二、CARLA安装与配置：支持的操作系统与硬件要求、源码编译与预编译包安装、Python环境配置、常见安装问题排查
CARLA作为一款开源的自动驾驶仿真平台，其安装与配置的成败直接决定了后续开发工作的效率与体验。许多初学者在第一步就遭遇挫折，往往是因为对系统兼容性、硬件瓶颈或Python环境管理缺乏系统性认知。本章将围绕“操作系统与硬件选型”、“两种安装路径（预编译包与源码编译）”、“Python环境隔离”以及“高频故障排查”四个核心模块展开，帮助你建立一套可复用的安装决策框架。下图展示了CARLA安装与配置的整体决策链路，从硬件评估到最终验证，每个环节都相互关联。
在开始安装之前，请务必理解CARLA的双进程架构：CARLA服务器（负责仿真渲染与物理计算）和CARLA客户端（通过Python API控制仿真）。这种架构决定了安装过程需要同时关注底层图形依赖与上层Python接口的匹配。下面我们逐一深入每个环节。
2.1 支持的操作系统与硬件要求：选对土壤才能生根发芽
核心原理：为什么CARLA对硬件如此敏感？
CARLA基于Unreal Engine 4构建，其渲染管线、物理引擎（PhysX）和传感器模拟（如LiDAR、摄像头）都需要消耗大量计算资源。尤其是GPU，不仅承担画面渲染，还负责CUDA加速的深度学习推理（如语义分割）。因此，硬件配置不是“够用就好”，而是“下限决定体验”。
| 组件 | 最低要求 | 推荐配置 | 说明 |
|---|---|---|---|
| 操作系统 | Ubuntu 18.04 / Windows 10 | Ubuntu 20.04 / 22.04 | Ubuntu对CUDA支持更友好，Windows需额外配置WSL2 |
| GPU | NVIDIA GTX 1060 6GB | RTX 3060 Ti 8GB 或更高 | 显存决定纹理加载与多传感器并发能力 |
| CPU | 4核8线程 | 8核16线程 | 物理计算与AI代理（如交通流）依赖CPU |
| 内存 | 16GB DDR4 | 32GB DDR5 | 加载大型地图（如Town10）时内存占用可超20GB |
| 磁盘 | 30GB HDD | 50GB NVMe SSD | SSD可缩短启动时间50%以上 |
| 网络 | — | 千兆以太网 | 多机分布式仿真时必需 |
判断方法：三步评估你的机器
- 检查GPU驱动：在终端运行
nvidia-smi，确认驱动版本≥470，且CUDA版本≥11.0。 - 测试OpenGL支持：运行
glxinfo | grep "OpenGL version"，CARLA需要OpenGL 4.5以上。 - 磁盘空间预估：CARLA本体约20GB，加上Python环境与缓存，建议预留40GB。
案例拆解：一次因硬件误判导致的安装失败
某学员使用一台配备GTX 1650（4GB显存）的笔记本，在安装时选择“高画质”模式，结果启动后立即崩溃，报错Out of video memory。分析发现，4GB显存仅能勉强运行Town01地图，且无法同时开启摄像头与LiDAR。解决方案是：在settings.ini中将quality_level改为Low，并将分辨率降至1280x720。调整后仿真流畅运行，但传感器数据延迟增加约15ms。此案例说明，硬件评估不能只看“能否启动”，还要考虑后续开发所需的传感器并发能力。
2.2 源码编译与预编译包安装：两条路径的权衡艺术
核心原理：两种安装方式的本质区别
预编译包是官方编译好的二进制文件，解压即用，适合快速上手；源码编译则从GitHub拉取源码，通过CMake和Makefile自行构建，适合需要修改引擎源码或定制传感器模型的进阶用户。两者的依赖管理逻辑完全不同：预编译包自带依赖，而源码编译需要手动安装所有依赖库。
| 对比维度 | 预编译包 | 源码编译 |
|---|---|---|
| 安装时间 | 5-10分钟 | 2-4小时（取决于CPU性能） |
| 依赖管理 | 自动包含 | 需手动安装（如Protobuf、Boost、LibXml2） |
| 版本更新 | 滞后于源码 | 实时同步最新提交 |
| 定制能力 | 无法修改C++代码 | 可修改传感器模型、物理参数 |
| 稳定性 | 高（经过官方测试） | 中（可能存在编译期警告） |
操作流程：预编译包安装（推荐初学者）
# 1. 下载CARLA压缩包（以0.9.15为例）
wget https://carla-releases.s3.us-east-005.backblazeb2.com/Linux/CARLA_0.9.15.tar.gz
# 2. 解压到指定目录
mkdir -p ~/carla && tar -xzf CARLA_0.9.15.tar.gz -C ~/carla
# 3. 下载额外地图包（可选）
wget https://carla-releases.s3.us-east-005.backblazeb2.com/Linux/AdditionalMaps_0.9.15.tar.gz
tar -xzf AdditionalMaps_0.9.15.tar.gz -C ~/carla
# 4. 启动服务器
cd ~/carla && ./CarlaUE4.sh -quality-level=Low.exe版本，并确保安装Visual C++ Redistributable 2019。若启动时提示缺少DLL，请安装DirectX 12运行库。
操作流程：源码编译（进阶用户）
# 1. 克隆源码
git clone --depth 1 -b 0.9.15 https://github.com/carla-simulator/carla.git
cd carla
# 2. 安装依赖（Ubuntu 20.04）
./Setup.sh
# 3. 编译客户端库
make PythonAPI
# 4. 编译服务器端
make launch
# 5. 设置环境变量
export CARLA_ROOT=$(pwd)
