基于CARLA仿真器的自动驾驶系统开发：从感知到决策的完整技术 pipeline

本项目旨在基于CARLA仿真器构建一套完整的自动驾驶系统，覆盖从环境感知到车辆控制的端到端技术 pipeline。项目解决真实道路测试成本高、安全风险大的问题，通过仿真提供安全可控的实验环境。目前已完成基础仿真框架搭建，后续将集成YOLO目标检测、决策逻辑等核心模块，最终实现自主驾驶行为。

自动驾驶技术研发面临真实道路测试成本高、安全隐患大的挑战，仿真平台成为关键解决方案。CARLA作为开源仿真器，具有以下优势：

1. 高保真环境渲染：基于虚幻引擎生成接近真实的视觉效果，支持视觉感知模型训练；
2. 丰富传感器支持：内置RGB摄像头、LiDAR、雷达等多种传感器接口；
3. 可编程交通场景：通过Python API动态生成车辆、行人及交通信号灯；
4. 开源可扩展：提供Python API和C++源码，便于定制与算法集成。

项目已完成基础仿真框架搭建，包括：

1. 仿真连接与环境加载：建立CARLA客户端-服务器连接，加载城市地图；
2. 动态车辆生成：通过蓝图库生成车辆，采用碰撞检测确保安全；
3. 多视角相机系统：支持驾驶员、仪表盘、引擎盖等视角，通过spectator相机实现实时切换；
4. 车辆控制接口：实现油门、转向、制动等基本控制，遵循真实车辆协议。 此外，核心技术概念包括坐标变换（Transforms）、spectator相机系统、安全生成逻辑（try_spawn_actor方法）。

项目后续将开发以下核心模块：

1. RGB相机传感器集成：安装物理RGB相机，获取原始图像数据；
2. 实时视频流处理：建立CARLA到Python的图像流传输，实现格式转换；
3. YOLO目标检测集成：使用YOLO算法检测行人、车辆、交通信号灯等对象；
4. 决策逻辑开发：构建规则或学习型决策模型，将感知结果转化为控制指令；
5. 自动驾驶行为实现：整合模块，实现车道保持、自适应巡航等自主驾驶功能。

项目规划的扩展方向包括：

1. 实时仪表盘：显示车速、障碍物距离、决策状态等信息；
2. 车道检测与交通灯识别：增强道路元素检测能力；
3. 强化学习与神经网络决策模型：探索数据驱动的驾驶策略；
4. ROS2与SLAM集成：对接机器人操作系统，实现同步定位与地图构建。

项目采用的技术栈包括Python（编程语言）、CARLA（仿真平台）、NumPy（科学计算）、OpenCV（计算机视觉）、YOLO（目标检测）。 项目价值：

• 学习者：理解自动驾驶技术栈的实践案例；
• 研究者：低成本验证新算法的测试平台；
• 工程师：向真实系统迁移的过渡桥梁；
• 行业：符合仿真验证→真实迁移的标准实践趋势。