1. 项目概述为什么场景构建是自动驾驶仿真的命门如果你正在做自动驾驶算法开发或者测试验证那你一定对“仿真”这个词不陌生。无论是感知、规划还是控制模块在实车路测之前都得先在虚拟世界里“跑”个成千上万遍。而仿真效果好不好能不能发现真问题关键就看“场景”造得真不真。这就像拍电影剧本和场景搭得不行再好的演员也演不出好戏。今天咱们不聊那些高深的算法理论就聚焦在两个最主流的开源仿真平台——CARLA和LGSVL上掰开揉碎了聊聊它们“搭场景”这件事。简单说CARLA和LGSVL都是为自动驾驶研发量身定做的仿真器但它们背后的“出身”和设计哲学截然不同这直接导致了它们在场景构建能力、上手难度和适用阶段上的巨大差异。CARLA脱胎于游戏引擎Unreal Engine画面逼真场景细节丰富更像一个“好莱坞大片制片厂”擅长构建视觉上高度逼真、充满动态交互的复杂城市环境。而LGSVL现在已更名为SVL Simulator则源于科技公司最初由LG电子美国研发中心发起后由丰田研究院支持它更注重与自动驾驶软件栈如Autoware、百度Apollo、AutonomousStuff的深度集成和传感器模型的精确性像一个“专业的汽车测试场”强调场景的可重复性、可控性和与真实数据流的对接。所以当你面临选择时核心问题就变成了你更需要一个视觉上极致逼真、能激发算法潜力的“开放世界”还是一个流程标准、易于对接、能进行大规模回归测试的“标准化考场”这次对比我就结合自己在这两个平台上实际搭建测试场景的经验从场景构成元素、构建工具链、工作流效率、以及与算法栈的集成度这几个核心维度给你一个透彻的分析。2. 核心场景构成元素拆解从静态地图到动态逻辑一个完整的自动驾驶仿真场景远不止一条路和几辆车。我们可以把它拆解成几个层次就像搭积木一样从下往上理解。2.1 静态环境地图与道路网络这是场景的骨架和皮肤。CARLA在这方面优势明显因为它直接利用了Unreal Engine强大的渲染能力和资产库。CARLA官方提供了多个高度精细的城镇地图如Town01到Town12这些地图拥有复杂的道路结构十字路口、环岛、匝道、丰富的路边设施建筑、树木、红绿灯、标志牌以及逼真的材质和光照。你甚至可以利用UE的编辑器或第三方工具如RoadRunner制作自定义的高精地图HD Map并导入。CARLA的地图包含了详细的语义信息车道线类型、道路边界、交通标志位置这些信息通过API暴露给自动驾驶系统。LGSVL的静态环境则更偏向“工程化”。它支持导入OpenDRIVE格式的道路网络文件这是一种描述道路几何和逻辑关系的标准格式。这意味着你可以利用专业的道路设计软件如RoadRunner、VectorZero生成符合真实道路标准的OpenDRIVE地图然后导入LGSVL。LGSVL的环境渲染基于Unity引擎其视觉保真度在默认状态下通常不如CARLA的UE场景但它更轻量运行效率可能更高。LGSVL的一个亮点是它官方提供了基于真实激光雷达点云数据生成的、与Apollo等框架配套的高精地图对于追求与真实数据一致性的研发团队来说这点非常吸引人。注意视觉逼真度不等于仿真有效性。CARLA的漂亮画面对于依赖摄像头的感知算法训练是宝藏但对于以激光雷达和定位为主的算法过于复杂的纹理有时反而是干扰。LGSVL相对“干净”的环境反而有利于聚焦在核心的逻辑测试上。2.2 动态实体车辆、行人与交通流场景活起来靠的是动态实体。两者都支持在场景中放置自动驾驶主车Ego Vehicle和NPC非玩家角色车辆、行人、自行车等。CARLA的NPC行为由其内置的“交通管理器”控制。你可以定义全局的交通规则如车速分布、闯红灯概率也可以精细控制单个车辆或行人的轨迹通过waypoint。CARLA的车辆动力学模型相对基础但对于大多数决策规划算法的测试已经足够。它的强大之处在于丰富的资产库和逼真的动画如行人行走、自行车骑行能营造出非常生动的交通环境。LGSVL在动态实体管理上提供了不同的思路。它有一个强大的“场景编辑器”和“Python API”。你可以在编辑器中以“关键帧”的方式直观地编排车辆、行人的运动路径、触发条件如到达某个位置后变道。这种方式对于构建复杂的、有精确时序要求的测试场景如cut-in 行人鬼探头非常高效。LGSVL也支持通过API以编程方式生成和控制实体灵活性很高。关键差异点CARLA的交通流更像是“模拟人生”基于规则产生一种看似随机的、连续的车流。而LGSVL的场景更像“电影分镜”你可以精确导演每一台车、每一个行人在什么时间点、做什么动作。