【实战指南】从零到一：在Carla Leaderboard上构建并提交你的自动驾驶智能体

小象扑满

1. Carla Leaderboard入门指南

第一次接触Carla Leaderboard时，我也被各种术语和流程搞得晕头转向。经过几个月的实战，我总结出了这套适合新手的完整指南。Carla Leaderboard是自动驾驶领域最具影响力的开源评测平台之一，它模拟了真实城市道路环境，要求参赛者提交的自动驾驶智能体完成指定路线，同时遵守交通规则。

这个平台最吸引人的地方在于它的开放性。不同于某些商业平台的封闭性，Carla完全开源，任何人都可以免费使用。我刚开始参与时，团队只有两个人，用的还是实验室的老旧显卡，但这并不妨碍我们做出有竞争力的方案。平台提供了Town01到Town07共7个不同风格的城市地图，包含交叉路口、环岛、高速公路等复杂场景。

参与Leaderboard需要准备以下基础环境：

Ubuntu 18.04/20.04系统（Windows可通过WSL2运行）
NVIDIA显卡（建议至少8GB显存）
Docker环境
Python 3.7环境

提示：虽然官方支持CUDA 9.0，但我推荐使用CUDA 11.3+，能获得更好的性能表现。我在RTX 3090上测试时，CUDA 11.7的推理速度比CUDA 9.0快了近30%。

2. 环境搭建与本地测试

2.1 Carla安装与配置

首先下载Carla 0.9.10.1版本（当前Leaderboard支持的最新稳定版）。这个版本大约8GB，建议使用迅雷等工具加速下载。解压后你会得到一个名为CarlaUE4的可执行文件，这就是仿真器本体。

我习惯创建一个conda环境来管理依赖：

bash复制conda create -n carla python=3.7
conda activate carla
cd CARLA_0.9.10.1
pip install -r PythonAPI/carla/requirements.txt

启动仿真器时，我推荐使用以下参数：

bash复制./CarlaUE4.sh -quality-level=Low -world-port=2000

把画质设为Low可以显著提升性能，特别是在本地测试阶段。等最终提交前，再切换为Epic画质进行最后验证。

2.2 Leaderboard工具链安装

官方提供了两个关键组件：

Leaderboard：评测框架主体
Scenario Runner：场景运行器

安装步骤：

bash复制git clone -b stable --single-branch https://github.com/carla-simulator/leaderboard.git
cd leaderboard
pip install -r requirements.txt

git clone -b leaderboard --single-branch https://github.com/carla-simulator/scenario_runner.git
cd scenario_runner
pip install -r requirements.txt

为了方便使用，我在~/.bashrc中添加了这些环境变量：

bash复制export CARLA_ROOT=~/CARLA_0.9.10.1
export SCENARIO_RUNNER_ROOT=~/leaderboard/scenario_runner
export LEADERBOARD_ROOT=~/leaderboard
export PYTHONPATH="${CARLA_ROOT}/PythonAPI/carla/:${SCENARIO_RUNNER_ROOT}:${LEADERBOARD_ROOT}:${CARLA_ROOT}/PythonAPI/carla/dist/carla-0.9.10-py3.7-linux-x86_64.egg:${PYTHONPATH}"

2.3 首次本地测试

创建一个测试脚本test_run.sh：

bash复制#!/bin/bash
export SCENARIOS=${LEADERBOARD_ROOT}/data/all_towns_traffic_scenarios_public.json
export ROUTES=${LEADERBOARD_ROOT}/data/routes_devtest.xml
export REPETITIONS=1
export DEBUG_CHALLENGE=1
export TEAM_AGENT=${LEADERBOARD_ROOT}/leaderboard/autoagents/human_agent.py
export CHECKPOINT_ENDPOINT=results.json
export CHALLENGE_TRACK_CODENAME=SENSORS

./scripts/run_evaluation.sh

这个脚本会启动一个手动控制模式，你可以用WASD键控制车辆完成路线。通过这个测试，你能直观了解评测流程和计分规则。我第一次测试时因为闯红灯被扣了30%的分数，这让我意识到交通规则在评测中的重要性。

3. 构建自动驾驶智能体

3.1 智能体架构设计

一个完整的自动驾驶智能体通常包含以下模块：

感知模块：处理摄像头、激光雷达等传感器数据
定位模块：确定车辆在地图中的位置
规划模块：生成行驶路线
控制模块：转换为油门、刹车、转向等控制信号

我建议新手从简单的规则系统开始。比如基于车道线检测的循迹算法，虽然简单但能帮你快速理解整个流程。我的第一个版本只用了OpenCV的车道线检测+PID控制，就在简单路线上拿到了60分。

