3. 时间戳与帧率：仿真时间戳概念、固定时间步长、帧率控制、时间戳对齐策略
做自动驾驶仿真，最头疼的问题是什么？
我个人觉得，不是传感器噪声，也不是物理引擎不准，而是——时间对不上。
你想想看，激光雷达说「我在 10.000 秒扫了一帧」，相机说「我在 10.015 秒拍了一张图」，控制模块说「我在 10.020 秒发出了指令」。这三个时间点，到底哪个才是「真实」的？如果不对齐，你拿什么去训练你的模型？
这一章，我们就来把时间戳这件事彻底讲透。
3.1 仿真时间戳：到底什么是「仿真时间」？
先说一个基本概念。CARLA 里的时间，不是你的电脑时间，也不是墙上挂钟的时间。它叫仿真时间（Simulation Time）。
说白了，就是 CARLA 自己维护的一个计数器。每走一步，这个计数器就加一点。它跟你的 CPU 跑多快、显卡渲染多流畅，没有半毛钱关系。
举个例子：
- 你设置固定步长为 0.05 秒（50ms）
- 仿真跑了 100 步
- 那么仿真时间就是 100 × 0.05 = 5.0 秒
哪怕你的电脑卡成 PPT，这 5.0 秒依然是 5.0 秒。这就是仿真时间的核心价值——可复现。
关键点：仿真时间 ≠ 真实时间。仿真时间是逻辑时间，真实时间是物理时间。两者可以不同步，甚至应该不同步（比如你想跑得比真实快）。
我在项目中遇到过一个问题：有人把仿真时间当成了真实时间，结果录制的数据在回放时完全对不上。嗯，这就是没搞懂「仿真时间」的本质。
3.2 固定时间步长：为什么必须用 Fixed Time Step？
CARLA 默认是「尽力而为」模式。什么意思？就是每帧能跑多快跑多快，时间步长不固定。这在玩游戏时没问题，但在仿真里——这是灾难。
为什么？
- 传感器数据的时间戳会乱跳
- 物理引擎的积分步长不一致，导致车辆轨迹漂移
- 不同机器上跑出来的结果不一样
所以，做数据对齐的第一步：开启固定时间步长。
# 开启固定时间步长
settings = world.get_settings()
settings.fixed_delta_seconds = 0.05 # 50ms，即 20 FPS
settings.synchronous_mode = True # 同步模式
world.apply_settings(settings)这里我建议你记住一个原则：固定步长 + 同步模式，是数据对齐的基石。缺一个都不行。
我的经验：固定步长选多少？看你的传感器需求。激光雷达一般 10Hz（0.1s），相机 20Hz（0.05s），控制模块 50Hz（0.02s）。选最小的公倍数，或者直接 0.05s，兼容大多数场景。
3.3 帧率控制：你真的需要 60 FPS 吗？
很多新手一上来就问：「怎么让 CARLA 跑到 60 FPS？」
我的回答是：你为什么要 60 FPS？
自动驾驶仿真不是打游戏。60 FPS 意味着每帧 16.6ms，你的传感器、控制模块、数据记录全都要在这个时间内完成。一旦超时，整个仿真就卡住了。
实际上，大多数场景下 20 FPS（50ms 步长）就完全够用。原因有三：
- 传感器频率限制：激光雷达通常 10Hz，相机 20Hz，你跑 60 FPS 也没用，数据还是 20Hz
- 物理精度：50ms 的步长对于车辆动力学已经足够精确
- 计算资源：省下来的算力可以跑更多的 NPC 车辆和更复杂的传感器
避坑指南：我曾经为了追求高帧率，把步长设成了 0.01s（100 FPS）。结果呢？物理引擎倒是准了，但数据量暴增 5 倍，磁盘写爆了，而且大部分数据是冗余的。后来我学乖了——够用就好，别贪心。
3.4 时间戳对齐策略：让所有传感器「说同一种时间」
好了，现在我们有固定步长和同步模式。但问题来了：每个传感器都有自己的时间戳，怎么对齐？
我常用的策略有三种：
策略一：统一使用仿真时间戳
最简单粗暴的方法。所有传感器数据都打上当前仿真时间的戳。
# 获取当前仿真时间
sim_time = world.get_snapshot().timestamp.elapsed_seconds
# 给传感器数据打时间戳
sensor_data.timestamp = sim_time优点：简单，所有数据天然对齐。
缺点：如果传感器有内部延迟（比如相机曝光时间），这个时间戳就不准。
策略二：传感器时间 + 偏移补偿
每个传感器记录自己的时间戳，然后加上一个固定的偏移量。
# 相机延迟 30ms，激光雷达延迟 10ms
camera_offset = 0.030
lidar_offset = 0.010
camera_data.timestamp = camera_raw_timestamp + camera_offset
lidar_data.timestamp = lidar_raw_timestamp + lidar_offset这个方法更精确，但需要你事先标定每个传感器的延迟。我在实际项目中用过，效果不错，就是标定过程比较麻烦。
策略三：插值对齐
这是最精确的方法。把低频传感器（比如激光雷达 10Hz）的数据，通过插值对齐到高频传感器（比如相机 20Hz）的时间轴上。
# 伪代码：线性插值对齐
def interpolate_lidar_to_camera(lidar_data, camera_timestamps):
aligned_data = []
for cam_ts in camera_timestamps:
# 找到前后两帧激光雷达数据
before = find_closest_before(lidar_data, cam_ts)
after = find_closest_after(lidar_data, cam_ts)
# 线性插值
ratio = (cam_ts - before.timestamp) / (after.timestamp - before.timestamp)
interpolated = before.data * (1 - ratio) + after.data * ratio
aligned_data.append(interpolated)
return aligned_data我的建议：
- 如果只是做数据记录和回放，用策略一就够了
- 如果要做传感器融合，用策略二
- 如果要做高精度的时间同步（比如 V2X 场景），用策略三
3.5 知识体系：时间戳与帧率核心逻辑
下面这张图，是我自己总结的时间戳对齐核心逻辑。你看一遍，基本就全通了。
这张图的核心逻辑很简单：固定步长 + 同步模式 → 统一仿真时间 → 选择对齐策略 → 数据对齐完成。每一步都是下一步的前提，缺一不可。
3.6 实战中的几个坑
最后，分享几个我踩过的坑，希望能帮你省点时间。
坑一：忘记设置同步模式
只设了固定步长，没设同步模式。结果呢？CARLA 还是异步跑，时间戳乱跳。我排查了整整一天才发现问题。记住：固定步长和同步模式，必须同时开启。
坑二：传感器回调时间戳不一致
每个传感器的回调函数里，拿到的 world snapshot 可能不是同一帧。解决方案：在回调里统一用 world.get_snapshot() 获取当前帧的时间戳，而不是用传感器自带的时间。
坑三：回放时时间轴错位
录数据时用了固定步长 0.05s，回放时却用了默认的异步模式。结果数据全对不上。回放时也要保持相同的步长设置，这是基本常识，但我见过不少人犯这个错。
好了，时间戳和帧率这部分就讲到这里。记住一句话：时间不对齐，数据就是垃圾。下一章我们聊聊传感器标定，那是另一个容易踩坑的地方。
可可精品资料库