CARLA模拟器中为行人角色添加自定义属性的技术实现
在CARLA自动驾驶仿真平台中,行人(Walker)是重要的交通参与者之一。本文将详细介绍如何在CARLA 0.9.13版本中为行人角色添加自定义布尔属性,使其能够通过Python脚本进行动态设置。
背景与需求分析
CARLA提供了丰富的API允许用户通过Python脚本控制仿真环境中的各种元素。对于行人角色,系统已经内置了一些可配置属性如"is_invincible"(无敌状态)、"speed"(移动速度)等。但在实际项目中,开发者可能需要为行人添加更多自定义属性以满足特定仿真需求。
技术实现方案
1. 修改底层数据结构
首先需要在C++层面对行人的参数结构体进行扩展。在PedestriansParameters.h文件中,我们为FPedestrianParameters结构体添加新的布尔成员变量:
UPROPERTY(EditAnywhere, BlueprintReadWrite)
bool on_wheelchair = false;
这个声明确保了该属性:
- 可以在编辑器中进行编辑(
EditAnywhere) - 可以在蓝图中读写(
BlueprintReadWrite) - 默认值为false
2. 注册属性到蓝图系统
接下来需要在ActorBlueprintFunctionLibrary.cpp文件中注册这个新属性,使其能够被蓝图系统和Python API识别:
FActorVariation OnWheelchair;
OnWheelchair.Id = TEXT("on_wheelchair");
OnWheelchair.Type = EActorAttributeType::Bool;
OnWheelchair.RecommendedValues = { TEXT("false") };
OnWheelchair.bRestrictToRecommended = false;
这段代码定义了属性的:
- 唯一标识符("on_wheelchair")
- 类型(布尔型)
- 推荐值(默认为false)
- 是否限制只能使用推荐值(false表示不限制)
3. 属性映射处理
在WalkerFactory蓝图中,系统会自动收集所有已注册的行人属性并建立映射关系。通过调试输出可以看到,新添加的"on_wheelchair"属性已经成功包含在属性列表中:
on_wheelchair
role_name
gender
speed
is_invincible
generation
age
使用方式
完成上述修改并重新编译后,即可在Python脚本中使用新添加的属性:
walker_bp = world.get_blueprint_library().filter('walker.*')[0]
walker_bp.set_attribute('on_wheelchair', 'true') # 设置为使用轮椅
walker_bp.set_attribute('on_wheelchair', 'false') # 设置为不使用轮椅
注意事项
-
编译问题:如果在添加属性后遇到编译错误,需要检查所有相关文件的修改是否完整,特别是头文件的包含关系。
-
命名规范:属性ID建议使用小写字母和下划线的组合,保持与现有属性一致的命名风格。
-
类型匹配:确保在Python脚本中设置属性值时,字符串形式的布尔值必须为"true"或"false"。
-
版本兼容性:本文方案基于CARLA 0.9.13版本实现,其他版本可能需要适当调整。
扩展应用
掌握了为行人添加基本属性的方法后,开发者可以进一步扩展:
- 添加更多类型的属性(如整型、浮点型、字符串等)
- 实现属性间的联动逻辑
- 在行人行为树中使用这些自定义属性
- 基于属性值实现不同的行人动画效果
通过这种灵活的属性扩展机制,CARLA能够更好地适应各种自动驾驶仿真场景的需求。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00