3.2 代码结构示例

智能体的核心是一个继承自AutonomousAgent的类：

python复制from leaderboard.autoagents.autonomous_agent import AutonomousAgent

class MyAgent(AutonomousAgent):
    def setup(self, path_to_conf_file):
        # 初始化模型和参数
        self.model = load_your_model(path_to_conf_file)
        
    def sensors(self):
        # 定义需要的传感器
        sensors = [
            {'type': 'sensor.camera.rgb', 'x': 1.5, 'y': 0.0, 'z': 2.4,
             'roll': 0.0, 'pitch': 0.0, 'yaw': 0.0,
             'width': 800, 'height': 600, 'fov': 100},
            # 可以添加更多传感器
        ]
        return sensors
    
    def run_step(self, input_data, timestamp):
        # 处理传感器数据
        image = input_data['rgb'][1]
        
        # 调用你的算法
        control = self.model.predict(image)
        
        # 返回控制指令
        return control

注意：run_step方法的执行时间直接影响得分。官方要求单帧处理时间不超过100ms，我在优化时发现把PyTorch模型转为TensorRT能提升2-3倍速度。

3.3 训练数据准备

Carla提供了丰富的API来自动采集训练数据：

python复制import carla

client = carla.Client('localhost', 2000)
world = client.get_world()

# 设置天气和光照
weather = carla.WeatherParameters(
    cloudiness=10.0,
    precipitation=0.0,
    sun_altitude_angle=70.0)
world.set_weather(weather)

# 添加车辆和传感器
blueprint_library = world.get_blueprint_library()
vehicle_bp = blueprint_library.find('vehicle.tesla.model3')
transform = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(vehicle_bp, transform)

camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_transform = carla.Transform(carla.Location(x=1.5, z=2.4))
camera = world.spawn_actor(camera_bp, camera_transform, attach_to=vehicle)

我建议至少采集10小时的不同天气、光照条件下的驾驶数据。记得要包含各种特殊情况：行人横穿马路、前车急刹、施工路段等。

4. Docker封装与提交

4.1 创建Docker镜像

官方提供了Dockerfile模板，位于leaderboard/scripts/Dockerfile.master。我们需要在"BEGINNING OF USER COMMANDS"和"END OF USER COMMANDS"之间添加自己的配置：

dockerfile复制ENV TEAM_AGENT /workspace/team_code/my_agent.py
ENV TEAM_CONFIG /workspace/team_code/config.yaml
ENV CHALLENGE_TRACK_CODENAME SENSORS

# 安装额外依赖
RUN apt-get update && apt-get install -y libgeos-dev
RUN pip install opencv-python torch==1.9.0

构建镜像时遇到的一个常见问题是pip版本冲突。解决方法是在Dockerfile中指定pip版本：

dockerfile复制RUN python -m pip install --upgrade pip==20.2.4

4.2 本地验证

构建完成后，先在本地测试Docker镜像：

bash复制docker run -it --net=host --gpus all leaderboard-user /bin/bash
./leaderboard/scripts/run_evaluation.sh

我在这里踩过一个坑：Docker内的时间与主机不同步会导致评测失败。解决方法是在启动时添加：

bash复制docker run -it --net=host --gpus all -v /etc/localtime:/etc/localtime:ro leaderboard-user

4.3 提交到云端

注册AlphaDrive账号后，使用以下命令提交：

bash复制alpha benchmark:submit --split 3 leaderboard-user:latest

提交后通常需要等待24-48小时才能得到结果。我的经验是：

首次提交前务必在本地完整跑通所有测试场景
提交时注明团队名称和联系方式
保留本地日志以便排查问题

5. 优化技巧与常见问题

5.1 性能优化

在我的实践中，以下优化手段效果显著：

模型量化：将FP32模型转为INT8，速度提升2倍
多线程处理：感知和规划分线程运行
缓存机制：重复利用相似场景的规划结果

一个典型的多线程架构：

python复制from threading import Thread
from queue import Queue

class PerceptionThread(Thread):
    def __init__(self, input_queue, output_queue):
        super().__init__()
        self.input = input_queue
        self.output = output_queue
    
    def run(self):
        while True:
            data = self.input.get()
            result = process_data(data)
            self.output.put(result)

perception_queue = Queue()
planning_queue = Queue()

perception_thread = PerceptionThread(perception_queue, planning_queue)
perception_thread.start()

5.2 常见错误排查

端口冲突：确保2000端口未被占用
显存不足：降低模型分辨率或batch size
时间同步问题：检查Docker与主机时间
传感器配置错误：确认传感器位置和参数与代码一致

我遇到最棘手的问题是车辆偶尔会"卡住"不动。后来发现是控制指令的频率不稳定导致的，通过添加一个定时器解决了这个问题：

python复制import time

class ControlTimer:
    def __init__(self, interval=0.05):  # 20Hz
        self.interval = interval
        self.last_time = time.time()
    
    def wait(self):
        elapsed = time.time() - self.last_time
        if elapsed < self.interval:
            time.sleep(self.interval - elapsed)
        self.last_time = time.time()

参与Carla Leaderboard是个长期迭代的过程。我的第一个版本只得了30分，经过三个月优化提升到了85分。关键是要持续分析评测报告，找出扣分点针对性改进。比如发现经常在十字路口失误，就多采集类似场景的数据重新训练模型。

已经到底了哦