前者适合做大规模、长尾分布的随机测试后者适合做标准化的、针对特定Corner Case的回归测试。2.3 传感器模型仿真世界的“眼睛”和“耳朵”传感器仿真是连接虚拟场景与自动驾驶算法的桥梁。两者都提供了主流的传感器模型摄像头RGB 深度 语义分割、激光雷达、毫米波雷达、IMU、GPS等。CARLA的传感器渲染质量极高尤其是摄像头。它可以模拟不同的镜头畸变、动态模糊、HDR和噪声对于训练和测试基于摄像头的感知算法是绝佳选择。其激光雷达点云也包含了丰富的语义信息。但CARLA的传感器数据生成完全依赖于游戏引擎的渲染管线计算开销大要跑高帧率、多传感器配置对硬件尤其是GPU要求很高。LGSVL的传感器模型在物理特性模拟上可能更深入。例如它的激光雷达模型可以配置具体的线数、旋转频率、垂直视场角、距离精度和噪声模型更贴近真实传感器的数据表。它的毫米波雷达模型也尝试模拟多径效应、噪点等特性。LGSVL支持将传感器数据通过ROS/ROS2或Cyber RT等中间件直接发布与Autoware、Apollo等框架“开箱即用”地集成这大大降低了系统集成的工作量。选择建议如果你的研究重点是计算机视觉、端到端感知或者需要极其逼真的视觉输入CARLA是首选。如果你的重点是整个自动驾驶栈的集成测试特别是使用激光雷达和毫米波雷达且需要与Apollo等框架无缝对接LGSVL的传感器模型和接口设计可能更“趁手”。2.4 场景逻辑与天气系统除了静态和动态元素场景的逻辑如交通灯时序、触发事件和环境影响天气、光照也至关重要。CARLA提供了强大的天气和光照参数动态调整API可以模拟一天中的不同时间、以及雨、雪、雾等不同天气条件并且这些变化能实时影响传感器数据如摄像头画面变暗、激光雷达在雨雾中衰减这对于测试算法的鲁棒性非常有价值。LGSVL同样支持天气和时间变化但可能不如CARLA的参数那么精细和直观。在场景逻辑方面LGSVL的“场景编辑器”允许你以流程图或脚本的方式定义复杂的事件链例如“当主车行驶到A点时在B点生成一个横穿马路的行人如果主车没有减速则记录一次测试失败”。这种基于事件触发的场景描述方式非常符合功能安全测试如ISO 21448 SOTIF的需求。3. 场景构建工作流与工具链深度对比知道了有什么“积木”下一步就是看怎么“搭”。两者的构建工作流和工具链差异巨大直接决定了开发效率。3.1 CARLA基于Python API与蓝图编辑器的“编程设计”模式CARLA的核心控制接口是Python API。几乎所有场景构建工作都可以通过编写Python脚本来完成import carla # 连接客户端加载世界 client carla.Client(localhost, 2000) world client.get_world() # 设置天气 weather carla.WeatherParameters(cloudiness80.0, precipitation30.0, wetness40.0) world.set_weather(weather) # 生成车辆和传感器 blueprint_library world.get_blueprint_library() vehicle_bp blueprint_library.filter(model3)[0] spawn_point world.get_map().get_spawn_points()[0] vehicle world.spawn_actor(vehicle_bp, spawn_point) # 添加一个摄像头 camera_bp blueprint_library.find(sensor.camera.rgb) camera_transform carla.Transform(carla.Location(x1.5, z2.4)) camera world.spawn_actor(camera_bp, camera_transform, attach_tovehicle)这种方式极其灵活你可以用代码生成任何你能想到的场景逻辑。但对于复杂的、需要大量手动摆放物体的静态场景纯代码就不太方便了。这时你可以使用Unreal Editor直接编辑CARLA的地图。你可以像开发游戏一样用鼠标拖拽建筑、树木、交通标志到场景中调整材质和光照。不过这需要你具备一定的Unreal Engine使用基础学习曲线较陡。CARLA场景构建的典型流程地图选择/制作使用现有Town地图或利用RoadRunnerUE插件制作自定义HD Map。