SUMO与CARLA联合仿真：自动驾驶开发实战指南

1. 为什么需要SUMO与CARLA联合仿真

自动驾驶系统的开发离不开高质量的仿真环境。在实际工程中，我们常常面临一个矛盾：微观交通仿真需要精细的车辆动力学模型，而宏观交通流仿真则需要处理大规模的道路网络和复杂交通行为。这就是SUMO和CARLA这对黄金组合的价值所在。

SUMO（Simulation of Urban MObility）作为开源交通仿真工具，擅长处理城市级路网和复杂交通流。它能模拟数千辆车的群体行为，包括跟车、变道、路口交互等，但车辆动力学模型相对简单。而CARLA则提供了高保真的3D环境和精确的物理引擎，支持传感器模拟和复杂场景构建，但在大规模交通流模拟上性能有限。

我在实际项目中发现，单独使用CARLA时，当场景中车辆超过50辆，帧率就会明显下降。而SUMO虽然能轻松处理上万辆车，但无法满足自动驾驶算法对传感器数据和物理交互的需求。将两者结合，正好互补短板——SUMO负责生成真实的交通流背景，CARLA聚焦于主车的精细仿真。

2. 环境搭建：从零开始的配置指南

2.1 基础环境准备

推荐使用Ubuntu 20.04 LTS系统，这是目前对CARLA支持最稳定的平台。需要预先安装：

• Python 3.8（CARLA对3.9+支持尚不完善）
• SUMO 1.12.0（注意版本兼容性）
• CARLA 0.9.13（新版本API变动较大）

安装SUMO时最容易踩的坑是环境变量配置。建议通过apt安装后，手动检查以下路径是否加入.bashrc：

bash复制export SUMO_HOME=/usr/share/sumo
export PATH=$PATH:$SUMO_HOME/bin

2.2 CARLA的特殊配置

CARLA的Python API需要额外安装依赖。实测发现直接pip安装容易出问题，推荐使用虚拟环境：

bash复制python -m venv carla-env
source carla-env/bin/activate
pip install -r PythonAPI/carla/requirements.txt

注意：CARLA的Python包必须与其服务端版本严格匹配。我曾因为混用0.9.12的客户端和0.9.13的服务端，导致诡异的同步错误。

3. 联合仿真的核心实现原理

3.1 通信桥梁构建

SUMO和CARLA通过TraCI协议进行交互。关键是在CARLA中启动TraCI客户端，在SUMO中启用TraCI服务端。这里有个精妙的设计点：时间同步机制。

建议采用SUMO主导的时间步进模式，代码框架如下：

python复制while simulation_running:
    traci.simulationStep()  # SUMO推进仿真
    current_time = traci.simulation.getTime()
    
    # 同步CARLA世界状态
    carla_world.tick()
    
    # 获取SUMO车辆信息并更新CARLA
    sumo_vehicles = traci.vehicle.getIDList()
    for veh_id in sumo_vehicles:
        pos = traci.vehicle.getPosition(veh_id)
        carla_actor = vehicle_dict[veh_id]
        carla_actor.set_transform(calculate_carla_transform(pos))

3.2 坐标系统转换

最大的挑战来自坐标系差异：

• SUMO使用平面直角坐标系（x,y）
• CARLA使用UE4的左手法则坐标系（x,y,z）

需要特别注意y轴反转和高度补偿。我总结的转换公式：

python复制def sumo_to_carla(x_sumo, y_sumo):
    # 1单位≈1米，y轴取反
    x_carla = x_sumo
    y_carla = -y_sumo  
    z_carla = get_terrain_height(x_carla, y_carla) + 0.5  # 地面补偿
    return (x_carla, y_carla, z_carla)

4. 实战：构建矿山场景自动驾驶仿真

4.1 自定义地图导入

对于特殊场景如矿山，标准地图不适用。可以通过FBX导入工作流：

1. 在Blender中建模并导出FBX
2. 使用CARLA的ImportAssets.py工具转换
3. 通过RecastBuilder生成导航网格

踩坑记录：矿山地形的高度差经常导致导航网格生成失败。解决方法是在Blender中预先做地面平滑处理，确保坡度不超过30度。

4.2 特殊交通行为模拟

矿山场景需要模拟重型卡车的特殊行为：

sumocfg复制<vType id="mining_truck" accel="0.8" decel="1.5" sigma="0.4" length="12"/>
<route edges="edge1 edge2" departSpeed="10">
    <stop lane="edge2_0" endPos="50" duration="30"/>  # 模拟装载等待
</route>

在CARLA端需要对应调整物理参数：

python复制physics_control = vehicle.get_physics_control()
physics_control.mass = 5000  # 吨位
physics_control.drag_coefficient = 0.8  # 风阻
vehicle.apply_physics_control(physics_control)

5. 传感器数据融合实战

5.1 多传感器时间对齐

联合仿真中最棘手的问题是时间同步。建议采用硬件时钟模拟方案：

python复制class SensorCallback:
    def __init__(self):
        self.last_tick = 0
    
    def __call__(self, data):
        current_tick = carla_world.get_snapshot().frame
        if current_tick != self.last_tick:
            process_data(data)
            self.last_tick = current_tick

5.2 激光雷达点云配准

当需要将SUMO的抽象车辆转换为CARLA的点云时，可以采用包围盒投影法：

python复制def generate_lidar_points(vehicle):
    bbox = vehicle.bounding_box
    points = []
    for x in np.linspace(-bbox.extent.x, bbox.extent.x, 5):
        for y in np.linspace(-bbox.extent.y, bbox.extent.y, 5):
            for z in np.linspace(-bbox.extent.z, bbox.extent.z, 3):
                points.append(vehicle.transform.transform(
                    carla.Location(x,y,z)))
    return points

6. 性能优化技巧

6.1 交通流分级加载

对于大规模仿真，可采用动态加载策略：

python复制def update_traffic():
    ego_pos = ego_vehicle.get_transform().location
    for veh_id in sumo_vehicles:
        sumo_pos = traci.vehicle.getPosition(veh_id)
        if distance(ego_pos, sumo_pos) < 200:  # 200米范围内
            if veh_id not in active_vehicles:
                spawn_in_carla(veh_id)
        else:
            if veh_id in active_vehicles:
                destroy_in_carla(veh_id)

6.2 异步通信模式

默认的同步模式会导致性能瓶颈，可以改造为异步IO：

python复制async def traci_loop():
    while True:
        await asyncio.sleep(0.05)  # 20Hz更新
        traci.simulationStep()

async def carla_loop():
    while True:
        await asyncio.sleep(0.01)  # 100Hz更新
        world.tick()

asyncio.run(asyncio.gather(traci_loop(), carla_loop()))

7. 典型问题排查指南

7.1 车辆位置抖动问题

现象：SUMO车辆在CARLA中呈现高频抖动
排查步骤：

1. 检查时间戳同步（打印双方仿真时间）
2. 验证坐标转换公式（特别是y轴方向）
3. 降低SUMO的模拟步长（尝试从0.1s改为0.05s）

7.2 传感器数据延迟

解决方案矩阵：

在矿山场景实测中，将画质从Epic降到High，帧率从18fps提升到45fps，而视觉质量损失在可接受范围内。