1. 项目概述与核心价值

如果你正在自动驾驶仿真领域摸爬滚打，尤其是在CARLA平台上折腾自定义地图，那么“UE4崩溃”和“性能瓶颈”这两个词，大概率是你的老朋友了。我经历过无数次在Ubuntu终端前，看着编译进度条走到99%时，UE4编辑器突然闪退，或者辛辛苦苦导入的地图在仿真时帧率暴跌到个位数，那种感觉确实让人想砸键盘。这个项目，就是针对这个痛点的一次系统性梳理和实战。它的核心目标非常明确：在Ubuntu 18.04这个CARLA 0.9.10官方推荐的环境下，利用RoadRunner 2022b这款专业工具，从头到尾制作一张既能保证视觉保真度，又能满足实时仿真高性能要求的地图，并最终无缝集成到CARLA中。

为什么是这套组合？CARLA 0.9.10虽然相对旧一些，但其生态稳定，资料丰富，是很多团队和研究的起点。Ubuntu 18.04是它的“官配”系统，兼容性最有保障。而RoadRunner作为MathWorks旗下的专业自动驾驶仿真场景设计工具，它最大的优势在于工作流的高度集成化——你可以在一个软件里完成道路网络设计、交通标志放置、建筑和植被的布设，并且它能直接导出为UE4引擎完美兼容的资产包，这比用传统建模软件（如Blender、3ds Max）导出FBX再手动导入UE4进行材质、碰撞体处理要高效、规范得多，也从根本上减少了因资产不规范导致的崩溃风险。

简单来说，这个过程就是把专业的地图制作流程（RoadRunner）和强大的游戏引擎（UE4），通过一套标准的“翻译”规则（导出插件和编译脚本），打包成一个自动驾驶仿真引擎（CARLA）能直接“食用”的高性能地图。最终，你得到的不再是一个容易崩溃的“玩具”，而是一个可以在上面稳定运行感知算法、规划控制模块测试的“仿真试验场”。接下来，我会拆解每一个环节，把其中容易踩坑的细节和提升性能的秘诀都摊开来讲。

2. 环境准备：构建稳固的基石

在开始任何创造性工作之前，搭建一个稳定、兼容的基础环境是避免后续无数诡异错误的前提。Ubuntu 18.04、UE4、CARLA、RoadRunner，每一个都是“大块头”，对系统依赖有着苛刻的要求。

2.1 系统基础环境配置

首先，确保你的Ubuntu 18.04系统是最新状态。打开终端，执行标准的更新升级命令是第一步：

sudo apt update sudo apt upgrade -y

接下来，需要安装一系列编译工具和基础库。CARLA和UE4的编译严重依赖这些工具链。

sudo apt install -y build-essential clang-8 lld-8 g++-7 cmake ninja-build libvulkan1 python3-pip python3-dev python3-setuptools libpng-dev libtiff5-dev libjpeg-dev tzdata sed curl unzip autoconf libtool rsync

这里有几个关键点：

• clang-8和lld-8：UE4在Linux上推荐使用Clang进行编译，版本8是与UE4 4.24（CARLA 0.9.10的基础）兼容性较好的一个选择。
• g++-7：一些底层库可能仍需要GCC编译，安装7版本作为备用。
• ninja-build：比传统的make更快的构建系统，UE4和CARLA都支持用它来加速编译。

一个重要避坑点：Ubuntu 18.04默认的Python3是3.6版本，这通常没问题。但请务必使用python3和pip3命令，避免与系统可能存在的Python 2产生冲突。不要随意升级系统默认的Python 3.6到更高版本，这可能导致一些系统工具失效。

显卡驱动是性能的命门。对于UE4编辑器和最终的CARLA仿真，NVIDIA驱动是必须的。建议通过系统“软件和更新”附加驱动选项卡，选择最新的专有驱动（例如nvidia-driver-470或更高，但需注意与CUDA版本的兼容性）。安装后务必重启。

2.2 UE4引擎源码获取与编译

CARLA 0.9.10构建在Unreal Engine 4.24版本之上。我们不能使用Epic Games启动器安装的二进制版本，必须使用源码进行编译，因为CARLA需要修改引擎源码并重新编译。

