carla_garage

端到端驾驶模型的隐藏偏见 <br> Bernhard Jaeger、Kashyap Chitta、Andreas Geiger <br> 2023年国际计算机视觉会议（ICCV）

本仓库包含论文端到端驾驶模型的隐藏偏见的代码。
我们提供了清晰、可配置的代码和文档，以及性能强大的预训练权重。
该仓库可以作为在CARLA上进行端到端自动驾驶研究的良好起点。

设置

克隆仓库，设置CARLA 0.9.10.1，并构建conda环境：

git clone https://github.com/autonomousvision/carla_garage.git
cd carla_garage
chmod +x setup_carla.sh
./setup_carla.sh
conda env create -f environment.yml
conda activate garage

在运行代码之前，您需要将以下路径添加到系统的PYTHONPATH中：

export CARLA_ROOT=/path/to/CARLA/root
export WORK_DIR=/path/to/carla_garage
export PYTHONPATH=$PYTHONPATH:${CARLA_ROOT}/PythonAPI
export PYTHONPATH=$PYTHONPATH:${CARLA_ROOT}/PythonAPI/carla
export PYTHONPATH=$PYTHONPATH:$CARLA_ROOT/PythonAPI/carla/dist/carla-0.9.10-py3.7-linux-x86_64.egg
export SCENARIO_RUNNER_ROOT=${WORK_DIR}/scenario_runner
export LEADERBOARD_ROOT=${WORK_DIR}/leaderboard
export PYTHONPATH="${CARLA_ROOT}/PythonAPI/carla/":"${SCENARIO_RUNNER_ROOT}":"${LEADERBOARD_ROOT}":${PYTHONPATH}

您可以将其添加到您的shell脚本中，或直接集成到您喜欢的IDE中。
例如，在PyCharm中：设置 -> 项目 -> Python解释器 -> 显示所有 -> garage（需要先从现有conda环境添加） -> 显示解释器路径 -> 添加上述所有绝对路径（不包括pythonpath）。

预训练模型

我们在这里提供了一组预训练模型。这些模型根据CC BY 4.0许可。这些是论文中使用的最终模型权重，文件夹表示基准测试。对于训练和验证城市，我们提供了3个模型，对应3个不同的训练种子。格式为approach_trainingsetting_seed。每个文件夹都有一个包含文本形式训练设置的args.txt，一个包含代码所有超参数的config.pickle，以及一个包含模型权重的model_0030.pth。此外，大多数模型还包含训练日志。

评估

要评估模型，你需要先启动一个CARLA服务器：

cd /path/to/CARLA/root
./CarlaUE4.sh -opengl

之后，运行leaderboard_evaluator_local.py作为主Python文件。这是原始leaderboard_evaluator.py的修改版本，包含了我们考虑的基准测试中使用的配置，并提供了额外的日志功能。

将--agent-config选项设置为包含config.pickle和model_0030.pth的文件夹。将--agent设置为sensor_agent.py。 --routes选项应设置为lav.xml或longest6.xml。 --scenarios选项应设置为eval_scenarios.json（适用于两个基准测试）。将--checkpoint设置为/path/to/results/result.json

要在基准测试上进行评估，请设置相应的环境变量：export BENCHMARK=lav或export BENCHMARK=longest6。设置export SAVE_PATH=/path/to/results以保存额外的日志或可视化内容。

模型有可以通过环境变量设置的推理选项。对于longest6模型，你需要设置export UNCERTAINTY_THRESHOLD=0.33；对于LAV模型，设置export STOP_CONTROL=1；对于leaderboard模型，设置export DIRECT=0。其他选项默认设置正确。你可以查看local_evaluation.sh作为示例。

评估完成后，你需要使用result_parser.py解析结果文件。它将重新计算指标（初始指标不正确），计算额外的统计数据，并可选择将违规情况可视化为简短的视频剪辑。

python ${WORK_DIR}/tools/result_parser.py --xml ${WORK_DIR}/leaderboard/data/lav.xml --results /path/to/results --log_dir /path/to/results

