CARLA模拟器中行人骨骼旋转问题的技术解析
2025-05-19 23:21:53作者:羿妍玫Ivan
概述
在CARLA自动驾驶仿真平台中,行人的骨骼动画系统是基于Unreal Engine实现的。开发者在处理行人骨骼旋转时经常会遇到一些非直观的行为,特别是当尝试将所有骨骼旋转设置为零时,行人模型无法呈现标准的T-pose姿势。本文将深入分析这一现象的技术原因,并提供解决方案。
问题现象
当开发者尝试通过WalkerBoneControlIn接口将所有骨骼的相对旋转设置为零时,期望行人模型呈现标准的对称T-pose,但实际结果却出现了不对称的姿势。特别是以下骨骼表现异常:
- crl_arm(手臂骨骼)
- crl_thigh(大腿骨骼)
- crl_forearm(前臂骨骼)
- crl_legs(腿部骨骼)
- crl_foot(足部骨骼)
技术背景
CARLA中的行人骨骼系统源自Maya中的绑定姿势,在Maya中所有骨骼的初始旋转确实为零,对应标准的T-pose。然而,当这些骨骼数据导入Unreal Engine后,引擎会在骨骼定义层级自动添加一些旋转偏移量。
根本原因分析
问题的根源在于Unreal Engine对骨骼系统的特殊处理:
- 骨骼定义修改:Unreal Engine在导入骨骼时会修改骨骼定义,添加自己的旋转偏移
- 绑定姿势差异:Maya中的零旋转姿势与Unreal中的零旋转姿势定义不同
- 坐标系转换:不同3D软件间的坐标系差异导致旋转表现不一致
解决方案
要正确设置行人骨骼姿势,需要以下步骤:
- 获取Unreal中的T-pose旋转值:在Unreal项目中查找SK_Pedestrian_General骨骼定义中的T-pose旋转值
- 应用逆旋转:对每个骨骼应用其Unreal T-pose旋转的逆旋转,才能得到真正的零旋转状态
- 骨骼层级处理:需要考虑骨骼层级关系,逐级应用旋转修正
实现示例
# 获取行人所有骨骼
all_bones = ped.get_bones()
new_bones = []
for bone in all_bones.bone_transforms:
# 对每个骨骼应用修正旋转
corrected_rotation = calculate_corrected_rotation(bone.name)
new_bones.append((
bone.name,
carla.Transform(
rotation=corrected_rotation,
location=bone.relative.location
)
))
# 应用修正后的骨骼控制
ped.set_bones(carla.WalkerBoneControlIn(new_bones))
注意事项
- 骨骼层级:修正旋转时需要保持骨骼层级关系
- 性能考虑:频繁更新骨骼动画会影响仿真性能
- 混合动画:与行走动画混合时可能出现不自然过渡
结论
CARLA中行人骨骼系统的旋转问题源于Unreal Engine对骨骼数据的后处理。通过理解这一机制并应用适当的旋转修正,开发者可以精确控制行人姿势。这一知识对于开发需要精细控制行人动画的自动驾驶仿真场景尤为重要。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.68 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143