1. 注册Epic账户并关联GitHub：前往Unreal Engine官网，用Epic账户登录，并按照指引将其与你的GitHub账户关联。这是获取源码的必经之路。
2. 克隆UE4源码：在你的工作目录（例如~/Development）下，克隆指定版本的引擎代码。这是一个巨大的仓库，请耐心等待。

   git clone --depth 1 -b 4.24 https://github.com/EpicGames/UnrealEngine.git ~/UnrealEngine_4.24

   使用--depth 1只克隆最新提交，可以节省大量时间和磁盘空间。
3. 运行安装脚本：进入目录，运行提供的安装脚本，它会下载必要的二进制组件。

   cd ~/UnrealEngine_4.24 ./Setup.sh

4. 编译引擎：这是最耗时的一步，可能需要数小时，取决于你的CPU核心数和性能。

   ./GenerateProjectFiles.sh make

   注意：编译过程内存消耗极大，建议系统拥有至少16GB物理内存，并准备足够的交换空间（Swap）。如果编译过程中因内存不足被杀死（Killed），你需要增加交换空间。可以创建一个8GB的交换文件：

   sudo fallocate -l 8G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile # 为了永久生效，将 /swapfile swap swap defaults 0 0 添加到 /etc/fstab

5. 验证安装：编译成功后，在~/UnrealEngine_4.24/Engine/Binaries/Linux/下会生成UE4Editor可执行文件。可以尝试运行它，能打开编辑器界面即表示成功。

2.3 CARLA 0.9.10 源码获取与依赖安装

CARLA的安装同样基于源码。

1. 克隆CARLA仓库：

   git clone https://github.com/carla-simulator/carla.git ~/carla cd ~/carla git checkout 0.9.10 # 切换到0.9.10版本标签

2. 获取资产和更新子模块：CARLA需要额外的资源文件（如车辆模型、材质）。

   ./Update.sh

   Update.sh脚本会下载大约10GB的预编译资产，并初始化子模块。请确保网络通畅。
3. 安装Python依赖：CARLA提供了丰富的Python API，需要安装相关依赖。

   pip3 install --user -r PythonAPI/requirements.txt

2.4 RoadRunner 2022b 的安装与配置

RoadRunner是商业软件，你需要从MathWorks官网获取安装包（通常是一个.tar.gz文件）和有效的许可证。

1. 解压与安装：

   tar -xzf roadrunner-2022b.tar.gz -C ~/ cd ~/roadrunner-2022b ./install

   跟随图形安装向导完成安装。建议安装路径选择/opt或你的家目录下，避免权限问题。
2. 配置UE4导出插件：这是RoadRunner与UE4联动的桥梁。在RoadRunner安装目录或启动后的界面中，找到“Unreal Engine Plugin”相关选项。你需要指定之前编译好的UE4引擎根目录（~/UnrealEngine_4.24）。RoadRunner会向该引擎目录安装一个导出插件。
3. 验证插件：启动UE4编辑器（编译好的那个），在新建或打开任意项目后，点击菜单栏的“编辑” -> “插件”，在搜索框中输入“RoadRunner”，应该能看到已安装的RoadRunner导入插件，并确保其是启用状态。

至此，一个包含地图制作（RoadRunner）、场景渲染（UE4）、仿真逻辑（CARLA）的完整工具链基础环境就搭建完毕了。这个过程看似步骤繁多，但每一步都是在为后续的顺畅和稳定扫清障碍。我强烈建议你在完成每一步后都做一个简单的验证，比如UE4编辑器能否打开，CARLA的Update.sh是否成功下载资产，RoadRunner能否启动，这样可以及时定位问题，避免错误累积到最后无从下手。

