本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

使用 CARLA 进行自动驾驶仿真扫描

本教程将引导您使用可配置的多传感器捕获功能运行 CARLA 自动驾驶仿真参数扫描。你构建一个 Docker 镜像，将其推送到亚马逊弹性容器注册表（亚马逊 ECR），然后将自动驾驶 CARLA 任务包提交 GitHub到你的 Deadline Cloud 农场上的 GPU 队列。

该任务运行的是换道切入场景，其中一辆 NPC 车辆从自我的车辆后面开始，在 105 秒的起步阶段加速到比自我领先20米的位置，然后切入自我的车道。它涵盖了可配置的自我速度、NPC 速度和 NPC 起始距离，为每个参数组合（默认 2×2×2 = 8 个任务）创建一个任务。每项任务都会从您选择的摄像机视点捕获多传感器数据，并生成以下输出：

以下视频演示了 Deadline Cloud 上的 CARLA 仿真扫描工作流程。

预计时间：1—2 小时，包括 Docker 镜像构建。每个任务通常在大约 13 分钟内完成。

运行本教程会产生处理任务的 GPU 工作实例和 Amazon ECR 图像存储的费用。

概述

要完成本教程，请按照以下步骤操作：

先决条件

在开始之前，请完成以下设置：

设置你的农场

你需要一个 Deadline Cloud 农场，其队列具有 conda 队列环境（频道:conda-forge，软件包:ffmpeg）和 GPU 队列（至少：1 个 NVIDIA GPU、16 个 vCPU 和 64 GiB 内存）。

IAM 权限 — 您的队列角色需要 Amazon ECR 提取权限，因为任务脚本docker pull在队列角色证书下运行。附上如下所示的策略：

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "ecr:GetDownloadUrlForLayer",
        "ecr:BatchGetImage",
        "ecr:BatchCheckLayerAvailability"
      ],
      "Resource": "arn:aws:ecr:REGION:ACCOUNT_ID:repository/*"
    },
    {
      "Effect": "Allow",
      "Action": "ecr:GetAuthorizationToken",
      "Resource": "*"
    }
  ]
}

舰队主机配置 — 您的舰队工作人员需要 Docker 和 NVIDIA 容器工具包。将 Docker 和 NVIDIA 容器工具包主机配置脚本附加 GitHub到您的队列上。有关更多信息，请参阅 在 Deadline Cloud 工作者上运行带有 NVIDIA GPU。

生成并推送 Docker 镜像

该任务基于 Docker Hub 上的:0.9.16 carlasim/carla 基础镜像在 Docker 容器内运行。基本 CARLA 映像包括模拟器，但缺少此工作所需的 Python 环境、场景运行器和传感器捕获脚本。Python 3.10 上的自定义映像层scenario_runner，以及入口点和捕获脚本，因此每个 Deadline Cloud 任务都可以在单个容器中启动 CARLA、执行驾驶场景和记录传感器数据。

提交模拟作业

或者，使用 CLI 提交：

deadline bundle submit . \
  --farm-id FARM_ID \
  --queue-id QUEUE_ID \
  --name "CARLA Lane Change Demo" \
  -p ImageURI=ACCOUNT_ID.dkr.ecr.REGION.amazonaws.com/carla-deadline:0.9.16 \
  -p AwsRegion=REGION

监控任务

在 Deadline Cloud 控制台中监控进度。每个任务在任务表中显示其参数值 (EgoSpeedNpcSpeed、、NpcDistance)。每个任务通常在大约 13 分钟内完成。

日志输出显示：

查看输出

每个任务都会在以其参数命名的子目录中生成输出：

outputs/
└── ego20_npc30_dist10/
    ├── rgb/
    │   ├── front/frame_000001.png ... frame_000062.png
    │   └── rear/frame_000001.png ... frame_000062.png
    ├── semantic/
    │   ├── front/...
    │   └── rear/...
    ├── lidar/frame_000001.ply ...
    ├── bbox_2d/{front,rear}/frame_*.txt
    ├── bbox_3d/frame_*.txt
    └── video/
        ├── front_scenario.mp4
        ├── rear_scenario.mp4
        └── grid_scenario.mp4

已知限制条件

清理

为避免持续收费，请清理您为本教程创建的资源：

相关资源

以下资源提供了其他信息：