自动驾驶—CARLA仿真（12）client_bounding_boxes demo
📌测试用例
PythonAPI/examples/client_bounding_boxes.py
客户端侧 3D 边界框（Client-Side Bounding Boxes）可视化示例，用于：
- 手动驾驶一辆主车（WASD 控制）
- 实时计算并绘制周围车辆的 3D 边界框
- 所有边界框计算在客户端（Python）完成，不依赖 CARLA 服务端
🔑 主要模块解析
1.ClientSideBoundingBoxes类：3D 边界框核心引擎
这是脚本的核心技术模块，完全在客户端实现 3D→2D 投影。
核心方法：
get_bounding_box(vehicle, camera)- 获取车辆 8 个 3D 顶点的世界坐标
- 通过世界→相机坐标变换→相机内参投影→归一化设备坐标
- 返回 8 个 2D 像素点 + 深度值
_create_bb_points(vehicle)- 根据
vehicle.bounding_box.extent生成局部坐标系下的 8 个顶点 - 顺序：底面 4 点（顺时针）+ 顶面 4 点（对应底面）
- 根据
坐标变换链：
车辆局部坐标→世界坐标→相机坐标→2D 像素draw_bounding_boxes()- 使用
pygame.draw.line绘制 12 条边（底面 4 + 顶面 4 + 竖边 4） - 颜色固定为
BB_COLOR = (248, 64, 24)（橙红色）
- 使用
✅关键优势：
不依赖 CARLA 的实例分割传感器，仅需 RGB 摄像头 + 车辆列表即可生成 3D 框。
2.BasicSynchronousClient类：主控制循环
管理仿真、渲染和用户输入。
核心组件：
同步模式：
self.set_synchronous_mode(True)- 确保每帧精确控制，避免传感器数据错位
自定义摄像头：
- 分辨率：
960x540（1920/2 x 1080/2） - FOV：90°
- 位置：车后方 5.5 米，高度 2.8 米，俯角 -15°（第三人称视角）
- 分辨率：
手动控制逻辑：
按键 功能 W前进（throttle=1, reverse=False） S倒车（throttle=1, reverse=True） A/D左/右转向（±0.05 增量） Space手刹 图像同步机制：
self.capture=True# 请求下一帧# 回调中: if self.capture: self.image = img; self.capture = False- 避免多线程竞争，确保渲染与控制同步
3. **坐标系处理
脚本完整实现了CARLA 坐标系到标准计算机视觉坐标系的转换：
| 步骤 | 变换 |
|---|---|
| 1. 车辆局部坐标 | (x,y,z)（CARLA 标准） |
| 2. 世界坐标 | 通过vehicle.get_transform() |
| 3. 相机坐标 | 通过camera.get_transform().get_inverse_matrix() |
| 4.CV 坐标系 | (x,y,z) → (y, -z, x)（关键！） |
| 5. 2D 投影 | K * [y, -z, x]^T |
💡 注释中的
cords_y_minus_z_x正是这一步转换。
4.相机内参校准
calibration=np.identity(3)calibration[0,2]=VIEW_WIDTH/2.0# cxcalibration[1,2]=VIEW_HEIGHT/2.0# cycalibration[0,0]=calibration[1,1]=VIEW_WIDTH/(2.0*tan(FOV/2))# fx=fyself.camera.calibration=calibration- 手动构建3x3 相机内参矩阵 K
- 用于
get_bounding_box()中的 3D→2D 投影
🎯 与服务端方案对比
| 特性 | 客户端方案（本脚本） | 服务端方案（instance_segmentation） |
|---|---|---|
| 依赖 | 仅需 RGB 摄像头 + 车辆列表 | 需要 instance_segmentation 传感器 |
| 精度 | 基于车辆真实 bounding_box | 基于像素分割，可能有锯齿 |
| 性能 | CPU 计算投影（Python） | GPU 渲染分割图 |
⚠️ 注意事项
仅显示其他车辆
vehicles = self.world.get_actors().filter('vehicle.*')包含所有车- 但未过滤主车，主车自身也会显示边界框（可通过
if vehicle.id != self.car.id过滤）
深度过滤
bounding_boxes=[bbforbbinbounding_boxesifall(bb[:,2]>0)]- 移除相机后方的物体（深度 ≤ 0）
坐标系假设
- 假设车辆 bounding_box 中心在
(0,0,0)（CARLA 默认） - 若车辆模型偏移，需调整
_vehicle_to_world
- 假设车辆 bounding_box 中心在
✅ 总结
该脚本是 CARLA客户端 3D 感知的经典实现，展示了：
- 如何从车辆物理属性（bounding_box）生成 3D 顶点
- 如何实现完整的 3D→2D 投影管线
- 如何在纯 Python 客户端实现 3D 边界框可视化
它是学习自动驾驶 3D 目标检测基础的绝佳起点，尤其适合理解坐标变换、相机模型、投影几何等核心概念。