2、环境搭建：Carla仿真器的安装、系统要求、依赖配置、Python API环境与常用工具链准备

Carla仿真器作为自动驾驶全栈开发的核心验证平台，其环境搭建质量直接决定后续开发效率与实验复现的可靠性。本章将围绕系统选型、依赖管理、Python API环境构建以及工具链整合四个维度展开，帮助读者建立一套稳定、可扩展且便于调试的Carla开发环境。我们将从底层硬件与操作系统要求出发，逐步深入到具体安装步骤、环境变量配置、Python虚拟环境隔离以及常用辅助工具（如ROS Bridge、CARLA Leaderboard、Scenario Runner）的集成方法。通过本章学习，读者应能独立完成从零到可运行Carla仿真并调用Python API控制车辆与传感器的全过程。

上图展示了Carla环境搭建的整体架构。从底层硬件与操作系统，到Carla核心仿真器，再到Python API环境与工具链，每一层都有明确的依赖关系。在实际搭建过程中，我们建议按照“先系统、后核心、再API、最后工具链”的顺序进行，这样能最大程度避免因底层缺失导致的反复返工。接下来，我们将逐一拆解每个环节的具体操作与注意事项。

2.1 系统要求与硬件选型：避免“带不动”的尴尬

核心原理：Carla基于Unreal Engine 4开发，其渲染与物理计算对GPU、CPU和内存有较高要求。不同于传统游戏，Carla需要同时处理多传感器数据流（相机、LiDAR、雷达）和复杂的交通流逻辑，因此硬件瓶颈往往出现在GPU显存和内存带宽上。若硬件配置不足，轻则帧率骤降导致仿真时间失真，重则直接崩溃或出现“黑屏”现象。

判断方法：在安装前，请先对照下表进行硬件自检。我们建议使用nvidia-smi（Linux）或任务管理器（Windows）查看GPU型号与显存，使用free -h（Linux）或系统信息（Windows）查看内存容量。

案例拆解：某学员使用一台搭载GTX 1650 4GB显存的笔记本，在加载Town05地图时频繁出现“Out of Video Memory”错误。通过nvidia-smi监控发现，Carla进程占用显存达3.8GB，接近极限。我们建议其降低画质设置（在CarlaUE4启动参数中添加-quality-level=Low），并将地图切换为Town03，问题得到解决。但需注意，低画质会影响传感器仿真精度（如相机图像分辨率），因此若进行视觉算法开发，建议升级硬件。

总结复盘：硬件选型应遵循“GPU优先、内存次之、CPU最后”的原则。对于仅做算法验证的开发者，可考虑使用云GPU服务器（如AutoDL、AWS EC2 G4dn）临时租用，但需注意网络延迟对实时控制的影响。

2.2 Carla仿真器安装：从下载到首次启动

核心原理：Carla提供两种安装方式：预编译包（推荐）和源码编译。预编译包解压即用，适合绝大多数开发场景；源码编译适合需要修改Carla引擎内部逻辑的高级用户，但编译时间长达数小时且依赖复杂。本课程以预编译包为主。

操作流程：以下以Ubuntu 20.04 + Carla 0.9.15为例（Windows操作类似，仅路径不同）。

1. 下载安装包：访问Carla官方GitHub Release页面（https://github.com/carla-simulator/carla/releases），下载Carla_0.9.15.tar.gz（约20GB）和AdditionalMaps_0.9.15.tar.gz（可选，包含Town06-10）。
2. 解压与目录结构：将压缩包解压至无中文路径的目录，例如/opt/carla。解压后目录应包含CarlaUE4.sh、PythonAPI、Import等子目录。
3. 安装依赖库：执行以下命令安装Carla运行所需的系统库：

sudo apt-get update
sudo apt-get install -y libomp5 libpng16-16 libtiff5 libjpeg8-dev
# 若提示缺少libcarla，可安装：
sudo apt-get install -y libcarla-0.9.15-dev

4. 启动Carla服务端：进入Carla根目录，执行：

cd /opt/carla
./CarlaUE4.sh -quality-level=Low -carla-rpc-port=2000

启动后会出现Unreal Engine窗口，等待约30秒至1分钟，看到“Carla server started”日志即表示成功。

export CARLA_ROOT=/opt/carla
export PYTHONPATH=$PYTHONPATH:$CARLA_ROOT/PythonAPI/carla/dist:$CARLA_ROOT/PythonAPI/carla
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CARLA_ROOT/PythonAPI/carla/dist

