3、工具链搭建：基于Python的仿真环境（如CARLA/SUMO）与可视化工具（Matplotlib/Plotly）配置

说实话，很多做规划控制的同行，算法写得挺漂亮，但一到实车测试就翻车。为什么？因为仿真环境没搭好。你想想看，没有一套趁手的工具链，你连算法在极端工况下会不会崩溃都不知道。

我个人习惯是，花30%的时间搭环境，剩下70%的时间才能安心调参。今天我就把压箱底的配置经验掏出来，咱们一步步把CARLA、SUMO、Matplotlib、Plotly这套组合拳打明白。

3.1 仿真双引擎：CARLA + SUMO 的协同配置

先说CARLA。这东西是个基于虚幻引擎的开源仿真器，画面逼真，传感器模拟也到位。我最早接触它是在2019年，那时候版本还不太稳定，动不动就崩。现在好多了，但配置上还是有坑。

安装步骤其实不复杂，但顺序错了会出问题。我习惯这样来：

# 第一步：创建干净的虚拟环境
conda create -n carla_env python=3.8
conda activate carla_env

# 第二步：安装CARLA Python API
pip install carla==0.9.14

# 第三步：安装SUMO（用于交通流仿真）
# Ubuntu下直接apt安装
sudo apt install sumo sumo-tools sumo-doc

# 验证安装
python -c "import carla; print('CARLA version:', carla.__version__)"
sumo --version

嗯，这里要注意。CARLA的Python API其实藏在它的安装包里。如果你是从源码编译的，记得把 PythonAPI/carla/dist/ 下的egg文件用pip装上。我当年第一次装的时候，愣是找了半天才找到这个路径。

3.2 双引擎协同：CARLA + SUMO 的桥梁搭建

为什么要同时用CARLA和SUMO？说白了，CARLA擅长微观场景——车怎么动、传感器怎么感知。SUMO擅长宏观交通流——红绿灯怎么变、车流密度怎么调。两者结合，才能模拟出真实的城市交通环境。

我项目中常用的做法是：用SUMO生成交通流，然后通过 carla-sumo-coordination 这个桥接工具，把SUMO里的车辆映射到CARLA中。这样你既能看到逼真的3D画面，又能控制交通流的宏观参数。

# 桥接配置示例（YAML格式）
carla:
  host: "localhost"
  port: 2000
  timeout: 10

sumo:
  host: "localhost"
  port: 8813
  gui: true  # 打开SUMO GUI方便观察

bridge:
  sync_interval: 0.1  # 同步间隔（秒）
  step_length: 0.05   # 仿真步长（秒）
  vehicle_keep_mode: "normal"

我曾经踩过一个坑：桥接启动后，CARLA里的车辆像喝醉了酒一样左右摇摆。排查了半天，发现是 step_length 设得太大了。改成0.05秒后，车辆轨迹就平滑了。你想想看，仿真步长和同步间隔如果不匹配，控制信号就会抖动。

3.3 可视化双雄：Matplotlib 与 Plotly 的配置

仿真跑起来了，数据也收了，接下来就是看结果。我个人习惯用Matplotlib做静态分析，用Plotly做动态交互。两者各有千秋，别指望一个工具打天下。

3.4 Matplotlib：快速出图，静态分析利器

Matplotlib的好处是轻量、稳定、出图快。我一般用它来画轨迹对比、速度曲线、误差分析这些静态图。配置上其实没什么玄学，但有几个细节能让你少走弯路。

import matplotlib.pyplot as plt
import matplotlib as mpl

# 我个人习惯的全局配置
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题
plt.rcParams['figure.dpi'] = 150              # 高清输出
plt.rcParams['figure.figsize'] = (12, 6)      # 默认画布大小