3. RoadRunner地图设计与优化要点

环境就绪后，我们进入核心创作环节——使用RoadRunner设计地图。这里不仅仅是画几条路那么简单，我们需要时刻考虑最终在CARLA中仿真的性能。

3.1 项目设置与道路网络构建

启动RoadRunner，新建一个项目。第一件事是设置正确的项目单位和坐标系。CARLA和UE4默认使用厘米（cm）作为单位，坐标系为Z轴向上。在RoadRunner的项目设置中，务必将其调整为“厘米”和“Z-Up”。这一步如果错了，后续导入UE4时会导致比例严重失调和模型方向错误。

道路网络是地图的骨架。RoadRunner提供了非常直观的道路绘制工具。

1. 使用“道路”工具：像使用画笔一样绘制道路中心线。初期不必过于纠结细节，先勾勒出主干道、交叉口的整体布局。
2. 利用“交叉口”工具：在道路交汇处点击，RoadRunner会自动生成规范的路口几何形状，包括车道线、停止线、转弯区域等。这是手动建模几乎无法高效完成的工作。
3. 精细调整车道：在“车道”面板中，你可以为每条道路段详细定义车道数量、宽度、类型（行车、公交、自行车）、以及车道线样式（实线、虚线、颜色）。这里有一个关键优化点：在非必要的直道区域，尽量减少车道数的变化。频繁的车道增减会导致网格（Mesh）分割更复杂，增加渲染负担。
4. 添加道路标志和信号：从丰富的库中拖拽交通标志（限速、指示牌）和信号灯模型到场景中，并关联到相应的车道或路口。RoadRunner会自动处理它们的朝向和附着。

3.2 场景资产布置与性能平衡

道路网络完成后，需要添加建筑、植被、街道设施等来丰富场景。这里是性能影响的重灾区。

1. 建筑布置策略：

   • LOD（多层次细节）是关键：确保你从库中拖入的建筑物资产本身包含LOD。在RoadRunner的“场景”窗口或资产管理器中，可以查看资产的LOD层级。好的资产应该有高模（近看）、中模、低模（远看）多个版本。
   • 复用与实例化：不要对每一栋楼都使用独一无二的模型。选择5-10个风格统一的建筑模型，进行旋转、缩放后重复使用。RoadRunner和UE4会对相同的静态网格体进行自动实例化渲染，这能极大降低Draw Call（绘制调用）数量，这是提升帧率最有效的手段之一。
   • 控制密度：在仿真车辆的主要行驶路径两侧，可以布置密集一些的建筑以形成“街道峡谷”感。但在远离道路的区域，尤其是地图边缘，应大幅减少建筑密度，甚至用简单的平面贴图替代。

2. 植被布置技巧：

   • 使用公告板（Billboard）树木：对于中远距离的树木，强烈建议使用公告板类型的资产（即总是面向摄像机的2D图片）。它们的多边形数量极少，但视觉效果在运动中可以接受。
   • 谨慎使用3D高模树木：仅在路旁关键观赏点或停车区附近少量使用，作为视觉点缀。
   • 利用散布（Scatter）工具：RoadRunner的植被散布工具可以快速生成草地、灌木丛。务必调整“密度”和“比例随机”参数，避免过于均匀和密集，那会显得不自然且消耗性能。

3. 地面与贴图：

   • 为不同区域（道路、人行道、泥土、草地）分配不同的材质。使用高质量但尺寸合理的纹理贴图（如2048x2048）。避免使用一张巨大的4096x4096贴图铺满整个地图。
   • 利用RoadRunner的“贴花”（Decal）功能来添加路面磨损、污渍、落叶等细节，它们通常比修改整个地面材质性能开销更小。

