收集過程可視化展示，隨后進入正文：
參考與前言
看到仿真群對這類任務下（用carla收集數據然后再做訓練等） 需求量大，順手馬上寫一個好了，首先收集數據需要考慮清楚：
-
收集什么數據，需要什么樣的數據格式
-
數據之間的時間戳一定要同步，這就意味着對carla的時間設置有一定的認知
-
收集數據時一般沒啥意外的話 我們傾向於車自己自動跑，有時候可能會想着 不考慮紅綠燈、速度快一點等等等。這意味着要對traffic manager有一定認知
我一直以為... CARLA 寫完的專欄已經很清晰的寫了怎樣使用 但是... 大家好像傾向於動手再說 就導致了 我們群里不止看到過一次以下問題：
- 怎樣保證傳感器之間的同步 → 同步模式設置
- 為什么我的CARLA看起來很卡 → 看看GPU能不能跟得上把 bro
接下來 我們將完成這樣一個任務：收集車輛行駛過程中的前端兩個相機圖，頂部雷達點雲，同時保存自身IMU和GNSS數據（注意GPS和直接從carla拿的location是不一樣的！）GNSS的數據是需要進行一定轉換才能和carla location是一樣的
以下有些部分很基礎，懶得看文字的直接看代碼也行，代碼地址：https://gitee.com/kin_zhang/carla-python-api/blob/develop/tutorial/collect_data.py
相關參考鏈接及教學 一並在前言放出，后續不再進行單獨復制：
-
知乎小飛哥 CARLA教程專欄：https://www.zhihu.com/column/c_1324712096148516864
-
博主自己的 CSDN教程專欄：https://blog.csdn.net/qq_39537898/category_11562137.html
-
最好的！！！還是CARLA 官方文檔！！！ 球球大家多查查官方文檔把！！ PS 記得對上自己的CARLA版本哦
簡單關注點，以下全部有官方文檔對應部分：
- CARLA 世界的時間是怎樣運行與規定的：https://carla.readthedocs.io/en/latest/adv_synchrony_timestep/
- 內部有哪些傳感器可用：https://carla.readthedocs.io/en/latest/ref_sensors/
0. 世界設置
同步時間設置
注意收集數據 一定要開CARLA同步模式，而如果要用trafficmanager，因為開過同步模式，trafficmanager也是需要一起同步的。這塊的知識在前言里有給出鏈接
球球大家看看時間設置把：CARLA時間設置
以下直接截取了，完整代碼請點擊前言部分：
def main(args):
# We start creating the client
client = carla.Client(args.host, args.port)
client.set_timeout(5.0)
# world = client.get_world()
world = client.load_world('Town01')
blueprint_library = world.get_blueprint_library()
try:
original_settings = world.get_settings()
settings = world.get_settings()
# We set CARLA syncronous mode
settings.fixed_delta_seconds = 0.05
settings.synchronous_mode = True
world.apply_settings(settings)
spectator = world.get_spectator()
# 手動規定
# transform_vehicle = carla.Transform(carla.Location(0, 10, 0), carla.Rotation(0, 0, 0))
# 自動選擇
transform_vehicle = random.choice(world.get_map().get_spawn_points())
ego_vehicle = world.spawn_actor(random.choice(blueprint_library.filter("model3")), transform_vehicle)
actor_list.append(ego_vehicle)
- client和server進行連接
- get_world就是CARLA現在這個界面上是什么地圖 世界就是那個；load world呢就是自己可以選不默認的CARLA 內置的幾個城鎮
- 開啟同步模式
- 放一輛特斯拉的車到上面
自動模式開啟
因為簡單起見，就不在進行專門的規則或者走carla 的behaviour agent了，直接用traffic manager里面的進行設置為自動駕駛模式，更多設置見官方文檔，比如下面列舉了：忽略紅綠燈和限速
# 設置traffic manager
tm = client.get_trafficmanager(args.tm_port)
tm.set_synchronous_mode(True)
# 是否忽略紅綠燈
# tm.ignore_lights_percentage(ego_vehicle, 100)
# 如果限速30km/h -> 30*(1-10%)=27km/h
tm.global_percentage_speed_difference(10.0)
ego_vehicle.set_autopilot(True, tm.get_port())
其中需要着重注意的是 因為前面設了同步 traffic manager也需要設為同步，同時銷毀的時候要設置回來，剛剛寫教程的時候 半天沒找到bug 只看見車不動；前者是幫同學找問題的時候發現如果一個腳本設了同步 traffic manager不設同步 CARLA 整體npc會卡卡的
不設同步模式在沒那么好的GPU上就會出現一卡一卡的現象 如下兩幅動圖對比，那么就會導致傳感器收到的數據有丟幀現象，沒錯那篇時間博文里的插圖，很久之前我畫的（第二幅 很明顯有卡幀和丟幀情況出現）：
1. 布置傳感器
此處我們參考carla內部的示例，此處感謝李同學的提示 hhh 一開始打算直接暴力一點，想着都同步了 應該無需走queue了 不過還是frame保險起見比較好：
#-------------------------- 進入傳感器部分 --------------------------#
sensor_queue = Queue()
cam_bp = blueprint_library.find('sensor.camera.rgb')
lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
imu_bp = blueprint_library.find('sensor.other.imu')
gnss_bp = blueprint_library.find('sensor.other.gnss')
# 可以設置一些參數 set the attribute of camera
cam_bp.set_attribute("image_size_x", "{}".format(IM_WIDTH))
cam_bp.set_attribute("image_size_y", "{}".format(IM_HEIGHT))
cam_bp.set_attribute("fov", "60")
# cam_bp.set_attribute('sensor_tick', '0.1')
cam01 = world.spawn_actor(cam_bp, carla.Transform(carla.Location(z=args.sensor_h),carla.Rotation(yaw=0)), attach_to=ego_vehicle)
