4、仿真环境搭建：安装配置主流仿真器、场景创建、天气与光照条件设置、动态物体与交通流模拟
仿真环境是数据流水线的“数据源头工厂”。在真实世界中采集数据成本高、场景覆盖难、极端天气不可控，而仿真器能够以可重复、可编排、低成本的方式生成海量带标注的传感器数据。本章聚焦于仿真环境搭建的四个核心环节：仿真器选型与安装、场景构建、天气与光照系统、动态物体与交通流模拟。我们将以CARLA和SUMO为例，讲解从零搭建一套可用于数据采集的仿真流水线，并深入讨论参数配置、脚本化控制与数据导出的工程实践。
上图展示了仿真环境搭建的整体链路。仿真器作为核心，向下驱动场景、天气、动态物体三个子模块，向上输出多模态传感器数据，并同步生成标注信息。在实际工程中，我们需要通过Python API或ROS接口将这四个模块串联起来，形成可配置、可复现的数据生成流水线。
4.1 仿真器选型与安装配置
核心原理：主流开源仿真器各有侧重。CARLA（Car Learning to Act）基于Unreal Engine 4，提供高保真度的传感器渲染和丰富的场景编辑能力，适合视觉感知数据采集；SUMO（Simulation of Urban MObility）专注于微观交通流仿真，擅长大规模路网和车辆行为建模，但不提供传感器渲染；AirSim基于Unreal Engine，支持无人机和汽车，但生态相对封闭。在数据流水线中，通常采用CARLA+SUMO协同方案：CARLA负责传感器数据生成，SUMO负责交通流逻辑，通过Co-Simulation桥接。
安装配置流程：
- 环境准备：Ubuntu 20.04/22.04，NVIDIA GPU（建议RTX 3060以上），CUDA 11.6+，Python 3.8+。
- CARLA安装：下载CARLA 0.9.15压缩包（约20GB），解压后运行
./CarlaUE4.sh启动服务端。客户端通过pip安装carla库。 - SUMO安装：
sudo apt install sumo sumo-tools，或从源码编译以获取最新功能。 - 协同配置：安装
carla-sumo桥接包，配置路网文件映射和端口通信（默认端口2000）。
# 启动CARLA服务端（带地图和渲染）
./CarlaUE4.sh -quality-level=Epic -carla-rpc-port=2000 -carla-streaming-port=3000
# 启动SUMO协同仿真
python3 run_synchronization.py -c carla_sumo_config.json案例拆解：某自动驾驶公司需要生成夜间雨天场景下的行人横穿马路数据。初始方案仅使用CARLA内置交通流，但发现车辆行为过于随机，无法模拟真实交通流中的跟车和变道逻辑。引入SUMO后，通过定义路网文件（.net.xml）和交通需求（.rou.xml），精确控制车辆出发时间、速度和路径，再通过桥接同步到CARLA中渲染。最终数据集的场景覆盖率提升了40%，且每个场景可精确复现。
4.2 场景创建：从地图到车道级细节
核心原理：场景创建是仿真数据质量的基础。CARLA提供多种内置地图（Town01-Town10），涵盖城市、乡村、高速等典型路况。但内置地图无法覆盖所有业务场景，需要自定义场景。场景创建包含三个层次：路网拓扑（Road Network）、静态物体（Static Objects）、语义标注（Semantic Annotation）。路网拓扑决定车辆可行驶区域，静态物体包括建筑、树木、交通标志，语义标注为每个物体赋予类别标签，用于后续数据标注。
场景创建操作流程：
- 地图选择与修改：使用RoadRunner（MATLAB工具）编辑路网，导出为OpenDRIVE格式（
.xodr），再导入CARLA生成可加载地图。 - 静态物体放置：通过CARLA Python API的
world.object_actor批量放置建筑、路灯、植被等，支持从Unreal Engine资产库导入自定义模型。 - 车道线/交通标志配置：在OpenDRIVE中定义车道数量、宽度、限速，CARLA会自动生成对应的车道线和标志。
- 场景变体生成：编写脚本随机扰动物体位置、数量、类型，生成多个场景变体，增加数据多样性。
| 场景元素 | 配置方式 | 数据影响 | 推荐参数 |
|---|---|---|---|
| 道路类型 | OpenDRIVE路网 | 影响车辆动力学和传感器视野 | 城市双向4车道+非机动车道 |
| 建筑密度 | API批量放置 | 影响GPS信号遮挡和视觉特征 | 高密度区50栋/km² |
| 交通标志 | API+OpenDRIVE | 影响目标检测难度 | 每路口3-5个标志 |
