4、CARLA仿真器启动与命令行工具：启动服务器、配置仿真参数、使用命令行工具管理仿真、多客户端连接与同步模式设置

CARLA 仿真器的启动与运行管理是自动驾驶算法开发的基础环节。无论是进行单机感知算法验证，还是搭建多智能体协同测试平台，理解 CARLA 服务器的启动机制、参数配置、命令行工具以及同步/异步模式的工作原理，都直接决定了仿真实验的效率和结果的可复现性。本章将围绕 CARLA 0.9.x 系列版本，深入解析从服务器启动到多客户端协同的完整链路，帮助读者建立对 CARLA 运行时架构的系统认知。

上图展示了 CARLA 仿真运行时的核心架构关系。服务器负责渲染与物理计算，客户端通过 RPC 协议与服务器通信，而同步模式则决定了客户端与服务器之间的时间推进关系。理解这张图是掌握后续所有操作的基础。

4.1 服务器启动与核心参数配置

4.1.1 启动方式与底层原理

CARLA 服务器本质上是基于 Unreal Engine 4 构建的独立可执行程序。在 Linux 系统中，启动命令为 ./CarlaUE4.sh，在 Windows 中则为 CarlaUE4.exe。服务器启动后，会完成以下初始化流程：加载选定的地图（默认 Town10HD）、初始化物理引擎（基于 PhysX）、启动 RPC 服务器监听端口（默认 2000）、启动流媒体服务器用于传输传感器数据（默认端口 3000）。

服务器进程是资源密集型应用，其渲染质量直接决定了 GPU 占用率。在无显示器的服务器环境中，可以通过 -RenderOffScreen 参数启用离屏渲染，此时服务器仍会执行渲染管线，但不会创建可见窗口，这对于远程训练集群尤为重要。

4.1.2 关键启动参数详解

4.1.3 多实例并行启动

在强化学习或数据并行采集场景中，往往需要同时运行多个 CARLA 服务器实例。此时必须为每个实例分配独立的端口号：

# 启动第一个实例（默认端口）
./CarlaUE4.sh -quality-level=Low

# 启动第二个实例（指定端口）
./CarlaUE4.sh -carla-rpc-port=2002 -carla-streaming-port=3002

# 启动第三个实例（离屏渲染）
./CarlaUE4.sh -carla-rpc-port=2004 -carla-streaming-port=3004 -RenderOffScreen

每个实例占用约 4-8 GB 显存（取决于地图复杂度），在启动前应通过 nvidia-smi 检查 GPU 可用显存。多实例并行时，建议将地图文件预加载到内存中，避免频繁的磁盘 I/O 造成启动延迟。

4.2 客户端连接与命令行工具

4.2.1 Python API 客户端连接

CARLA 提供了功能完备的 Python API，客户端连接服务器的标准方式如下：

import carla
import time

# 创建客户端并连接服务器
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)  # 设置连接超时时间（秒）

# 获取世界对象
world = client.get_world()

# 获取当前地图名称
print(f"当前地图: {world.get_map().name}")

# 获取服务器版本信息
print(f"服务器版本: {client.get_server_version()}")

连接超时设置至关重要。默认超时时间为 5 秒，但在服务器加载大型地图或首次启动时，响应时间可能超过 10 秒。建议在连接阶段设置 15-20 秒的超时时间，避免因初始化延迟导致连接失败。

4.2.2 命令行工具脚本

CARLA 安装目录下的 PythonAPI/examples 文件夹提供了多个实用工具脚本，这些脚本是理解 CARLA API 的最佳入门教材：

• config.py：地图切换与服务器配置工具。通过 python config.py -m Town05 可切换地图，--fps 20 可设置帧率。
• manual_control.py：手动驾驶控制脚本。支持键盘控制车辆，是验证传感器配置和车辆动力学的最直观工具。
• generate_traffic.py：自动生成交通流。可批量生成车辆和行人，模拟真实交通环境。
• dynamic_weather.py：动态天气控制。支持雨、雾、日落等天气效果切换。

# 终端 1：启动服务器
./CarlaUE4.sh -quality-level=Low

# 终端 2：切换地图并设置 20 FPS
python config.py -m Town05 --fps 20

# 终端 3：生成交通流
python generate_traffic.py -n 30 -w 10

4.2.3 环境变量与路径配置

在编写自定义客户端脚本时，需要确保 Python 能够找到 CARLA 的 Python API 模块。推荐在 ~/.bashrc 或 ~/.zshrc 中添加以下环境变量：

export CARLA_ROOT=/path/to/carla
export PYTHONPATH=$CARLA_ROOT/PythonAPI/carla/dist/carla-0.9.15-py3.7-linux-x86_64.egg:$CARLA_ROOT/PythonAPI/carla:$PYTHONPATH

注意：不同 CARLA 版本的 egg 文件名不同，需根据实际安装版本调整。在 Windows 系统中，使用 setx 命令设置环境变量，并确保使用与 Python 版本匹配的 egg 文件。