静态布景可选在Unreal Editor中精细化调整场景资产。动态脚本编写使用Python API编写脚本定义主车行为、NPC行为流、天气变化、测试逻辑等。运行与数据收集运行脚本通过API接收传感器数据并记录日志。优点极限灵活视觉保真度高社区活跃资源丰富。缺点工具链复杂涉及UE、Python硬件要求高构建标准化测试场景需要较多的编程工作。3.2 LGSVL基于场景编辑器与开放标准的“可视化配置”模式LGSVL提供了一个基于Web的“场景编辑器”界面这是它与CARLA最显著的区别。你可以在浏览器中打开编辑器以可视化的方式拖放车辆、行人到地图上。绘制路径直接在地图上点击设置路径点为NPC定义运动轨迹。设置触发器在特定位置设置区域触发器用于触发后续事件如生成障碍物、改变交通灯。编排行为树通过简单的逻辑节点序列、选择、并行组合成复杂的行为。所有这些操作最终都会保存为一个JSON或YAML格式的场景描述文件。这种文件是声明式的易于版本管理、分享和复用。LGSVL场景构建的典型流程地图准备准备或下载OpenDRIVE格式地图文件导入模拟器。可视化编辑在Web编辑器中摆放静态障碍物可选放置主车和NPC为NPC绘制路径。事件编排使用编辑器的事件面板创建触发器如区域触发器、时间触发器和对应的动作如NPC加速、行人出现、测试结束判断。保存与运行保存场景文件。通过Python API或ROS启动模拟器加载该场景文件运行。与自动驾驶栈集成传感器数据通过ROS Topic或Cyber RT Channel直接发送给你的感知、定位、规划模块。优点上手快可视化操作直观场景文件易于管理和复用与Apollo/Autoware集成度极高对硬件要求相对友好。缺点视觉逼真度默认不及CARLA高度依赖OpenDRIVE地图的质量复杂逻辑编排可能不如直接编程灵活。4. 实操指南从零构建一个Cut-in测试场景理论说再多不如动手做一遍。我们以构建一个经典的“高速公路Cut-in加塞”测试场景为例分别在CARLA和LGSVL上实现感受一下两者的具体操作。4.1 在CARLA中实现Cut-in场景假设我们在CARLA的Town04高速公路地图上实现。我们需要一条高速车道主车Ego在中间车道匀速行驶一辆NPC车辆从右侧车道加速并切入主车前方。import carla import random import time # 1. 连接并加载世界 client carla.Client(localhost, 2000) client.set_timeout(10.0) world client.get_world() # 使用Town04 world client.load_world(Town04) # 2. 生成主车 bp_lib world.get_blueprint_library() vehicle_bp bp_lib.filter(tesla)[0] # 选择特斯拉模型 spawn_points world.get_map().get_spawn_points() # 找一个在高速中道的出生点需要根据地图实际情况调整索引 ego_spawn_point spawn_points[30] # 示例索引需实际查看 ego_vehicle world.spawn_actor(vehicle_bp, ego_spawn_point) # 设置主车为自动驾驶模式由模拟器控制或后续接入你的算法 ego_vehicle.set_autopilot(True) # 3. 生成NPC车辆Cut-in车辆 npc_bp bp_lib.filter(audi)[0] # 我们需要让NPC在主车右侧车道稍靠前的位置生成 # 这里使用航点系统来寻找特定车道的点 map world.get_map() # 获取主车当前位置的航点 ego_location ego_spawn_point.location waypoint map.get_waypoint(ego_location, project_to_roadTrue) # 获取右侧车道的航点lane_id为负表示右侧 right_lane_wp waypoint.get_right_lane() if right_lane_wp is not None: # 在右侧车道主车前20米处生成NPC npc_transform right_lane_wp.transform npc_transform.location.x 20.0 # 放在主车前方 npc_vehicle world.spawn_actor(npc_bp, npc_transform) # 4. 