基础操作：启动CARLA服务器、客户端连接、基本界面与命令行工具的使用

CARLA仿真平台采用典型的客户端-服务器（Client-Server）架构，理解并掌握这一架构的启动与连接流程，是进行任何自动驾驶算法开发、传感器仿真或场景测试的前提。本章将系统讲解CARLA服务器的启动参数、客户端的连接方式、图形界面（GUI）的核心功能区，以及命令行工具的使用技巧，帮助您建立起对CARLA运行机制的整体认知。

3.1 服务器启动：参数解析与配置策略

CARLA服务器本质上是基于Unreal Engine 4构建的仿真环境进程。在Linux系统中，启动脚本为 CarlaUE4.sh；在Windows系统中，则为 CarlaUE4.exe。启动参数决定了仿真环境的渲染质量、端口配置、地图加载方式等关键属性。

核心启动参数

启动服务器时，终端会输出大量日志信息。当看到 CARLA server is now running 或 Ready 字样时，表示服务器已成功启动并监听指定端口。此时服务器窗口会显示当前加载的地图场景，但尚未有车辆或行人。

3.2 客户端连接：Python API 与连接验证

CARLA提供了功能完备的Python API，客户端通过TCP协议与服务器建立连接。连接过程的核心是创建 CarlaClient 对象并调用 get_world() 方法获取当前仿真世界的句柄。

标准连接流程

import carla

# 创建客户端并连接
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)  # 设置超时时间，防止连接阻塞

# 获取世界对象
world = client.get_world()

# 验证连接
print(f"当前地图: {world.get_map().name}")
print(f"当前帧数: {world.get_frame_number()}")

连接过程中需要注意以下几点：

• 超时设置：set_timeout() 方法必须设置，否则在服务器未就绪时客户端会无限期阻塞。建议设置为5-10秒。
• 版本匹配：客户端API版本必须与服务器版本严格一致。CARLA 0.9.x系列中，小版本不一致也会导致连接失败。
• 多客户端支持：CARLA允许最多100个客户端同时连接，但每个客户端只能操作一个世界。
• 错误处理：连接失败时，RuntimeError 异常会被抛出，应捕获并给出友好提示。

3.3 基本界面：CARLA窗口与手动控制

CARLA服务器启动后，会显示一个Unreal Engine渲染窗口。这个窗口不仅是视觉输出，还支持键盘鼠标交互，方便快速验证场景。

界面功能区

CARLA提供了 manual_control.py 示例脚本，运行后可以在仿真环境中手动驾驶车辆。该脚本位于 PythonAPI/examples/ 目录下，支持键盘控制（WASD加速/转向、空格手刹、C切换视角等）。

# 在另一个终端运行手动控制脚本
cd PythonAPI/examples
python3 manual_control.py

手动控制脚本是理解CARLA交互机制的最佳入门工具。它展示了如何获取车辆控制权限、如何读取传感器数据（如相机画面）、如何处理键盘事件等核心API用法。

3.4 命令行工具：配置、测试与调试

CARLA提供了一系列命令行工具，用于配置仿真环境、生成交通流、测试连接等。这些工具位于 PythonAPI/util/ 和 PythonAPI/examples/ 目录下。

常用工具清单

config.py 实战：调整天气与时间

# 查看当前世界设置
python3 config.py

# 设置晴天正午
python3 config.py --weather ClearNoon

# 设置雨天黄昏
python3 config.py --weather SoftRainSunset

# 固定时间步长（用于确定性仿真）
python3 config.py --fps 20

这些工具本质上都是通过Python API与服务器交互，因此理解其源码有助于深入掌握CARLA的编程接口。例如，config.py 内部调用了 world.set_weather() 和 world.set_time_of_day() 等方法。

3.5 案例拆解：多实例并行仿真环境搭建

在强化学习或大规模数据采集场景中，往往需要同时运行多个CARLA实例以提升效率。以下是一个完整的双实例并行环境搭建案例。

背景与目标

某自动驾驶团队需要在8块GPU的服务器上并行运行4个CARLA仿真环境，每个环境独立运行不同的地图和天气条件，用于并行采集训练数据。初始方案是直接启动4个默认配置的CARLA实例，但发现端口冲突导致后启动的实例无法正常工作。

问题分析

CARLA默认使用2000端口作为RPC端口，2001作为流媒体端口。多个实例同时启动时，后启动的实例会因端口被占用而失败。此外，默认渲染质量（Epic）会消耗大量GPU显存，4个实例同时运行可能导致显存溢出。

解决方案

# 实例1：Town01，低渲染质量，端口2000/2001
./CarlaUE4.sh -map=Town01 -quality-level=Low -carla-rpc-port=2000 -carla-streaming-port=2001 &

# 实例2：Town02，低渲染质量，端口3000/3001
./CarlaUE4.sh -map=Town02 -quality-level=Low -carla-rpc-port=3000 -carla-streaming-port=3001 &

# 实例3：Town03，中渲染质量，端口4000/4001
./CarlaUE4.sh -map=Town03 -quality-level=Medium -carla-rpc-port=4000 -carla-streaming-port=4001 &

# 实例4：Town04，低渲染质量，端口5000/5001
./CarlaUE4.sh -map=Town04 -quality-level=Low -carla-rpc-port=5000 -carla-streaming-port=5001 &

客户端连接时，需要为每个实例创建独立的 CarlaClient 对象：

clients = []
for port in [2000, 3000, 4000, 5000]:
    client = carla.Client('localhost', port)
    client.set_timeout(10.0)
    world = client.get_world()
    clients.append((client, world))
    print(f"已连接实例，端口: {port}, 地图: {world.get_map().name}")

结果与复盘

通过端口隔离和渲染质量降级，4个实例成功并行运行。每个实例的帧率稳定在20-30 FPS，满足数据采集需求。关键经验总结：

• 端口规划：建议使用2000+1000*n的规律分配端口，便于记忆和脚本管理。
• 资源监控：使用 nvidia-smi 实时监控显存占用，避免超限。
• 日志分离：为每个实例重定向日志文件，便于排查问题。
• 优雅关闭：编写脚本统一关闭所有实例，避免残留进程占用端口。

3.6 常见误区与总结复盘

在CARLA基础操作中，初学者常遇到以下问题，需要特别注意：

总结本章核心要点：

1. 服务器启动参数决定了仿真环境的基础配置，端口规划是多实例运行的关键。
2. 客户端连接遵循"创建客户端→设置超时→获取世界"的标准流程，版本匹配是硬性要求。
3. 图形界面主要用于视觉验证和手动交互，自动化任务应通过Python API完成。
4. 命令行工具是配置和调试的利器，理解其源码有助于深入掌握API。
5. 多实例并行时，端口隔离、资源监控和日志分离是保证稳定运行的三要素。

掌握这些基础操作后，您已经具备了在CARLA环境中进行开发的基本能力。下一步可以尝试使用 generate_traffic.py 生成交通流，或通过 manual_control.py 体验驾驶控制，逐步熟悉CARLA的完整功能体系。