4.3 同步模式与多客户端协同

4.3.1 同步模式核心原理

CARLA 的同步模式（Synchronous Mode）是保证仿真可复现性的关键机制。在异步模式下，服务器按照自己的节奏推进仿真时间，客户端只能被动接收状态更新；而在同步模式下，服务器会暂停等待客户端的 tick() 指令，只有客户端调用 world.tick() 后，仿真才会推进一个时间步长。

同步模式的核心优势在于：

1. 确定性：相同的输入序列必然产生相同的输出结果，这对算法回归测试至关重要。
2. 精确控制：可以精确控制仿真时间步长，便于与外部时钟（如 ROS 的 /clock）同步。
3. 多客户端一致性：所有客户端在同一时间点获取世界状态，避免异步模式下的状态不一致问题。

4.3.2 同步模式配置方法

import carla

client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()

# 获取当前设置
settings = world.get_settings()

# 启用同步模式
settings.synchronous_mode = True
# 设置固定时间步长（0.05 秒 = 20 FPS）
settings.fixed_delta_seconds = 0.05
world.apply_settings(settings)

# 手动推进仿真
world.tick()

# 仿真结束后恢复异步模式
settings.synchronous_mode = False
world.apply_settings(settings)

4.3.3 多客户端连接架构设计

多客户端连接是 CARLA 高级应用的核心场景。典型的架构包括：一个主控客户端负责世界状态管理和仿真推进，多个工作客户端分别负责感知、规划、控制等不同任务。以下是多客户端协同的标准实现模式：

# 主控客户端（负责仿真推进）
import carla

client = carla.Client('localhost', 2000)
world = client.get_world()

# 启用同步模式
settings = world.get_settings()
settings.synchronous_mode = True
settings.fixed_delta_seconds = 0.05
world.apply_settings(settings)

# 主循环
for i in range(100):
    world.tick()  # 推进仿真
    # 其他主控逻辑

# 工作客户端（负责感知任务）
import carla

client = carla.Client('localhost', 2000)
world = client.get_world()

# 创建相机传感器
bp_lib = world.get_blueprint_library()
camera_bp = bp_lib.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '1280')
camera_bp.set_attribute('image_size_y', '720')

# 传感器数据回调
def process_image(image):
    # 处理图像数据
    pass

# 在同步模式下，传感器数据在 tick() 后自动更新
# 工作客户端不需要调用 tick()，只需监听数据

在多客户端架构中，需要注意以下关键点：

• 数据同步：所有客户端共享同一个世界状态，但传感器数据是独立生成的。每个客户端只能获取自己创建的传感器数据。
• 资源竞争：多个客户端同时创建车辆时，需要协调 Actor ID 分配，避免冲突。
• 性能开销：每个客户端连接都会增加服务器的通信负载，建议控制客户端数量在 10 个以内。

4.3.4 案例拆解：基于同步模式的多智能体协同测试平台

背景与目标：某自动驾驶团队需要验证 V2X（车路协同）算法，要求在同一仿真环境中同时运行 3 辆自动驾驶车辆（分别由不同客户端控制）和 1 个路侧感知单元（RSU）。核心需求是保证所有智能体在同一时间步长内获取一致的世界状态。

初始现象与约束：在异步模式下，各客户端获取的世界状态存在 1-2 帧的延迟差异，导致 V2X 消息的时间戳不一致，算法性能下降 15%。团队决定切换到同步模式，但面临多客户端协调的挑战。

关键参数与配置：

实施步骤：

1. 启动服务器，设置 -quality-level=Low 以降低 GPU 负载。
2. 主控客户端启用同步模式，设置 fixed_delta_seconds=0.05。
3. 各工作客户端连接服务器，创建车辆和传感器。
4. 主控客户端通过 world.on_tick() 回调广播同步信号。
5. 工作客户端在收到同步信号后执行控制逻辑，并在下一帧开始前完成数据读取。

结果对比：切换到同步模式后，各客户端获取的世界状态时间戳完全一致，V2X 消息延迟从平均 30ms 降低到 5ms 以内，算法性能提升 12%。同时，由于仿真时间步长固定，实验结果的可复现性显著增强。

风险与代价：同步模式将仿真速度限制在实时水平（20 FPS），相比异步模式下的 50-60 FPS，数据采集效率下降约 60%。对于大规模数据采集任务，建议在异步模式下进行，仅在需要精确时间同步的场景中使用同步模式。

复盘经验：多客户端同步的关键在于统一的时间基准。建议使用 world.on_tick() 回调作为所有客户端的同步信号源，而不是依赖各客户端自己的时钟。同时，为每个客户端设置独立的超时时间，防止单个客户端故障导致整个仿真阻塞。

4.4 常见误区与性能调优

4.4.1 常见误区清单

4.4.2 性能调优策略

针对不同硬件配置和应用场景，推荐以下调优策略：

• GPU 资源受限：使用 -RenderOffScreen 离屏渲染，降低渲染分辨率，关闭阴影和反射效果。
• CPU 资源受限：减少地图中的动态物体数量，使用 generate_traffic.py 时控制车辆和行人数量。
• 网络延迟敏感：将服务器和客户端部署在同一台机器上，使用本地回环地址 localhost 而非局域网 IP。
• 长时间运行：定期重启服务器以释放内存碎片，CARLA 在长时间运行后可能出现内存泄漏。