结果解析器可以选择创建简短的视频/GIF剪辑，展示评估过程中发生的违规行为的重新渲染。该代码由Luis Winckelmann和Alexander Braun开发。要使用此功能，你需要先准备一些地图文件（这些文件太大，无法上传到GitHub）。为此，在你的计算机上启动CARLA服务器并运行prepare_map_data.py。之后，你可以在result_parser.py中使用--visualize_infractions标志来运行该功能。此功能需要在结果文件夹中有可用的日志，因此你需要在评估期间设置export SAVE_PATH=/path/to/results。

如何实际进行评估

上述说明是你用于调试代码的方法。实际评估具有挑战性的基准测试（如longest6，有超过108条长路线）在实践中非常慢。幸运的是，CARLA评估是高度并行的。108条路线中的每一条都可以独立并行评估。这意味着如果你有2个GPU，评估速度可以提高2倍；如果你有108个GPU，评估速度可以提高108倍。同时使用相同的总体计算资源。为此，你需要访问可扩展的集群系统和一些并行化脚本。我们在研究所使用SLURM。要评估模型，我们使用脚本evaluate_routes_slurm.py。它旨在在交互式节点的tmux中运行，并将生成评估作业（最多设置为max_num_jobs.txt中的数量）。它还监控作业并重新提交检测到崩溃的作业。最后，脚本将运行结果解析器来汇总结果。如果你使用不同的系统，可以将此作为指导并编写自己的脚本。CARLA排行榜基准测试目前是驾驶场景中最具挑战性的，但如果你无法访问多个GPU，你可能想要使用计算密集度较低的模拟器进行研究。NuPlan是一个不错的选择，我们的团队也为nuPlan提供了强大的基准。

数据集

我们发布了用于训练最终模型的数据集。该数据集根据CC BY 4.0许可。你可以使用以下命令下载：

cd /path/to/carla_garage/tools
bash download_data.sh

脚本会将数据下载到/path/to/carla_garage/data。这也是你需要为训练设置--root_dir的路径。脚本将使用11个并行进程下载并解压数据。下载大小约为350 GB（解压后会稍大一些）。

数据生成

数据集生成与评估类似。你可以通过将--agent选项更改为data_agent.py并将--track选项更改为MAP来生成数据集。此外，你需要设置以下环境标志：

export DATAGEN=1
export BENCHMARK=collection
export CHECKPOINT_ENDPOINT=/path/to/dataset/Routes_{route}_Repetition{repetition}/Dataset_generation_{route}_Repetition{repetition}.json
export SAVE_PATH=/path/to/dataset/Routes_{route}_Repetition{repetition}

同样，用单台计算机生成我们的数据集太慢，你应该使用多个GPU。我们为SLURM集群提供了一个Python脚本，它的工作方式与评估脚本相同。我们将在稍后发布我们使用的数据集。

训练

通过文件 train.py 对智能体进行训练。提供了使用 shell 和 SLURM 的示例。运行前需要激活 garage conda 环境。首先设置相关环境变量，然后使用 torchrun 启动训练。 Torchrun 是一个处理多 GPU 训练的 PyTorch 工具。如果想在单个 GPU 上调试，只需设置 --nproc_per_node=1。训练脚本有许多选项可以配置训练，可以通过 python train.py --help 列出它们或查看代码。最重要的选项有：

--id your_model_000 # 实验名称
--batch_size 32 # 每个 GPU 的批量大小
--setting all # 训练期间保留哪些城镇。使用 'all' 用于排行榜，longest6 和 '02_05_withheld' 用于 LAV 模型。
--root_dir /path/to/dataset # 数据集根目录路径
--logdir /path/to/models # 存储训练文件的根目录
--use_controller_input_prediction 1 # 模型是否使用分类 + 路径预测头进行训练
--use_wp_gru 0 # 模型是否使用路点头进行训练
--use_discrete_command 1 # 是否将导航命令作为模型输入
--use_tp 1 # 是否将目标点作为模型输入
--cpu_cores 20 # 机器上的总 CPU 核心数
--num_repetitions 3 # 训练数据量（选项为 1,2,3）。1x 对应表 5 中的 185k，3x 对应 555k