3.3 为UE4和CARLA导出做准备

设计完成后，在导出前，我们需要进行一系列针对性设置，确保地图能高效地转换到UE4。

1. 检查并优化资产：在“场景”窗口中，可以查看整个场景的静态网格体数量、三角形总数估算。一个性能良好的、用于实时仿真的中型城市地图，三角形总数建议控制在200万至500万个以内。如果超标，需要回到上一步，减少高模资产的使用，或增加LOD的使用距离。
2. 设置导出范围：使用“导出区域”工具，框选你实际需要导出的地图区域，避免将无关的测试性内容一并导出。
3. 配置UE4导出设置：这是最关键的一步。点击“导出” -> “Unreal Engine...”，会弹出详细设置窗口。
   • 导出路径：选择一个空文件夹，用于存放导出的所有文件（.fbx模型、.png贴图、.uasset资源等）。
   • 网格体选项：勾选“生成碰撞体”（Generate Collision）。RoadRunner会为道路、路缘石等生成简化的碰撞网格，这对于CARLA中的物理模拟至关重要。
   • 材质选项：选择“导出材质”（Export Materials）。RoadRunner会生成基于物理渲染（PBR）的材质球，包含基础色、法线、粗糙度等纹理。
   • LOD选项：确保“导出LOD”（Export LODs）被勾选。这样UE4才能根据距离切换不同细节层次的模型。
   • 世界原点：通常保持默认（0，0，0）。如果你的地图离原点非常远，可以考虑平移，但一般没必要。

点击导出后，RoadRunner会开始处理场景，这个过程可能需要几分钟到十几分钟，取决于场景复杂度。最终，你会在目标文件夹中得到一个.rrdata文件（RoadRunner场景数据）和一系列子文件夹（Meshes,Textures,Materials等），以及一个关键的RoadRunnerScene.uproject文件。这个.uproject文件就是引导UE4导入所有资产的“项目文件”。

4. UE4中的地图导入与材质优化

拿到RoadRunner导出的资源包后，下一步就是在UE4中将其整合成一个可运行的地图，并进行关键的材质和性能优化。

4.1 创建UE4项目与资源导入

1. 使用导出的.uproject文件：最简单的方法是直接双击RoadRunnerScene.uproject文件。这会启动UE4编辑器，并自动创建一个以此为基础的新项目，所有导出的资产（网格体、材质、纹理）都会自动导入到内容浏览器中。
2. 手动导入（备用方法）：如果你已经有一个现有的CARLA兼容UE4项目，可以将导出文件夹内的Content子目录直接复制到你项目的Content目录下。然后打开UE4编辑器，在内容浏览器中右键点击相应文件夹，选择“重新导入”。
3. 检查导入结果：打开内容浏览器，你应该能看到一个结构清晰的文件夹，通常以你的地图名命名，里面包含Meshes、Materials、Textures等。打开Meshes文件夹，随意点击一个静态网格体，在细节面板中检查其“碰撞复杂性”（Collision Complexity），应该显示为“使用简单碰撞体”（Use Simple Collision），这表明RoadRunner生成的碰撞体已成功附加。

4.2 材质检查与调整

RoadRunner导出的PBR材质在UE4中通常可以直接使用，但为了性能和兼容性，我们仍需检查。

1. 打开主要材质：找到用于道路、人行道、建筑墙面的主要材质球，双击打开材质编辑器。
2. 检查纹理采样器：确保纹理采样器的“Mip值”（Mip Value）模式设置为“From Texture Group”。这允许纹理根据距离进行Mipmap（一种纹理LOD技术）切换，节省显存和带宽。
3. 简化材质逻辑：观察材质图。RoadRunner生成的材质可能包含一些复杂的混合节点。如果某些混合效果在仿真视角下并不明显（例如微小的污渍层），可以考虑移除它们。每减少一个纹理采样或复杂计算节点，都能为渲染节省一点资源。
4. 实例化材质参数：如果有多栋建筑使用同一材质但颜色略有不同，不要创建多个材质球。而是创建一个材质实例（Material Instance），通过修改其标量参数（如BaseColor）或向量参数来实现变化。材质实例的渲染开销远低于独立的材质球。