控制NPC行为先并行然后Cut-in # 获取目标车道主车所在车道的航点 target_lane_wp waypoint # 计算一个切入点例如主车前10米处 cut_in_distance 10.0 target_location target_lane_wp.transform.location target_location.x cut_in_distance # 简单实现让NPC先加速到与主车并行然后朝目标点移动 # 这里使用CARLA的交通管理器简化控制 traffic_manager client.get_trafficmanager() traffic_manager.ignore_lights_percentage(npc_vehicle, 100) traffic_manager.vehicle_percentage_speed_difference(npc_vehicle, -30) # NPC更快 # 更精确的轨迹控制需要自己计算路径点序列这里仅为示意 # 一种方法是设置一系列航点让NPC依次通过 print(NPC车辆已生成即将执行Cut-in行为。) # 5. 运行一段时间 try: time.sleep(30) finally: # 销毁车辆 if ego_vehicle in locals(): ego_vehicle.destroy() if npc_vehicle in locals(): npc_vehicle.destroy()实操心得在CARLA中精确控制车辆轨迹是一个难点。上面的代码利用了交通管理器进行简单控制但要做精准的Cut-in通常需要自己计算一条从起始车道到目标车道的平滑轨迹使用样条曲线然后通过vehicle.apply_control()逐帧控制转向和油门。这需要较强的数学和编程能力。对于复杂的交互场景社区有一些高级行为模型库如carla_agents但学习和集成也需要成本。4.2 在LGSVL中实现Cut-in场景在LGSVL中我们可以完全通过可视化编辑器完成这个场景几乎不用写代码。打开场景编辑器启动LGSVL模拟器在浏览器中打开Web UI进入“Simulations” - “Scenarios” - “Create New”。选择地图加载一个包含高速公路的OpenDRIVE地图例如LGSVL自带的“BorregasAve”或“SanFrancisco”。放置主车从资产列表中拖拽一辆车辆到高速中间车道将其设置为“Ego”车辆。在右侧属性面板中可以设置其初始速度。放置NPC并绘制路径拖拽另一辆车到右侧车道放在主车前方一段距离。选中这辆NPC车点击“Add Waypoint”工具。在地图上点击创建路径点第一个点放在NPC初始位置第二个点放在与主车平行的位置第三个点放在主车所在车道、主车前方不远处。这样就定义了一条从右车道切入中间车道的路径。在路径点属性中可以为每个点设置目标速度例如第二个点加速第三个点保持。设置触发条件可选如果我们希望Cut-in动作在特定条件下触发如主车接近某个区域可以使用“Triggers”。在主车路径上放置一个“Region Trigger”区域触发器。当主车进入该区域时触发一个“事件”。该事件可以设置为“启用”之前定义好路径的NPC车辆。保存场景给场景命名并保存。你会得到一个.json或.xoscOpenSCENARIO标准文件。运行场景在“Simulations”界面选择该场景文件选择你的自动驾驶软件栈如Apollo点击运行。模拟器会自动加载场景主车和NPC将按照设定行为运动。实操心得LGSVL编辑器的可视化路径绘制和触发器系统让构建这种有精确时空关系的场景变得非常直观和快速。整个过程中你不需要关心车辆动力学方程的细节只需要关注“在哪儿”、“什么时候”、“做什么”。这对于测试工程师快速构建大量标准测试用例极其友好。生成的场景文件可以直接放入CI/CD流水线进行自动化测试。5. 