| 植被覆盖 | 资产库导入 | 影响LiDAR点云反射 | 行道树间距8-12m |
实战场景：构建一个“城中村”场景用于测试感知算法在狭窄道路和密集建筑下的鲁棒性。使用RoadRunner绘制不规则路网，设置3米宽车道，两侧建筑间距仅6米。通过API在道路两侧放置密集的空调外机、晾衣架等干扰物。最终生成的场景中，LiDAR点云出现大量噪点，有效检验了算法的过滤能力。
semantic_segmentation传感器可以自动输出每个像素的类别ID，但需要确保自定义物体正确配置了语义标签，否则会出现“未知类别”像素。
4.3 天气与光照条件设置
核心原理：天气和光照直接影响传感器数据的物理特性。雨天会引入雨滴噪声和路面反光，雾天降低可见距离，夜间光照不足导致图像暗部细节丢失。CARLA的天气系统基于Unreal Engine的粒子系统和光照模型，可独立控制云量、降水、风速、太阳高度角等参数。光照条件由太阳方位角、高度角和色温决定，影响阴影方向和强度。
参数配置方法：
# 设置雨天+黄昏场景
weather = carla.WeatherParameters(
cloudiness=80.0, # 云量 0-100
precipitation=60.0, # 降雨量 0-100
precipitation_deposits=50.0, # 路面积水
wind_intensity=30.0, # 风速
sun_azimuth_angle=240.0, # 太阳方位角
sun_altitude_angle=15.0, # 太阳高度角（低角度=黄昏）
fog_density=10.0, # 雾浓度
fog_distance=50.0, # 雾可见距离
wetness=60.0 # 路面湿润度
)
world.set_weather(weather)光照与天气组合策略：
- 昼夜循环：通过脚本在数据采集过程中动态改变太阳高度角，模拟从正午到黄昏的光照变化，增强模型对光照变化的鲁棒性。
- 极端天气：暴雨（降雨量90+）配合强风（风速70+），测试传感器在恶劣条件下的性能衰减。
- 雾天分级：设置雾浓度10/30/50/70，对应轻雾、中雾、重雾、浓雾，评估不同可见距离下的检测精度。
sun_altitude_angle设为-10°（模拟月夜），同时增加cloudiness至90%以散射月光；②开启street_lights属性，在关键路口放置路灯；③调整相机曝光参数（ISO、快门速度），模拟真实摄像头的自动曝光。调整后，图像亮度分布接近真实夜间场景，模型检测率从52%提升至78%。
4.4 动态物体与交通流模拟
核心原理：动态物体包括车辆、行人、骑行者、动物等，其行为模型决定了数据的真实性和多样性。CARLA内置的Autopilot模式基于Waypoint导航，行为较为简单；SUMO则提供基于跟车模型（如IDM）和换道模型（如MOBIL）的精细化交通流仿真。通过Co-Simulation，可以将SUMO的车辆状态同步到CARLA中，实现“SUMO逻辑+CARLA渲染”的分离架构。
交通流配置流程：
- 定义路网：在SUMO中导入OpenDRIVE路网，转换为
.net.xml格式。 - 生成交通需求：编写
.rou.xml文件，定义车辆类型、出发时间、路径选择概率。 - 配置信号灯：在SUMO中设置交通信号灯配时方案，CARLA会同步显示。
- 行人模拟：CARLA内置行人AI，可设置行人密度和过街行为；SUMO也支持行人仿真，但需额外配置。
- 动态物体控制：通过Python API实时控制特定车辆（如测试车辆）的轨迹，实现“脚本化场景”。
| 动态物体类型 | 仿真器 | 行为模型 | 数据采集要点 |
|---|---|---|---|
| 乘用车 | SUMO | IDM跟车+MOBIL换道 | 记录速度、加速度、航向角 |
| 行人 | CARLA | 随机游走+目标导向 | 标注Bounding Box和关键点 |
| 骑行者 | CARLA | 基于道路的轨迹 | 注意遮挡和速度突变 |
| 紧急车辆 | SUMO | 优先通行逻辑 | 测试避让算法 |
实战案例：构建一个“高峰期十字路口”场景。在SUMO中设置每小时1200辆车的流量，其中10%为大型车辆（卡车/公交），行人密度为每5分钟20人。通过桥接同步到CARLA后，在十字路口部署一个测试车辆，采集其感知数据。初始运行时发现，车辆在路口频繁急刹，原因是SUMO的跟车模型参数与CARLA的物理引擎不匹配。调整SUMO的accel和decel参数（从2.6/4.5改为1.8/3.2），并增加min_gap至2.5米后，车辆行为趋于平稳，数据质量显著提升。