自动驾驶—CARLA仿真（16）generate_traffic demo

📌 测试用例

PythonAPI/examples/generate_traffic.py

大规模交通流生成器（Traffic Generator），用于：

批量生成指定数量的车辆和行人
配置 Traffic Manager（TM）实现智能交通行为
支持同步/异步模式、安全过滤、主车设置等高级功能

适用于 自动驾驶系统在复杂城市场景下的压力测试、感知算法验证、V2X 通信仿真。

carla_generate_traffic

🔑 主要模块解析

1. 蓝图过滤与代际控制

python 复制代码

def get_actor_blueprints(world, filter, generation):
    bps = world.get_blueprint_library().filter(filter)
    if generation.lower() == "all": return bps
    # 按 generation 属性过滤（1/2/3 代车辆）
    bps = [x for x in bps if int(x.get_attribute('generation')) == int_generation]

--generationv / --generationw：限制生成特定代际的车辆/行人
--safe ：仅生成 base_type='car' 的车辆（排除摩托车等易事故车型）

✅ 确保生成的 Actor 符合测试需求（如只用四轮汽车）。

2. Traffic Manager 高级配置

python 复制代码

traffic_manager = client.get_trafficmanager(args.tm_port)
traffic_manager.set_global_distance_to_leading_vehicle(2.5)  # 跟车距离
traffic_manager.set_hybrid_physics_mode(True)               # 混合物理（近处高精度）
traffic_manager.set_respawn_dormant_vehicles(True)          # 自动重生休眠车辆
traffic_manager.global_percentage_speed_difference(30.0)    # 全局降速 30%

混合物理模式 ：
- 半径 70 米内车辆使用完整物理
- 外部车辆简化计算 → 提升大规模仿真性能
自动重生：在大型地图（如 Town10）中防止交通稀疏

3. 高效批量生成（Batch Spawning）

车辆生成：

python 复制代码

batch = []
for transform in spawn_points[:args.number_of_vehicles]:
    batch.append(SpawnActor(blueprint, transform)
        .then(SetAutopilot(FutureActor, True, tm_port)))
client.apply_batch_sync(batch, do_tick=True)

原子操作 ：SpawnActor + SetAutopilot 合并为单次 RPC 调用
避免逐个生成的高延迟

行人生成（三阶段）：

生成行人实体（带速度属性）
生成 AI 控制器 （controller.ai.walker）

启动控制器 ：

python 复制代码

controller.start()
controller.go_to_location(random_location)
controller.set_max_speed(walking_speed)

✅ 支持 行人过街行为 （set_pedestrians_cross_factor）和 轮椅行人（10% 概率）。

4. 同步模式管理

python 复制代码

if not args.asynch:
    traffic_manager.set_synchronous_mode(True)
    settings.synchronous_mode = True
    settings.fixed_delta_seconds = 0.05  # 20 FPS
world.apply_settings(settings)

同步模式：确保传感器数据与时序严格对齐（推荐用于数据采集）
异步模式：更高帧率但可能丢帧（仅用于可视化）

5. 特殊车辆配置

英雄车（Hero Vehicle） ：
python 复制代码
```
if hero: blueprint.set_attribute('role_name', 'hero')
```
- 通常用于挂载传感器的主车
- 可通过 world.get_actors().filter('vehicle.*') 按 role_name 筛选
自动车灯管理 ：
python 复制代码
```
traffic_manager.update_vehicle_lights(actor, True)
```
- 根据环境光自动开关大灯/雾灯

6. 资源安全清理

python 复制代码

finally:
    # 恢复原始世界设置
    world.apply_settings(original_world_settings)
    
    # 批量销毁车辆
    client.apply_batch([DestroyActor(x) for x in vehicles_list])
    
    # 停止行人控制器 + 销毁所有行人
    for i in range(0, len(all_id), 2):
        all_actors[i].stop()  # 控制器需先 stop()
    client.apply_batch([DestroyActor(x) for x in all_id])

关键细节 ：行人控制器必须先 stop() 再销毁，否则会报错

🎯 核心应用场景

场景	配置参数
高密度交通测试	`-n 100 -w 50 --hybrid`
夜间行车验证	`--car-lights-on`
特定车型测试	`--filterv "vehicle.tesla.*" --generationv 2`
无渲染高性能仿真	`--no-rendering --asynch`
可复现实验	`--seed 12345 --seedw 67890`

⚠️ 技术点

混合物理模式
- 在 Town10 等大型地图中，同时保证 近处精度 和 全局规模
行人行为多样性
- 支持 行走/奔跑 、过街、轮椅三种行为模式
原子化批量操作
- 使用 apply_batch_sync 减少网络开销，100 辆车生成时间 < 2 秒
无缝模式切换
- 自动处理同步/异步模式的世界设置差异

✅ 总结

该脚本是 CARLA 生产级交通仿真的标准模板，展示了：

如何 高效生成大规模、多样化交通参与者
如何 配置 Traffic Manager 实现真实交通行为
如何 管理资源与仿真模式 确保稳定性

它是构建 城市场景自动驾驶测试 pipeline 的基石，特别适合需要 高保真、可扩展、可复现 交通流的工业级应用。