1.【Carla】Windows编译版安装-超详细版教程
2.2021 开源驾驶仿真平台测评
3.RoadRunner Scenario+CARLA联合仿真
4.error整理win11安装carla源码版本（0.9.13）报错解决方法整理
5.Windows从源码编译Carla0.9.13（沉浸式安装）
6.Ubuntu20.04源码编译CARLA0.9.14全过程记录

【Carla】Windows编译版安装-超详细版教程

       由于项目需求升级，码版安装release版本的码版Carla不再适用，尤其是码版需要自定义地图和联合仿真。鉴于去年安装经历的码版繁琐和遗忘，我决定详细记录安装步骤，码版以便日后参考。码版__LINE__宏源码以下是码版安装步骤的概述：

       1. 配置环境与安装依赖

       参考官方文档进行基础配置：Windows build - CARLA Simulator

       推荐Carla版本：0.9.及以上，Python版本需为3.7.6，码版确保cmd和py -V版本一致，码版3.9可能有兼容性问题

       VS Studio推荐使用社区版，码版安装相关SDK插件

       安装CMake和确保3.版本，码版以及7zip用于文件解压缩

       Git安装并配置GitHub账号

       2. Unreal Engine安装与配置

       从0.9.开始，码版需使用修改版UE4.，码版注册并登录GitHub获取安装资格

       选择合适的码版UE4版本，可能需要切换文件以兼容Carla

       使用VS编译，码版耐心等待多进程构建

       3. Carla源码编译与环境变量设置

       选择安装版本，如0.9.，进入carla文件夹进行编译

       遇到困难时，可能需要手动下载并安装zlib、gtest、rpclib和xerces等包

       编译PythonAPI，确保wheel文件生成，创建对应Python环境并安装

       注意xerces和osm2odr的安装顺序，可能需要清理缓存和重试

       make launch命令用于启动Carla，需要地图文件和预先下载的文件夹

       4. 使用Carla

       在UE4中加载地图，启动PythonAPI并运行脚本，查看画面

       通过上述步骤，你将能够成功安装并使用Carla进行自定义地图和联合仿真。记得根据实际情况调整和处理可能出现的安装问题。

开源驾驶仿真平台测评

       终于，在沉迷论文之外，我开始上手生疏了快一年的实验和代码。一个萌新，空降驾驶决策方向，除了真车以外，最大的吸引力必然来自驾驶仿真器了。想想吧，每天的工作仿佛像是在给GTA V写合法外挂，心不心动？因此，尽管学长们安利了CARLA，但是，既然电脑装得下，我还是决定要把近几年新出的仿真器全试一试，再决定用最好的那个。

       作为一个贫穷的研究人员，我心目中理想的驾驶仿真器是这样的（优先度排列）：

       描绘出理想的模样，就该开始找候选人了。《年自动驾驶仿真蓝皮书》基本把现有的驾驶仿真器都列举了一遍，经过快速的检查，首先排除以下商业仿真平台：

       CarSim, CarMaker, Cognata, rFpro, VTD, AAI, TAD Sim (腾讯，未找到开放网址), Metamotor (年被收购), GaiA, Sim-One, PanoSim, Parallel Domain (这个的demo是真的好看), CarCraft (Waymo内部使用，不对外开放), VI-WorldSim, PTV Vissim

       许愿一个大佬测评以上软件，如果大家众筹让我测评也不是不可以（手动狗头）。

       顺带一体，所有基于GTA V的java打砖块源码仿真器似乎在几年前已经被R星叫停了，考虑到版权因素，应该在有发表需求的研究里是不能用了（但私底下谁不想拿它玩一玩呢）。

       在剔除了海量精美的付费软件之后，清单上剩余的免费/开源仿真器就屈指可数了。

       接下来，将从应用场景，用户体验，安装难易度等方面对这些软件进行测评，部分仿真器提供视频展示（流量预警）

       测试环境：Ubuntu . + CUDA .2 + NVIDIA Driver ..