此外，要进行表 4 中的两阶段训练，需要使用 --continue_epoch 和 --load_file 选项。需要训练两次。首先训练一个模型，设置 --use_wp_gru 0 和 --use_controller_input_prediction 0，这将只使用辅助损失训练感知主干网络。然后，训练第二个模型，设置如 --use_controller_input_prediction 1、--continue_epoch 0 和 --load_file /path/to/stage1/model_0030.pth。 load_file 选项通常用于恢复崩溃的训练，但使用 --continue_epoch 0 时，训练将从头开始，使用预训练权重进行初始化。

在 PyCharm 中训练

您也可以在 PyCharm 中运行和调试 torchrun。为此，您需要按如下方式设置运行/调试配置：
将脚本路径设置为：/path/to/train.py
将解释器选项设置为：

-m torch.distributed.run --nnodes=1 --nproc_per_node=1 --max_restarts=0 --rdzv_id=123456780 --rdzv_backend=c10d

训练参数应在 Parameters: 字段中设置，环境变量在 Environment Variables: 中设置。此外，您需要按上述方式设置 conda 环境（变量）。

提交到 CARLA 排行榜

要提交到 CARLA 排行榜，您需要在系统上安装 docker（以及 nvidia-container-toolkit 进行测试）。创建文件夹 team_code/model_ckpt/transfuser。将要评估的 model.pth 文件和 config.pickle 复制到 team_code/model_ckpt/transfuser。如果要评估集成模型，只需将多个 .pth 文件复制到文件夹中，代码将加载所有文件并集成预测。编辑 tools/make_docker.sh 顶部的环境路径，然后：

cd tools
./make_docker.sh

脚本将创建一个名为 transfuser-agent 的 docker 镜像。在提交之前，您应该在本地测试您的镜像。为此，在您的计算机上启动 CARLA 服务器（它将能够通过端口与 docker 容器通信）。然后启动您的 docker 容器。run_docker.sh 中提供了一个示例。在 docker 容器内使用以下命令启动您的智能体：

cd leaderboard
cd scripts
bash run_evaluation.sh

确认没有问题后，可以使用 "ctrl + c + " 停止评估。<br> 要提交，请按照排行榜上的说明创建账户并安装 alpha。

alpha login
alpha benchmark:submit  --split 3 transfuser-agent:latest

该命令将上传 docker 镜像到云端并进行评估。

附加文档

CARLA 仓库中的坐标系统通常是一团糟。在这个项目中，我们通过将所有数据转换为统一的坐标系来解决这个问题。关于坐标系统的更多信息可以在这里找到。
TransFuser 模型家族已经发展出许多不同的变体，这可能会让新的社区成员感到困惑。**历史**文件解释了不同的版本以及您应该引用哪篇论文来指代它们。
构建完整的自动驾驶系统涉及相当多的工程。文档解释了我们在这个项目中使用的一些技术和设计理念。
代码库可以运行论文中提出的任何实验。它还支持一些我们最终没有使用的额外功能。这些功能在这里有所记录。

联系

如果您有任何问题或建议，请随时提出问题或通过 bernhard.jaeger@uni-tuebingen.de 与我们联系。

引用

如果您觉得 CARLA garage 有用，请考虑给我们一个星星 🌟 并使用以下 BibTeX 条目引用我们的论文。

@InProceedings{Jaeger2023ICCV,
  title={Hidden Biases of End-to-End Driving Models},
  author={Bernhard Jaeger and Kashyap Chitta and Andreas Geiger},
  booktitle={Proc. of the IEEE International Conf. on Computer Vision (ICCV)},
  year={2023}
}