常见误区与总结复盘

选型过程中，工程师常陷入以下误区：

• 误区一：追求“全能平台”。试图用一个平台解决所有问题，导致在交通流建模或传感器保真度上妥协。正确做法是接受“平台各有短板”，通过联合仿真或外部工具弥补。
• 误区二：忽略传感器噪声模型。CARLA和AirSim的传感器输出是理想化的，实际雷达存在多径效应和杂波，相机存在运动模糊和曝光延迟。若算法对噪声敏感，需在仿真后处理阶段添加噪声模型。
• 误区三：过度依赖内置场景。内置地图和场景无法覆盖边缘案例（如施工区域、动物闯入），需要投入时间开发自定义场景。建议使用OpenDRIVE格式导入真实路网数据。
• 误区四：忽视版本兼容性。CARLA和LGSVL的API更新频繁，升级平台版本可能导致现有代码失效。建议锁定版本并建立自动化回归测试。

总结：仿真平台选型是一个“需求-能力-成本”三角权衡过程。对于以感知算法为主的团队，CARLA是首选；对于以决策规划为主且需要大规模交通流验证的团队，SUMO是必要补充；LGSVL适合已有Apollo/Autoware软件栈的团队；AirSim则适合跨模态研究（如无人机+车辆协同）。最终方案往往不是单一平台，而是以CARLA或LGSVL为核心，SUMO为交通流引擎，再辅以自研场景编辑器的组合架构。建议团队在项目启动初期就建立平台评估矩阵，将算法需求、传感器配置、场景复杂度、实时性要求和团队技能纳入评分体系，避免后期迁移成本。