# 画一条轨迹对比图
def plot_trajectory_comparison(gt_traj, pred_traj):
    fig, ax = plt.subplots()
    ax.plot(gt_traj[:, 0], gt_traj[:, 1], 'b-', label='Ground Truth', linewidth=2)
    ax.plot(pred_traj[:, 0], pred_traj[:, 1], 'r--', label='Prediction', linewidth=2)
    ax.set_xlabel('X (m)')
    ax.set_ylabel('Y (m)')
    ax.set_title('轨迹对比')
    ax.legend()
    ax.grid(True, alpha=0.3)
    plt.tight_layout()
    return fig

3.5 Plotly：交互式可视化，调试神器

Plotly的优势在于交互。你可以缩放、平移、悬停看数据点。调参的时候，我经常用Plotly同时展示多个维度的数据，比如速度、加速度、曲率、横向误差，鼠标一点就能看到对应时刻的所有状态。

import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 创建一个多子图的交互式图表
def create_interactive_dashboard(time, speed, accel, curvature, lateral_error):
    fig = make_subplots(
        rows=4, cols=1,
        shared_xaxes=True,
        subplot_titles=('速度', '加速度', '曲率', '横向误差')
    )
    
    fig.add_trace(go.Scatter(x=time, y=speed, mode='lines', name='速度'), row=1, col=1)
    fig.add_trace(go.Scatter(x=time, y=accel, mode='lines', name='加速度'), row=2, col=1)
    fig.add_trace(go.Scatter(x=time, y=curvature, mode='lines', name='曲率'), row=3, col=1)
    fig.add_trace(go.Scatter(x=time, y=lateral_error, mode='lines', name='横向误差'), row=4, col=1)
    
    fig.update_layout(height=800, title_text="规划控制性能仪表盘")
    fig.update_xaxes(title_text="时间 (s)", row=4, col=1)
    
    return fig

# 在Jupyter中直接显示
# fig.show()

Plotly的配置有个小技巧：如果你在Jupyter Notebook里用，记得先安装 ipywidgets 并启用扩展。不然图表可能显示不出来。我一般这样处理：

# 安装Jupyter支持
pip install plotly ipywidgets
jupyter nbextension enable --py widgetsnbextension

# 或者在Jupyter Lab中
jupyter labextension install @jupyter-widgets/jupyterlab-manager plotlywidget

3.6 工具链集成：一个脚本搞定全流程

好了，各个工具都配好了，怎么串起来？我习惯写一个启动脚本，一键拉起CARLA、SUMO、桥接、数据记录和可视化。这样每次调参不用重复配环境。

#!/bin/bash
# start_pipeline.sh - 一键启动仿真工具链

echo "🚀 启动CARLA..."
./CarlaUE4.sh -quality-level=Low -carla-rpc-port=2000 &
CARLA_PID=$!
sleep 10  # 等待CARLA启动

echo "🚗 启动SUMO..."
sumo-gui -c sumo_config.sumocfg &
SUMO_PID=$!
sleep 3

echo "🔗 启动桥接..."
python carla_sumo_bridge.py --carla-port 2000 --sumo-port 8813 &
BRIDGE_PID=$!

echo "📊 启动数据记录..."
python data_recorder.py --output ./logs/run_$(date +%Y%m%d_%H%M%S).h5 &
RECORDER_PID=$!

echo "✅ 工具链已启动！"
echo "CARLA PID: $CARLA_PID"
echo "SUMO PID: $SUMO_PID"
echo "Bridge PID: $BRIDGE_PID"
echo "Recorder PID: $RECORDER_PID"

# 等待用户按Ctrl+C退出
trap "kill $CARLA_PID $SUMO_PID $BRIDGE_PID $RECORDER_PID; exit" INT
wait

3.7 可视化框架图：工具链全景

下面这张图是我自己总结的工具链架构。你看一眼就能明白各个模块怎么配合的。

3.8 常见问题与避坑指南

说实话，工具链搭建这件事，第一次总是最痛苦的。但一旦搭好了，后面调参的效率能翻好几倍。我个人建议你把这个配置过程写成脚本，下次换机器或者重装系统，一键就能恢复环境。

嗯，今天就先聊到这儿。工具链是地基，地基稳了，后面咱们才能放心地调那些规划控制的参数。