仿真测试入门参考(19):CARLA的车辆模型
“ 经常有朋友问如何学习仿真测试，于是想着把自己的一些经验和理解分享出来，希望能有所帮助。不过视野和技术有限，所说不一定对，供大家批评和参考。这是第19篇，CARLA的车辆模型。”
国庆前的一篇介绍了CARLA的基本概念，然后就是逐渐对CARLA中的各个部分进行介绍了。终于在国庆期间赶完了这篇，可能是全网最详细的CARLA车辆模型的说明，供大家参考。
不过还是有些地方没有搞明白，欢迎大家指教，不胜感激！
比如carla.WheelPhysicsControl中的tire_friction是什么作用？如何对carla.VehiclePhysicsControl中未列出的其他参数进行设置？如何获取SlipAngle/suspForce/normTireLatForce等内部参数？
这些信息可以通过Vehicle的show_debug_telemetry方法显示在渲染窗口，如下图所示：
下面是正文：
1.车辆模型
CARLA中的车辆模型包括3D模型和动力学模型两个方面。3D模型用于实现车辆的可视化渲染，可以在3D模型开发软件中设计、开发，并导入到虚幻引擎UE中使用。动力学模型用于实现车辆逼真的动态效果，CARLA中的车辆采用中的虚幻引擎UE中的AWheeledVehicle模型（核心是NVIDIA的PhysX模型）。下面对PhysX模型进行简要的说明。
参考了这些资料：
（1）Nvidia Physx文档：
（2）Unreal Engine文档：
https://docs.unrealengine.com/4.26/en-US/InteractiveExperiences/Vehicles/VehicleUserGuide/
（3）carla文档：
https://carla.readthedocs.io/en/latest/core_actors/
PhysX中考虑了不同的车轮数量，但是为了说明的简单，本节将车辆简化为两轮模型，将车体（簧上质量）简化为前轴质量和后轴质量，通过并通过悬架与车轮（簧下质量）相连，如下图所示。
在静止状态下，由力平衡和力矩平衡可由下式得到：
式中M、Mf和Mr分别为总质量、前轴质量和后轴质量，Xcm、Xr和Xf分别为质心与几何中心的水平距离、前轴与几何中心的距离和后轴与几何中心的水平距离。
仿真运行进行更新时，首先采用光线投射方法（raycast），进行悬架位置的计算，如下图。将车轮与地面的接触位置简化为一个轮胎触点，光线投射从车轮最高点开始，并沿着悬架舒张方向向下投射到车轮最低点为止，计算出车辆与地面的接触点以及车轮的位置，进而计算悬架的压缩量和弹簧力，并结合驱动力和行驶阻力计算簧上质量和簧下质量所有受到的外力。然后便可建立车辆各部件的方程，对各种状态进行求解。
2.车辆的添加和使用
车辆Vehicle作为交通参与者Actor的重要类型，其使用方式也按照交通参与者Actor的三个步骤，即：选取蓝图并生成（spawning）、操作（handling）、销毁（destruction）。
（1）选取蓝图并生成（spawning）
生成交通参与者使用World的try_spawn_actor（blueprint, spwan_point）方法，该方法需要指定准备生成的交通参与者的蓝图blueprint以及生成的位置spwan_point。
代码的第16行，从蓝图库中获取了vehicle.tesla.model3作为我们准备生成的车型。代码的第19~33行通过全局变量SPAWN_POINT可以配置两种不同的生成位置获取方法：
①SPAWN_POINT为“spectator”时，在spectator当前的位置生成。观察者spectator是一个特殊的actor，用于调整CARLA渲染窗口的视角，该视角可以通过键盘上的W/A/S/D和鼠标拖动进行调整，也可以设置其位置和朝向，代码的第58~64行，设置观察者spectator跟随ego车辆的位置和朝向；
②SPAWN_POINT为“random”时，在预先定义的生成点中随机选择。为方便交通参与者的生成，CARLA的地图中提供了很多预先定义的生成点，这些生成点在地图上的所有范围都有分布，可通过代码第28~31行进行可视化，效果下图所示：
（2）操作（handling）
操作包含仿真运行期间所有对交通参与者的处理，如参数设置、状态获取和控制等。车辆Vehicle的属性和方法既包括交通参与者Actors公有的内容，也包含车辆Vehicle特有的内容。
车辆模型的参数可参照第42~50行获取和设置。bounding_box是车辆的外接长方体，其bounding_box.extent属性中的x/y/z分别是几何中心距离三个面的距离，其实也就是长宽高的一半。get_physics_control()可获取车辆模型的物理参数，具体如下表所示：
CARLA中旋转部件（如发动机、车轮）在只受阻尼力矩时的，新角速度的计算公式为：
其中w_new和w_old分别为当前帧的新角速度与上一帧的旧角速度，u_damp为阻尼系数，M为转动惯量，dt为仿真步长。对于发动机，其阻尼系数根据油门开度的不同进行线性插值得到，如下式所示：
其中，u_damp为插值后的阻尼系数，离合器结合时u_zero为零油门开度离合器结合的阻尼系数damping_rate_zero_throttle_clutch_engaged，离合器分离时u_zero为零油门开度离合器分离的阻尼系数damping_rate_zero_throttle_clutch_disengaged，u_full为最大油门开度的阻尼系数damping_rate_full_throttle，a为油门开度。
轮胎的纵向力可由下式计算得到：
其中，K_X为纵向刚度long_stiff_value，s_X为弧度表示的纵向滑移角度，g为当前的重力加速度。
轮胎的侧向力可由下式计算得到：
其中，当轮胎的实际负载F_Z不小于饱和负载K_N*F_N时，K_Y为侧向刚度系数lat_stiff_value，当轮胎的实际负载小于饱和负载时，K_Y由平滑的插值得到（暂时没搞明白是怎么插值的）。一个插值的示例如下图所示，该示例中饱和负载时，K_N=3，K_Y=18。s_Y为弧度表示的侧向滑移角度，K_N为饱和负载系数lat_stiff_max_load，F_N为车辆完全静止时的车轮负载。
CARLA提供了不同的方法对车辆进行控制，如：
①采用Actor的方法进行控制，如通过set_target_velocity方法设置目标速度、通过set_transform方法设置位姿；
②采用Vehicle的apply_ackermann_control方法设置目标转向角、速度和加速度等；
③采用Vehicle的apply_control方法设置油门、制动和转向比例；
④设置车辆为自动驾驶模式，由Traffic Manager模块对车辆进行控制。
这四种方法在代码的66~83行进行了示例，并可通过全局变量CONTROL_MODE取值进行设置。