cam01.listen(lambda data: sensor_callback(data, sensor_queue, "rgb_front"))
sensor_list.append(cam01)
cam02 = world.spawn_actor(cam_bp, carla.Transform(carla.Location(z=args.sensor_h),carla.Rotation(yaw=60)), attach_to=ego_vehicle)
cam02.listen(lambda data: sensor_callback(data, sensor_queue, "rgb_left"))
sensor_list.append(cam02)
lidar_bp.set_attribute('channels', '64')
lidar_bp.set_attribute('points_per_second', '200000')
lidar_bp.set_attribute('range', '32')
lidar_bp.set_attribute('rotation_frequency', str(int(1/settings.fixed_delta_seconds))) #
lidar01 = world.spawn_actor(lidar_bp, carla.Transform(carla.Location(z=args.sensor_h)), attach_to=ego_vehicle)
lidar01.listen(lambda data: sensor_callback(data, sensor_queue, "lidar"))
sensor_list.append(lidar01)
imu01 = world.spawn_actor(imu_bp, carla.Transform(carla.Location(z=args.sensor_h)), attach_to=ego_vehicle)
imu01.listen(lambda data: sensor_callback(data, sensor_queue, "imu"))
sensor_list.append(imu01)
gnss01 = world.spawn_actor(gnss_bp, carla.Transform(carla.Location(z=args.sensor_h)), attach_to=ego_vehicle)
gnss01.listen(lambda data: sensor_callback(data, sensor_queue, "gnss"))
sensor_list.append(gnss01)
#-------------------------- 傳感器設置完畢 --------------------------#
以上主要是：
- 到庫里去找到這樣一個傳感器
- 對傳感器進行一些設置，比如相機的FOV，激光雷達的通道數
- 然后把傳感器放到車上！所以有個attch到自己車上哈
主要需要注意的是激光雷達的設置：
-
points_per_second 越多 點越密集，同時和雷達通道數有關哈（可選我記得是：32、64、128）
-
一定要注意rotation_frequency 是自己fixed_delta_seconds 的頻率 不然就會出現 只收了半面，比如這幅圖：
2. 收集數據
主要參考carla官方示例里的sensor_synchronization.py，以下為while循環內截取
while True:
# Tick the server
world.tick()
# 將CARLA界面攝像頭跟隨車動
loc = ego_vehicle.get_transform().location
spectator.set_transform(carla.Transform(carla.Location(x=loc.x,y=loc.y,z=35),carla.Rotation(yaw=0,pitch=-90,roll=0)))
w_frame = world.get_snapshot().frame
print("\nWorld's frame: %d" % w_frame)
try:
rgbs = []
for i in range (0, len(sensor_list)):
s_frame, s_name, s_data = sensor_queue.get(True, 1.0)
print(" Frame: %d Sensor: %s" % (s_frame, s_name))
sensor_type = s_name.split('_')[0]
if sensor_type == 'rgb':
rgbs.append(_parse_image_cb(s_data))
elif sensor_type == 'lidar':
lidar = _parse_lidar_cb(s_data)
elif sensor_type == 'imu':
imu_yaw = s_data.compass
elif sensor_type == 'gnss':
gnss = s_data
# 僅用來可視化 可注釋
rgb=np.concatenate(rgbs, axis=1)[...,:3]
cv2.imshow('vizs', visualize_data(rgb, lidar, imu_yaw, gnss))
cv2.waitKey(100)
except Empty:
print(" Some of the sensor information is missed")
def sensor_callback(sensor_data, sensor_queue, sensor_name):
# Do stuff with the sensor_data data like save it to disk
# Then you just need to add to the queue
sensor_queue.put((sensor_data.frame, sensor_name, sensor_data))
至此完成了收集數據部分，同時運行完整代碼即可見如下動態所示：
3. 保存數據
這個就是對應的save一下就行，展示效果如下：
if rgb is None or args.save_path is not None:
# 檢查是否有各自傳感器的文件夾
mkdir_folder(args.save_path)
filename = args.save_path +'rgb/'+str(w_frame)+'.png'
cv2.imwrite(filename, np.array(rgb[...,::-1]))
filename = args.save_path +'lidar/'+str(w_frame)+'.npy'
np.save(filename, lidar)
對於點雲如果要有啥其他操作 推薦使用open3d進行，比如：
import numpy as np
import open3d as o3d
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(np.load('217.npy')[:,:3])
o3d.visualization.draw_geometries([pcd])
總結
以上主要簡單實現了一下CARLA內部簡易版數據收集腳本，語重心長版：
- 要知道自己用CARLA的目的是什么
- 多看官方文檔，很多API 官方解釋的很到位
- 多看官方示例，很多都是寶藏 hhh
另外完整代碼在：gitee 外鏈