4.3 构建光照与烘焙（Baking）

光照是影响视觉真实感和性能的另一大因素。对于CARLA这样的动态仿真，我们通常使用静态或固定（Stationary）光照，并对阴影进行烘焙。

1. 放置光源：在场景中放置“定向光源”（Directional Light）模拟太阳，可以再添加一些“天空光照”（Sky Light）来补充环境光。将它们的“移动性”（Mobility）设置为“固定”（Stationary）。
2. 设置世界场景设置：在“世界场景设置”中，确保“强制无预计算光照”（Force No Precomputed Lighting）未被勾选。
3. 构建光照：点击工具栏上的“构建”（Build）按钮，选择“仅构建光照”（Build Lighting Only）。UE4将开始计算光照贴图（Lightmap），这个过程可能很长。优化技巧：在构建前，可以在“项目设置”->“渲染”->“光照”中，适当降低“光照贴图分辨率”（Lightmap Resolution）和“间接光照质量”（Indirect Lighting Quality）的预览级别，以加快构建速度。最终构建时再调高。
4. 检查光照贴图UV：对于自定义导入的静态网格体，需要确保其有第二套UV通道用于光照贴图。RoadRunner导出的模型通常已自动生成。你可以在静态网格体编辑器的“UV”视图中查看“UV通道1”来确认。

完成光照构建后，你的地图在编辑器内应该已经有了基本的光影效果，并且性能会比实时动态阴影好很多。

4.4 地图打包与测试

在将地图交给CARLA之前，最好先在UE4编辑器内进行简单的性能测试和功能验证。

1. 运行测试：点击“运行”（Play）按钮，在编辑器内以游戏模式查看地图。使用鼠标键盘控制视角移动，观察帧率（按Ctrl+Shift+H显示统计数据）。
2. 性能分析：按“~”键打开控制台，输入stat unit，可以查看帧时间（Frame time）分解，了解是CPU（Game）还是GPU（Draw）是瓶颈。如果GPU耗时很高，说明需要进一步优化模型、材质或阴影；如果CPU（Game）耗时高，可能是Actor数量过多或蓝图逻辑复杂（对于RoadRunner地图，通常问题在GPU）。
3. 打包地图：最后，我们需要将整个项目和地图打包成一个CARLA能识别的格式。在UE4编辑器中，选择“文件”->“打包项目”->“Linux”。选择一个输出目录（例如~/carla/Import）。打包过程会生成一个包含所有Cooked（已处理）资源的.pak文件和其他数据文件。

至此，一张为UE4优化过的仿真地图就准备好了。它已经具备了完整的几何、碰撞、材质和光照信息，下一步就是将其“喂”给CARLA仿真器。

5. 集成到CARLA 0.9.10并进行性能调优

这是最后一步，也是将静态地图转化为动态仿真环境的关键一步。

5.1 使用CARLA导入脚本

CARLA提供了专门的Python脚本，用于将打包好的UE4地图资源导入到其资产系统中。

1. 准备导入目录：在CARLA源码根目录下，有一个Import文件夹。将你上一步UE4打包输出的所有文件（通常是一个LinuxNoEditor文件夹及其内容）复制或移动到~/carla/Import目录下。
2. 运行导入脚本：

   cd ~/carla ./ImportAssets.sh

   这个脚本会自动识别Import目录下的资源，进行解包、转换，并将其移动到CARLA的Unreal/CarlaUE4/Content目录下的相应位置。
3. 编译CARLA：导入新地图后，需要重新编译CARLA UE4客户端，以将新地图资源链接到最终的二进制文件中。

   make launch

   这个命令会编译UE4客户端（CarlaUE4项目）。第一次编译或地图资源变化后编译，时间会比较长。

5.2 在CARLA中加载与测试地图

编译成功后，运行CARLA服务器和客户端。

1. 启动服务器：

   cd ~/carla ./CarlaUE4.sh -quality-level=Low -carla-server

   这里我添加了-quality-level=Low参数。这是一个非常重要的性能调优起点。它强制UE4使用最低的图形质量预设，关闭了许多昂贵的后期处理效果（如动态模糊、环境光遮蔽），可以立即获得显著的帧率提升。我们后续的调优可以在此基础上，有选择地开启一些必要效果。
2. 使用Python API加载地图：打开另一个终端，运行Python脚本加载你的新地图。