选型决策与常见问题排查5.1 我该如何选择决策矩阵为了帮你更直观地做决定我整理了一个简单的决策矩阵考量维度CARLA 优势场景LGSVL (SVL Simulator) 优势场景核心优势视觉逼真度、场景丰富性、动态交互真实性与自动驾驶栈集成度、测试场景的可重复性与可控性、开发效率适合团队高校/研究院算法创新、专注感知尤其视觉的团队、追求极致仿真的项目车企/Tier1系统集成、基于Apollo/Autoware的开发者、测试验证工程师构建效率高灵活性但复杂场景需编程学习曲线陡可视化编辑标准场景构建快学习曲线平缓硬件需求高尤其GPU需要强劲机器跑出高帧率相对较低更注重CPU和内存易于部署和扩展生态集成Python API强大易于与机器学习框架PyTorch, TensorFlow集成原生支持ROS/ROS2/Cyber RT与Apollo等“开箱即用”测试标准化需要自己搭建测试框架和评估体系场景文件标准化易于集成到CI/CD和测试管理平台个人建议如果你的核心工作是训练或测试深度学习感知模型特别是视觉相关或者你在研究需要高度逼真环境交互的新算法如强化学习CARLA几乎是必选项。如果你在做自动驾驶全栈的集成、测试和验证特别是基于百度Apollo、Autoware等开源框架或者需要快速构建大量符合行业标准OpenSCENARIO的测试用例LGSVL能让你事半功倍。折中方案两者并不完全互斥。有些团队会使用CARLA生成逼真的传感器数据用于感知模型训练同时使用LGSVL进行系统级的集成和逻辑测试。也有研究尝试将两者结合例如用CARLA渲染用LGSVL的接口与Apollo通信。5.2 常见问题与排查技巧实录在实际使用中你肯定会遇到各种坑。这里分享一些我踩过的雷和解决方法。CARLA 常见问题问题模拟器运行卡顿帧率极低。排查首先在运行CARLA时加上-quality-levelLow或-quality-levelEpic参数调整渲染质量。在脚本中检查是否生成了过多传感器尤其是摄像头和激光雷达每个传感器都是性能杀手。技巧对于不需要视觉的训练可以使用-RenderOffScreen模式运行无头服务器。在Python API中通过world.tick()控制步长避免循环空转。升级显卡驱动确保CUDA版本兼容。问题车辆控制不精准总是偏离预定路径。排查CARLA默认的车辆物理模型为了性能做了简化。检查是否使用了set_autopilot它内置的控制器可能不够好。如果自己控制确保控制频率每秒发送控制命令的次数足够高如20Hz。技巧对于路径跟踪建议使用PID控制器或更高级的模型预测控制器MPC。CARLA的vehicle.apply_control()接收的是油门/刹车和转向值需要根据当前车速和期望轨迹实时计算。可以先用简单的waypoint跟随算法测试。问题自定义地图导入后车辆陷入地面或漂浮。排查这通常是OpenDRIVE地图与UE场景网格Mesh的高度Z轴不匹配导致的。技巧在RoadRunner中导出时确保选择正确的坐标轴朝向和单位。在UE中导入后使用CARLA提供的Recast工具重新生成导航网格NavMesh并检查生成的地面碰撞体是否准确。LGSVL 常见问题问题与Apollo的Cyber RT连接失败收不到传感器数据。排查这是最常见的集成问题。首先确保LGSVL模拟器和Apollo的Bridge组件使用的是相同的ROS版本或Cyber RT版本。检查网络配置localhost或IP地址是否正确。技巧在LGSVL的Web UI中“Simulations”配置页面仔细检查“Autonomous System”的设置。对于Apollo通常选择“Apollo 5.0”之类的模板。查看Apollo的dreamview前端和cyber_monitor工具确认是否有对应的Channel在收发数据。问题在场景编辑器中绘制的车辆路径运行时车辆不按路径走。排查检查NPC车辆的“Initial Speed”是否设置为0如果为0车辆需要时间加速可能看起来没动。检查路径点是否设置了“Idle”行为如Stop这会让车辆停止。技巧为路径的第一个点也设置一个速度值如5 m/s。确保路径点之间的连接是平滑的避免急弯。使用“播放”功能在编辑器中预览路径。问题模拟器启动后黑屏或地图加载不出来。排查可能是图形驱动问题或者是Unity渲染设置不兼容。技巧尝试以命令行方式启动模拟器并添加-screen-fullscreen 0 -screen-quality Fantastic等参数调整窗口和画质。查看日志文件通常在~/.config/unity3d/LGElectronics/SVL Simulator/Player.log里面常有具体的错误信息。最后无论选择哪个平台文档和社区都是你最好的朋友。CARLA的官方文档和论坛非常活跃LGSVL的GitHub仓库和文档也在持续更新。遇到问题时先搜一下Issues和Discussions大概率已经有人遇到过并给出了解决方案。仿真环境的搭建和调试本身就是一个系统工程耐心和细致是唯一的捷径。