自动驾驶—CARLA仿真（13）dynamic_weather demo

📌 测试用例

PythonAPI/examples/dynamic_weather.py

动态天气控制，用于：

1. 平滑移动太阳位置（模拟一天中的时间变化）
2. 周期性生成风暴（云层、降雨、积水、湿滑路面等）
3. 以可控速度自动更新天气参数

适用于自动驾驶系统在复杂天气下的鲁棒性测试、传感器性能评估、视觉算法验证。

🔑 主要模块解析

1.Sun类：动态太阳轨迹模拟

• 核心逻辑：

  deftick(self,delta_seconds):self._t+=0.008*delta_seconds# 时间累积（正弦波相位）self.azimuth+=0.25*delta_seconds# 方位角匀速旋转（360°/40分钟）self.altitude=(70*sin(self._t))-20# 高度角正弦变化（-20° ~ +50°）

• 效果：
  • 太阳东升西落（方位角 0°→360°）
  • 高度角日出→正午→日落（最低 -20° 地平线下，最高 50°）
• 用途：
  模拟自然光照变化，影响摄像头曝光、阴影、能见度。

2.Storm类：风暴生命周期管理

• 状态机设计：

  • _t：内部状态变量（-250 → 100 → -250 循环）
  • _increasing：控制风暴增强/减弱阶段

• 天气参数联动：

  参数	计算逻辑	效果
  clouds	_t + 40	云量随风暴强度增加
  rain	_t	降雨量直接反映风暴强度
  puddles	_t + delay	积水滞后于降雨（更真实）
  wetness	_t * 5	路面湿滑程度
  wind	基于云量分级	云多则风大
  fog	_t - 10	风暴伴随薄雾

• 周期行为：

  • 平静期（_t = -250）→风暴酝酿→暴雨高峰（_t = 100）→逐渐消退

✅ 模拟了真实风暴的渐进式发展，而非突变。

3.Weather类：天气系统集成器

• 职责：
  • 封装 CARLA 原生carla.WeatherParameters
  • 协调Sun和Storm的更新
  • 将计算结果写回weather对象
• 关键方法：

  deftick(self,delta_seconds):self._sun.tick(delta_seconds)self._storm.tick(delta_seconds)# 同步所有参数到 CARLA 天气对象self.weather.sun_azimuth_angle=self._sun.azimuth self.weather.precipitation=self._storm.rain...

4.主循环：可控速率更新

speed_factor=args.speed# 默认 1.0（实时速度）update_freq=0.1/speed_factor# 更新间隔（秒）whileTrue:timestamp=world.wait_for_tick()elapsed_time+=delta_secondsifelapsed_time>update_freq:weather.tick(speed_factor*elapsed_time)# 加速/减速时间流world.set_weather(weather.weather)print(weather)# 实时显示当前状态elapsed_time=0.0

• --speed参数作用：
  • speed=2.0：天气变化快 2 倍（快速测试极端天气）
  • speed=0.5：天气变化慢 2 倍（精细观察过渡效果）

⚠️ 注意：tick()中传入speed_factor * elapsed_time是为了保持物理一致性（如降雨量积累）。

🌦️ 动态天气效果演示

🎯 核心应用场景

⚠️ 技术亮点

1. 物理一致的时间缩放

   • 通过speed_factor控制仿真速度，但保持降雨量 ∝ 时间的物理关系

2. 参数联动设计

   • 积水（puddles）滞后于降雨（rain）
   • 风速（wind）依赖云量（clouds）
   • 避免不真实的天气组合（如晴天暴雨）

3. 无缝循环

   • 太阳轨迹（sin函数）和风暴周期（状态机）均无限循环，适合长时间测试

✅ 总结

该脚本是 CARLA高级天气控制的典范，展示了：

1. 如何构建时间连续的动态天气系统
2. 如何实现多天气参数的物理联动
3. 如何提供可配置的仿真加速比

它是评估自动驾驶系统在复杂气象条件下可靠性的关键工具，特别适合需要长时间、渐进式环境变化的测试场景。