第1章：环境搭建与数据准备

做自动驾驶定位，第一件事不是调算法，而是把环境搭好。

我见过太多人，代码写得挺漂亮，结果一跑就报错——库版本冲突、Python环境乱成一锅粥。嗯，这其实完全可以避免。今天我们就从零开始，把开发环境收拾利索，再聊聊两个最常用的开源数据集。

1.1 Python虚拟环境配置

为什么非要用虚拟环境？说白了，就是隔离依赖。

你想想看，项目A需要numpy 1.19，项目B需要numpy 1.24。如果你直接在系统Python里装，早晚会出问题。我个人习惯，每个项目都建一个独立的虚拟环境，干净、可控、好管理。

推荐方案：使用 venv 或 conda

如果你只是做纯Python开发，venv 就够了。轻量、内置、不折腾。

# 创建虚拟环境
python -m venv urban_tracking_env

# 激活环境（Windows）
urban_tracking_env\Scripts\activate

# 激活环境（macOS/Linux）
source urban_tracking_env/bin/activate

如果你还要处理C++扩展、CUDA之类的，我建议直接用 conda。它不仅能管Python包，还能管系统级的库。

# 创建conda环境
conda create -n urban_tracking python=3.9

# 激活
conda activate urban_tracking

我的小习惯：环境名用项目缩写 + python版本，比如 urban_track_py39。这样一看就知道是干什么的。

1.2 依赖库安装

环境激活后，就该装库了。我们这个课程主要依赖以下几个库：

库名	版本建议	用途
numpy	≥1.21	数值计算、矩阵运算
pandas	≥1.3	数据读取、结构化处理
matplotlib	≥3.4	可视化、轨迹绘制
geopandas	≥0.10	地理空间数据处理

安装命令很简单，一行搞定：

pip install numpy pandas matplotlib geopandas

我曾经踩过的坑：geopandas 依赖 GDAL 和 Fiona，Windows 下经常装不上。后来我发现，先装 pip install wheel，再装 geopandas，成功率会高很多。如果还不行，去 Christoph Gohlke 的页面下载对应的 .whl 文件手动安装。

装完之后，验证一下：

python -c "import numpy; print(numpy.__version__)"

如果没报错，说明环境已经就绪。

1.3 开源数据集介绍

数据是定位算法的粮食。没有好的数据，再牛的模型也白搭。目前业界最常用的两个数据集，一个是 nuScenes，一个是 KITTI。我分别说说它们的特点。

1.3.1 nuScenes

nuScenes 是 Motional 公司（原 nuTonomy）发布的。它最大的特点是——全。全到什么程度？

1000 个场景，每个场景 20 秒
6 个摄像头、5 个雷达、1 个激光雷达
GPS + IMU 数据齐全
覆盖波士顿、新加坡两个城市

我个人特别喜欢 nuScenes 的一点是：它提供了 精标注的 3D 边界框，而且标注频率是 2Hz。这意味着你可以用它来做高精度的轨迹评估。

数据格式方面，nuScenes 用的是自己的 nuscenes-devkit 工具包。安装方式：

pip install nuscenes-devkit

加载数据也很直观：

from nuscenes import NuScenes

nusc = NuScenes(version='v1.0-trainval', dataroot='/data/nuscenes', verbose=True)

  注意：nuScenes 的数据集体积很大，完整版大约 300GB。如果你只是学习，可以只下载 mini 版（约 5GB），足够跑通流程。

1.3.2 KITTI

KITTI 是卡尔斯鲁厄理工学院和丰田美国研究院联合发布的。它比 nuScenes 更早，2012 年就出来了，但至今仍是定位领域的标杆数据集。

KITTI 的特点：

使用 Velodyne HDL-64E 激光雷达
提供 11 个序列的 GPS/IMU 真值
数据量相对较小（约 20GB）
适合做轨迹精度评估（ATE、RPE）

KITTI 的数据格式比较原始，没有统一的 SDK。你需要自己解析 oxts 文件（GPS/IMU 数据）和 velodyne 点云文件。

我一般这样读取 KITTI 的 GPS 数据：

import numpy as np

def load_oxts(file_path):
    data = np.loadtxt(file_path)
    # 每行包含：lat, lon, alt, roll, pitch, yaw, vn, ve, vf, vl, vu, ...
    return data

避坑指南：KITTI 的 GPS 数据是 WGS84 经纬度格式，不能直接用来算距离。你需要先转成 UTM 坐标系。我曾经因为忘了这一步，算出来的轨迹误差大了两个数量级……嗯，后来再也不敢偷懒了。

1.4 知识体系总览

这一章的内容，其实就三块：环境、库、数据。它们之间的关系，我画了一张图：

这张图把本章的核心脉络串起来了。你先把环境搭好，库装齐，数据下载好，后面写代码的时候就不会被环境问题卡住。

1.5 本章小结

这一章我们做了三件事：

用 venv 或 conda 创建了独立的 Python 虚拟环境
安装了 numpy、pandas、matplotlib、geopandas 四个核心库
了解了 nuScenes 和 KITTI 两个数据集的特点和读取方式

环境搭好了，数据也认识了。下一章，我们就开始真正动手——读取轨迹数据，看看它长什么样。

📚 课程目录

第1章：环境搭建与数据准备

1.1 Python虚拟环境配置

1.2 依赖库安装

1.3 开源数据集介绍

1.3.1 nuScenes

1.3.2 KITTI

1.4 知识体系总览

1.5 本章小结