仿真运行中可获取车辆运行状态用于计算、显示等后续处理，代码85~91行对车辆的位姿、速度和加速度进行了获取和打印。
（3）销毁（destruction）
运行帧数大于10000后，跳出53行的while循环，在94行对车辆进行了销毁处理。
需要补充说明的是，本示例中采用了CARLA默认的异步变步长模式，仿真运行由CARLA的服务端Server自行触发，这样的话在客户端获取信息或者进行设置时需要等待触发才能生效，这就是代码中world.wait_for_tick()的用处所在。
代码如下：
import carlaimport random#设置ego生成位置的选择模式，"spectator" OR "random"SPAWN_POINT = "random"#设置ego的控制模式，"set_transform" OR "ackermann_control" OR "control" OR "autopilot"CONTROL_MODE = "autopilot"def main():#创建client，并获取worldclient = carla.Client("localhost", 2000)world = client.get_world()#设置ego的车型ego_bp = world.get_blueprint_library().find('vehicle.tesla.model3')ego_bp.set_attribute('role_name','ego')if SPAWN_POINT == "spectator":#选择当前spectator位置为ego生成位置spectator = world.get_spectator()spectator_tf = spectator.get_transform()spawn_point = spectator_tfelif SPAWN_POINT == "random":#随机选择预定义的生成点为ego生成位置spawn_points = world.get_map().get_spawn_points()# #生成点的可视化# for i, spawn_point in enumerate(spawn_points):# world.debug.draw_string(spawn_point.location, str(i), life_time=100)# world.debug.draw_arrow(spawn_point.location, spawn_point.location + spawn_point.get_forward_vector(), life_time=100)spawn_point = random.choice(spawn_points)#生成ego车ego_vehicle = world.try_spawn_actor(ego_bp, spawn_point)snap = world.wait_for_tick()init_frame = snap.framerun_frame = 0print(f"spawn ego vehicle at: {spawn_point}")#获取和设置车辆属性bbx = ego_vehicle.bounding_boxphysics = ego_vehicle.get_physics_control()print(f"bounding_box = {bbx}")print(f"physics = {physics}")physics.mass = 2000ego_vehicle.apply_physics_control(physics)ego_vehicle.set_light_state(carla.VehicleLightState.All)#采用默认的异步变步长模式while run_frame < 10000:snap = world.wait_for_tick()run_frame = snap.frame - init_frameprint(f"-- run_frame = {run_frame}")#设置spectator跟随ego车spectator = world.get_spectator()ego_tf = ego_vehicle.get_transform()spectator_tf = carla.Transform(ego_tf.location, ego_tf.rotation)spectator_tf.location += ego_tf.get_forward_vector() * (-10)spectator_tf.location += ego_tf.get_up_vector() * 3spectator.set_transform(spectator_tf)#控制车辆if CONTROL_MODE == "set_transform":new_ego_tf = carla.Transform(ego_tf.location, ego_tf.rotation)new_ego_tf.location += ego_tf.get_forward_vector() * 0.1ego_vehicle.set_transform(new_ego_tf)elif CONTROL_MODE == "ackermann_control":#ackermann_controlackermann_control = carla.VehicleAckermannControl()ackermann_control.speed = 5.0ego_vehicle.apply_ackermann_control(ackermann_control)elif CONTROL_MODE == "control":#controlcontrol = carla.VehicleControl()control.throttle = 0.3ego_vehicle.apply_control(control)else:#为ego车设置自动驾驶ego_vehicle.set_autopilot(True)#获取车辆状态transform = ego_vehicle.get_transform()velocity = ego_vehicle.get_velocity()acceleration = ego_vehicle.get_acceleration()print(f"-current transform = {transform}")print(f"-current velocity = {velocity}")print(f"-current acceleration = {acceleration}")#销毁车辆is_destroyed = ego_vehicle.destroy()if is_destroyed:print(f"ego_vehicle has been destroyed sucessfully")if __name__ == "__main__":main()