export PYTHONPATH=$CARLA_ROOT/PythonAPI/carla/dist:$CARLA_ROOT/PythonAPI/carlac++: internal compiler error，通常是内存不足，请关闭其他应用或增加Swap空间。
案例拆解：源码编译中的依赖冲突
一位学员在Ubuntu 22.04上编译CARLA 0.9.13时，遇到Protobuf version mismatch错误。原因是系统自带的Protobuf 3.21与CARLA要求的3.6不兼容。解决过程：首先使用pip uninstall protobuf卸载Python版本，然后通过apt install libprotobuf-dev=3.6.1安装指定版本，最后重新运行make PythonAPI。整个过程耗时40分钟，但编译成功后，该学员成功修改了LiDAR的射线数量参数，实现了自定义传感器配置。此案例表明，源码编译的价值在于深度定制，但代价是必须熟悉Linux包管理机制。
2.3 Python环境配置：隔离是避免灾难的唯一法则
核心原理：为什么必须使用虚拟环境？
CARLA的Python API依赖特定版本的numpy、Pygame和Pillow。如果直接使用系统Python，很可能与TensorFlow或PyTorch等其他框架产生版本冲突。Conda或venv可以创建独立的环境，确保CARLA依赖与其他项目互不干扰。
# 创建Conda环境
conda create -n carla_env python=3.8
conda activate carla_env
# 安装CARLA客户端库（两种方式任选）
# 方式一：pip安装（推荐）
pip install carla==0.9.15
# 方式二：使用egg文件（需先找到对应文件）
cd ~/carla/PythonAPI/carla/dist
pip install carla-0.9.15-py3.8-linux-x86_64.eggRPC connection failed错误。
判断方法：验证Python环境是否就绪
- 在Conda环境中运行
python -c "import carla; print(carla.__version__)"，应输出0.9.15。 - 启动CARLA服务器后，运行
python -c "import carla; client = carla.Client('localhost', 2000); print(client.get_server_version())"，确认客户端与服务器版本一致。 - 若提示
ModuleNotFoundError，检查PYTHONPATH是否包含carla/dist目录。
实战场景：多版本CARLA共存
某团队同时维护0.9.12和0.9.15两个项目。他们创建了两个Conda环境：carla_912和carla_915，并在各自的site-packages中安装对应版本的carla库。切换项目时只需conda activate对应环境，无需修改系统路径。这种做法的代价是磁盘占用增加约2GB，但避免了反复卸载安装的麻烦。
2.4 常见安装问题排查：从报错到解决的系统化思维
核心原理：CARLA错误日志的解读逻辑
CARLA的报错信息通常分为三类：启动类错误（服务器无法启动）、连接类错误（客户端无法连接服务器）、运行类错误（仿真中途崩溃）。每类错误的排查路径不同，但核心原则是：先检查日志文件，再检查环境变量，最后检查硬件状态。
| 错误现象 | 可能原因 | 排查命令/方法 | 解决方案 |
|---|---|---|---|
| 启动时黑屏闪退 | GPU驱动不兼容 | nvidia-smi检查驱动 | 更新驱动至≥470 |
| 端口2000被占用 | 其他仿真程序占用 | lsof -i:2000 | 修改CARLA端口或关闭冲突进程 |
| Python API导入失败 | PYTHONPATH未设置 | echo $PYTHONPATH | 添加carla/dist路径 |
| 显存不足崩溃 | 画质设置过高 | 查看Log.txt中的Out of memory | 降低-quality-level |
| 传感器数据延迟高 | CPU瓶颈 | top查看CPU占用 | 减少AI代理数量 |
操作流程：标准排障五步法
- 复现问题：记录完整的操作步骤和报错截图。
- 查看日志：CARLA的日志位于
~/carla/Log.txt，关注FATAL和ERROR级别信息。 - 检查环境：运行
python -c "import carla"和nvidia-smi确认基础环境。 - 最小化测试：使用官方示例脚本
PythonAPI/examples/spawn_npc.py测试基本功能。 - 逐步回退：若问题出现在修改配置后，回退到默认设置再测试。
案例拆解：一次典型的“客户端-服务器版本不匹配”排障
一位学员在运行manual_control.py时，报错RuntimeError: version mismatch。排查过程：首先检查服务器版本（0.9.15），然后检查客户端库版本（0.9.14），确认不匹配。进一步分析发现，该学员在Conda环境中执行了pip install carla，但该命令默认安装了最新版（0.9.15），而服务器是旧版。解决方法是：pip install carla==0.9.14，重新启动后问题解决。此案例的教训是：安装前务必确认服务器版本号，可通过./CarlaUE4.sh --version查看。
总结复盘：安装配置的黄金法则
- 硬件评估先行：不要跳过GPU和内存检查，否则后续问题会层出不穷。
- 版本一致性是生命线：服务器、客户端库、Python版本三者必须严格对应。
- 虚拟环境是安：永远不要在系统Python中直接安装CARLA。
- 日志是唯一真相：遇到问题先看
Log.txt，不要盲目猜测。 - 渐进式验证：从
spawn_npc.py开始测试，再逐步增加复杂度。