仿真验证基础：仿真环境搭建与传感器配置

说实话，做自动驾驶系统落地，我最怕听到的一句话就是——「代码在仿真里跑得好好的，怎么上车就崩了？」

这背后其实暴露了一个核心问题：仿真验证没做到位。你想想看，仿真环境如果搭得不够真，传感器模型配得不够准，那后面的实车部署就是在赌运气。我个人习惯，在项目启动的第一周，先把仿真环境这块啃透。今天我们就聊聊这个基础中的基础。

1.1 仿真环境搭建：CARLA vs Gazebo

目前主流的开源仿真器就两个：CARLA 和 Gazebo。我两个都用过，说说我的感受。

CARLA 更适合做城市道路场景的自动驾驶算法验证。它内置了高清地图、交通流、行人模型，甚至还有天气系统。我记得有一次做感知算法评测，直接在 CARLA 里切换雨天和夜晚模式，比实车采集数据方便太多了。

Gazebo 则更偏向机器人领域，尤其是和 ROS 配合得天衣无缝。如果你做的是低速物流车、园区巡逻车这类项目，Gazebo 会更顺手。它的传感器模型库很丰富，而且支持自定义物理参数。

对比项	CARLA	Gazebo
适用场景	城市道路、高速公路	园区、矿区、室内
与ROS集成	需额外配置	原生支持
传感器仿真精度	高（基于Unreal Engine）	中（基于ODE/Bullet）
学习曲线	中等	较陡

1.2 传感器模型配置

传感器是自动驾驶的「眼睛」。配置不对，后面所有算法都是白搭。我见过太多团队，仿真里激光雷达能测到 200 米，结果实车只能测 80 米——这就是传感器模型没配好。

相机模型

相机配置主要关注三个参数：分辨率、视场角（FOV）、畸变模型。CARLA 里配置相机很简单：

# CARLA 相机配置示例
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '1920')
camera_bp.set_attribute('image_size_y', '1080')
camera_bp.set_attribute('fov', '90')
camera_bp.set_attribute('lens_circle_falloff', '0.0')
camera_bp.set_attribute('lens_circle_multiplier', '0.0')
camera_bp.set_attribute('lens_k', '-0.15')  # 径向畸变系数
camera_bp.set_attribute('lens_kcube', '0.0')

嗯，这里要注意。畸变系数一定要配。我当年做车道线检测，仿真里跑得完美，上车就歪。查了半天，原来是仿真相机没加畸变，而实车镜头是有畸变的。这个坑，我替你们踩过了。

激光雷达模型

激光雷达的配置更讲究。线数、扫描频率、水平视场角、垂直视场角，每个参数都会影响点云密度和感知范围。

# 64线激光雷达配置
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('channels', '64')
lidar_bp.set_attribute('range', '100')  # 最大探测距离
lidar_bp.set_attribute('points_per_second', '1300000')
lidar_bp.set_attribute('rotation_frequency', '20')  # 20Hz
lidar_bp.set_attribute('upper_fov', '15')  # 垂直上视场角
lidar_bp.set_attribute('lower_fov', '-25')  # 垂直下视场角

毫米波雷达模型

毫米波雷达在仿真里经常被忽略，但它对测距和测速至关重要。CARLA 的毫米波雷达模型支持配置距离分辨率、速度分辨率、噪声模型等。

# 毫米波雷达配置
radar_bp = blueprint_library.find('sensor.other.radar')
radar_bp.set_attribute('horizontal_fov', '30')
radar_bp.set_attribute('vertical_fov', '10')
radar_bp.set_attribute('range', '100')
radar_bp.set_attribute('points_per_second', '1500')
radar_bp.set_attribute('noise_stddev', '0.1')  # 噪声标准差

说白了，毫米波雷达的噪声模型是关键。仿真里如果噪声设得太小，实车就会因为多径反射和杂波而崩溃。我一般会把噪声标准差设在 0.1 到 0.2 之间，这样仿真结果和实车数据更接近。

1.3 场景编辑器使用

场景编辑器是仿真验证的灵魂。光有环境和传感器还不够，你得能构造各种「刁钻」的场景来测试算法。

CARLA 自带的场景编辑器叫 Scenario Runner，支持两种模式：

• 预置场景：比如前车急刹、行人横穿、路口冲突等，开箱即用
• 自定义场景：通过 Python 脚本定义车辆轨迹、速度、触发条件

我个人更喜欢自定义场景。为什么呢？因为预置场景太「规矩」了，实车遇到的都是不规矩的情况。比如：

# 自定义场景：前车突然变道并急刹
scenario = ScenarioDefinition()
scenario.add_actor('ego_vehicle', spawn_point='lane1_start')
scenario.add_actor('target_vehicle', spawn_point='lane2_start')

# 定义目标车辆行为
target_behavior = Behavior()
target_behavior.add_action('lane_change', target='lane1', at_time=5.0)
target_behavior.add_action('brake', deceleration=8.0, at_time=7.0)

scenario.set_behavior('target_vehicle', target_behavior)
scenario.run()

知识体系总览

下面这张图是我自己梳理的仿真验证知识结构，你可以把它当作一个「地图」来用：

这张图把仿真验证拆成了三个维度。你从任何一个维度切入都可以，但最终一定要把三个维度串起来。我见过不少团队，环境搭得漂亮，传感器配得精细，但场景只跑了几个「阳光明媚」的 case——这跟没做仿真没啥区别。

可可精品资料库