2、环境搭建：SUMO安装与配置、Python与SUMO的接口（TraCI）、必备Python库安装
说实话，很多初学者在仿真上栽跟头，不是因为算法多难，而是环境没搭好。我见过太多人花了两天时间装SUMO，结果跑第一个demo就报错，心态直接崩了。这一章，咱们就把地基打牢。
2.1 SUMO的安装与配置
SUMO的安装其实不复杂，但有几个坑。我个人习惯用Windows做开发，但如果你用Linux，那更省心。
2.1.1 Windows下的安装
去SUMO官网下载最新的安装包。嗯，这里要注意：安装路径不要带中文和空格。我曾经有个学生，装在了“D:\程序\SUMO”下面，结果死活跑不起来，查了半天是中文路径的问题。
安装完成后，需要配置环境变量。把SUMO的bin目录加到系统PATH里。比如我的安装路径是：
C:\Program Files (x86)\Eclipse\Sumo\bin怎么验证装好了？打开命令行，输入：
sumo --version如果看到版本号，恭喜你，第一步完成了。
2.1.2 Linux下的安装
Linux下就简单多了。Ubuntu用户直接：
sudo apt-get install sumo sumo-tools sumo-doc装完之后，记得设置环境变量。在~/.bashrc里加一行：
export SUMO_HOME=/usr/share/sumo然后source一下。为什么强调这个？因为很多Python库依赖SUMO_HOME这个变量来找配置文件。我刚开始用Linux时忘了设，结果TraCI一直连不上，折腾了一下午。
2.1.3 验证安装是否成功
咱们跑一个最简单的例子。SUMO自带了很多示例，在tools目录下。你可以试试：
sumo-gui如果能弹出图形界面，说明GUI组件也装好了。我个人习惯先用sumo-gui跑一遍，看看路网长什么样，再写代码控制。
2.2 Python与SUMO的接口：TraCI
TraCI，全称Traffic Control Interface。说白了，就是让Python能跟SUMO实时通信的桥梁。你想想看，仿真跑起来之后，你能通过TraCI随时读取车辆位置、改变信号灯、甚至动态添加车辆——这才是传感器仿真的灵魂。
2.2.1 TraCI的工作原理
TraCI采用客户端-服务器模式。SUMO作为服务器，Python脚本作为客户端。它们通过TCP端口通信，默认是8813端口。
我画了一张图，帮你理解这个流程：
2.2.2 启动TraCI连接
在Python里，连接SUMO的代码其实就几行。我给你看一个最基础的模板：
import traci
import sumolib
# 启动SUMO仿真，并开启TraCI接口
sumoBinary = "sumo-gui" # 或者用"sumo"（无界面模式）
sumoCmd = [sumoBinary, "-c", "my_simulation.sumocfg"]
# 启动连接
traci.start(sumoCmd)
# 仿真主循环
step = 0
while step < 100:
traci.simulationStep() # 前进一个时间步
# 在这里读取传感器数据、控制车辆...
step += 1
# 关闭连接
traci.close()这段代码我用了好几年，基本没变过。你想想看，核心就三个动作：启动、步进、关闭。所有复杂的传感器逻辑，都塞在while循环里。
2.2.3 常用TraCI指令速查
TraCI的API很丰富，但常用的其实就这些。我整理了一张表：
| 功能 | 指令示例 | 说明 |
|---|---|---|
| 获取车辆位置 | traci.vehicle.getPosition(vehID) | 返回(x, y)坐标 |
| 获取车辆速度 | traci.vehicle.getSpeed(vehID) | 单位：m/s |
| 设置信号灯 | traci.trafficlight.setRedYellowGreenState(tlsID, state) | state如"GGGrrr" |
| 添加车辆 | traci.vehicle.add(vehID, routeID) | 动态生成车辆 |
| 订阅感应器 | traci.inductionloop.getLastStepVehicleNumber(loopID) | 获取线圈检测器数据 |
嗯，这里要注意：所有ID都是字符串。我见过有人传了整数进去，结果报错说找不到车辆，排查了半天。
2.3 必备Python库安装
除了TraCI，咱们还需要装几个辅助库。说白了，就是让数据处理和可视化更方便。
2.3.1 核心库清单
我个人习惯用pip安装，一行命令搞定。这是必备的：
pip install numpy pandas matplotlib解释一下为什么需要它们：
- NumPy：处理传感器数据数组。比如你同时采集1000辆车的坐标，用NumPy算均值、方差，比Python原生列表快10倍以上。
- Pandas：记录仿真日志。我习惯把每步的传感器数据存成DataFrame，仿真结束后直接导出CSV，方便分析。
- Matplotlib：画轨迹图、热力图。调试传感器布局时，可视化比看数字直观多了。
2.3.2 可选但推荐的库
如果你要做更高级的传感器仿真，这几个也建议装上：
pip install scikit-learn opencv-python- Scikit-learn：做传感器数据融合、异常检测。比如用K-means聚类识别拥堵区域。
- OpenCV：如果你仿真摄像头传感器，可以用它模拟图像处理流程。
2.3.3 验证安装
装完之后，打开Python交互环境，逐条导入：
import traci
import sumolib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
print("所有库导入成功！")如果没报错，恭喜你，环境搭建完成了。如果报错，多半是路径问题。检查一下SUMO_HOME环境变量有没有设对。
2.4 本章小结
这一章咱们干了三件事：装了SUMO、配了TraCI、装了Python库。看起来简单，但每一步都有坑。我当年自己摸索的时候，光环境就搭了两天。现在你跟着走，半小时应该能搞定。
环境搭好了，下一章咱们就可以真正开始写传感器仿真代码了。到时候你会发现，前面这些准备工作，都是值得的。