常见误区：很多初学者误以为Carla是一个Python库，直接使用pip install carla安装。实际上，Carla的核心是C++编写的服务端程序，Python API只是客户端。因此必须先启动CarlaUE4.sh，再运行Python脚本连接。另外，Carla版本与Python API版本必须严格对应，例如0.9.15版本对应carla-0.9.15-cp37-cp37m-linux_x86_64.whl。

2.3 Python API环境配置：虚拟环境与依赖管理

核心原理：Carla Python API以Wheel包形式提供，支持Python 3.7-3.9。为避免与系统Python环境冲突，强烈建议使用虚拟环境（venv或conda）。虚拟环境可以隔离不同项目的依赖版本，防止因numpy或pygame版本升级导致Carla API行为异常。

操作流程：

1. 创建虚拟环境：

conda create -n carla_env python=3.8
conda activate carla_env

2. 安装Carla Wheel包：进入Carla的PythonAPI/carla/dist目录，找到对应Python版本的whl文件，执行：

pip install carla-0.9.15-cp38-cp38-linux_x86_64.whl

3. 安装常用依赖：

pip install numpy pygame opencv-python scipy matplotlib
# 若需ROS Bridge，还需安装：
pip install rospkg catkin_pkg

4. 验证安装：运行以下Python脚本，若能成功连接并获取世界信息，则环境配置成功。

import carla
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
world = client.get_world()
print(f"Connected to Carla {world.get_map().name}")

案例拆解：某学员在安装后运行上述脚本，报错ModuleNotFoundError: No module named 'carla'。排查发现，其pip install时使用了系统Python（/usr/bin/python3），而非conda环境。通过which python确认路径后，重新激活conda环境并安装，问题解决。另一个常见错误是carla.Client连接超时，此时应检查Carla服务端是否已启动，以及端口是否被占用（可用netstat -tulpn | grep 2000查看）。

2.4 常用工具链准备：ROS Bridge、Scenario Runner与Docker

核心原理：工具链是连接Carla与外部自动驾驶算法栈的桥梁。ROS Bridge允许Carla与ROS/ROS2节点通信，实现传感器数据订阅与车辆控制指令下发；Scenario Runner用于定义和执行复杂交通场景测试；Docker则提供一致的运行环境，便于团队协作与部署。

判断方法：根据项目需求选择工具链。若使用ROS开发，必须安装ROS Bridge；若进行自动驾驶算法评估，需配置Leaderboard；若需复现实验环境，推荐使用Docker。

操作流程（以ROS Bridge为例）：

1. 安装ROS Noetic（Ubuntu 20.04）：参考ROS官方教程，安装ros-noetic-desktop-full。
2. 编译Carla ROS Bridge：

cd /opt/carla
git clone https://github.com/carla-simulator/ros-bridge.git
cd ros-bridge
pip install -r requirements.txt
# 设置ROS环境
echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc
source ~/.bashrc
# 编译
catkin_make
source devel/setup.bash

3. 启动Bridge：先启动Carla服务端，再运行：

roslaunch carla_ros_bridge carla_ros_bridge.launch

启动后，可通过rostopic list查看/carla/ego_vehicle/vehicle_info等话题。

案例拆解：在集成ROS Bridge时，我们遇到carla_ros_bridge节点崩溃，日志显示Segmentation fault。通过gdb回溯发现是Carla Python API与ROS的tf2库存在符号冲突。解决方案是在启动Bridge前，先设置环境变量export LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libstdc++.so.6，强制使用系统标准库。此问题在Carla 0.9.13及更早版本中较为常见，升级到0.9.15后已修复。

总结复盘：工具链的安装顺序应为“先核心（Carla）、再API、后工具链”。每安装一个组件，都应进行最小化验证（如ROS Bridge启动后查看话题列表），避免一次性安装多个组件后难以定位问题。对于Docker用户，推荐使用carla-simulator/carla:0.9.15镜像，但需注意容器内无法直接使用GPU渲染，需配置NVIDIA Container Toolkit。