   cd ~/carla/PythonAPI/examples python3 generate_traffic.py -m YourMapName

   你需要将YourMapName替换为你的地图在UE4中的名称（通常是BaseMapName， 可以在UE4编辑器世界大纲视图中查看主关卡名称）。

5.3 针对CARLA仿真的深度性能调优

现在地图已经跑起来了，但可能帧率还不理想。我们需要在CARLA运行时进行更细致的调优。

1. 命令行参数调优：在启动CarlaUE4.sh时，可以组合使用以下参数：

   • -quality-level=Low： 如前所述，基础设置。
   • -benchmark -fps=20： 将帧率限制在20FPS。对于自动驾驶仿真，稳定的20-30FPS往往比波动的60FPS更有价值，因为它为传感器数据（如相机图像）提供了稳定的时间间隔。
   • -windowed -ResX=1280 -ResY=720： 以窗口模式运行，并降低分辨率。这是提升帧率最直接粗暴且有效的方法之一。
   • -RenderOffScreen： 无头模式运行，不显示图形界面。如果你只使用RGB相机传感器数据而不需要查看窗口，这个模式可以节省大量GPU资源。

2. 通过Python API进行运行时设置：在连接CARLA客户端后，可以通过API动态调整一些渲染设置。

   import carla client = carla.Client('localhost', 2000) world = client.get_world() settings = world.get_settings() # 1. 固定时间步长：这对于控制循环和传感器同步至关重要 settings.fixed_delta_seconds = 0.05 # 对应20FPS # 2. 关闭同步模式（除非你需要与外部控制严格同步） settings.synchronous_mode = False # 3. 应用设置 world.apply_settings(settings) # 4. 调整天气和后期处理（对性能影响大） weather = carla.WeatherParameters( cloudiness=10.0, # 降低云量 precipitation=0.0, # 无降水 sun_altitude_angle=70.0, # 调整太阳高度 fog_density=0.0, # 关闭雾效 ) world.set_weather(weather)

   通过Python API，你可以在仿真过程中灵活地切换这些设置，找到画质和性能的最佳平衡点。

3. 监控与诊断：CARLA服务器运行时，会在终端输出日志。关注是否有警告或错误信息。同时，可以使用nvidia-smi命令监控GPU利用率、显存占用和温度。如果GPU利用率持续在95%以上，说明它已经是瓶颈，需要进一步降低画质或分辨率。

6. 常见问题排查与实战心得

即使按照步骤操作，也难免会遇到各种问题。这里我汇总了一些高频问题和解决思路。

6.1 编译与启动类问题

6.2 地图导入与显示类问题

6.3 性能调优心得

• 性能是设计出来的，不是调出来的：最大的性能提升来自于RoadRunner设计阶段的克制。在添加每一个高模资产、每一片密集植被前，都问自己：仿真车真的需要看到这个细节吗？
• LOD是你的朋友：确保所有自定义导入的模型都有至少2-3级LOD。在UE4的静态网格体编辑器中可以检查并调整LOD距离。
• 阴影开销巨大：定向光的动态阴影是性能杀手。尽可能使用烘焙的光照贴图。如果必须有动态物体阴影，考虑使用更廉价的“接触阴影”（Contact Shadows）或降低阴影分辨率。
• 分辨率是终极武器：对于纯算法测试，将CARLA窗口缩小到640x480甚至以无头模式运行，能释放出巨大的GPU算力给你的感知模型。
• 稳定比高帧率更重要：通过-benchmark -fps=20和设置fixed_delta_seconds来锁定帧率，可以确保传感器数据的时间戳间隔均匀，这对于基于时间序列的算法（如目标跟踪、SLAM）至关重要。

整个流程走下来，你会发现从RoadRunner的一张白纸，到CARLA里一个流畅运行的仿真世界，中间每一个环节都环环相扣。环境配置是体力活，需要耐心和细心；地图设计是艺术和工程的结合，需要在视觉真实感和运行效率间做权衡；而最后的集成与调优，则是经验和技巧的体现。这套方法论的价值在于其可重复性和可优化性。你制作的第一张地图可能磕磕绊绊，但当你掌握了这些原则和工具，后续制作第二张、第三张地图时，效率和效果都会大幅提升。最终，你将拥有一个完全可控、高度定制化的仿真环境，这对于自动驾驶算法的研发和测试来说，无疑是一个强大的加速器。