       硬件配置：i9-X CPU + GB RAM + RTX Super GPU (8GB)

       警告 CARLA

       仿真器简介：Carla是一个开源的驾驶仿真器，由C++ 和虚幻引擎构成。通常适用于驾驶决策仿真任务。可输出的数据模态包括图像，激光雷达，雷达，语义，GPS，IMU等，可自由配置。

       安装指南： CARLA Simulator

       Carla官方的安装文档已经非常成熟了，如果只是运行仿真器，下载可运行程序就够了。想自己折腾的就从源码开始编译，我写文章的时候0.9.还不够稳定，推荐0.9.，无脑跟教程走只会遇到一个bug。就是make build的时候libboost目前调用的是1..0版本：

       首先，你需要手动下载boost-1..0的压缩包；其次，如果你在编译过程中遇到了什么字符相关的库找不到的报错，可能是因为boost-1..0某些版本中这个悲伤的bug导致的，就是自定义的函数命名和默认C语言库起了冲突（大致是这个原理，具体细节还请放过一个三年没写C的孩子）。处理方法要参考 这里，解压boost-1..0，将自定义的string.h 和调用这个库的所有地方改成其他名字，然后再打包，扔到/Build 下面；最后，记得在/Util/BuildTools/setup.sh 的对应行进行修改，以防build过程中自动删了你改过的包。

       如果是走Linux Build路线又想要可直接运行的./CarlaUE4.sh，在make launch成功后跑一下make package就行了。这一个细节不知道为什么官方文档上写得不是特别清楚，可能是他们觉得太简单，我们可以自行领悟吧。

       用户体验：

       在体验完一圈驾驶仿真器之后，看到CARLA我真是感动得泪流满面，简直是出走后四处碰壁的游子回到了温暖的家。经典果然还是经典，CARLA的动力学仿真确实是所有仿真器中最正常的，天气系统和NPC的行为也非常正常，应该是一直在优化的。基本上驾驶决策常用的数据模态都有提供（事件相机和红外相机没有，这是AirSim的独门绝技），获取也很方便，总之一句话，同花顺bbd指标源码赞美CARLA。

       仿真器展示：

       SUMO

       仿真器简介：SUMO 全称 Simulation of Urban MObility，是一个开源的驾驶仿真器，主要用于交通流仿真，也可用于车间通讯仿真、验证交通模型等任务。

       安装指南：sudo apt-get install sumo sumo-doc sumo-tools

       仿真器部分功能展示：

       最开始，看到这个软件简陋的界面时，我以为大概没什么好说的，然而，很快，我看到了前人的SUMO使用心得。对不起，是我头抬得太高了。

       SUMO仿真文档_妈妈说不要造轮子-CSDN博客

       SUMO使用技巧_妈妈说不要造轮子-CSDN博客

       由于SUMO的仿真任务和我没有太大关联，而且仿真大程度上依赖于用户自己导入的数据，而我手头暂时没有，所以就放一张从 OpenStreetMap导入到SUMO的地图吧～

       看起来很简陋？放大地图后，每个路口的细节都标注得一清二楚。我开始心动了。

       而从年开始，CARLA开始支持和SUMMO，VISSIM 联合仿真。我觉得自己好了，自己行了，下一期测评就它吧（如果没有教程的话可以考虑写一版了）。

       MATLAB - 自动驾驶工具包 & RoadRunner

       码着，过两周有空再写。计划要用RoadRunner和CARLA快乐联动，不过好像地图太大会导入事故，反正卫星先放着。

       LGSVL

       仿真器简介：这是由LG公司基于Unity开发的驾驶仿真器。适用于驾驶决策任务。输出的数据模态包括图像，激光雷达，雷达，语义，GPS，IMU等，可以通过json文件自由配置。

       安装指南： Installation procedure - SVL Simulator

       确认配置符合要求之后，直接下载即可。Linux下记得右键性质，允许程序运行。

       用户体验：

       从可视化交互界面来说，LGSVL是做的最好的。一键变天，一键加传感器，包括上传代码，全部可以在网页界面完成。但是呢，车的动力学着实有点迷惑，您的车是完全没有摩擦力的吗？按下前进键之后，即使松开，59store源码地面也仿佛没有摩擦力一般，车辆会一直保持匀速前进。但是如果想用这个仿真器来做模仿学习，录入数据大概会很痛苦。点云的仿真很有问题，肉眼可见的有误差。npc也是非常迷惑，比如，骑自行车的人比开车的还快；过马路的时候只要绿灯了，npc车辆就直接从npc附近碾过去。而目前还没有提供改npc的接口。此外，目前提供的地图还太少了。如果再过几年，可能会成长成一个厉害的仿真平台，目前只能持观望态度了。

       Apollo

       仿真器简介：由百度-阿波罗开发的驾驶仿真平台。少数既可以在线仿真，也可以自己电脑安装运行的仿真器。适用于驾驶规划仿真，路径预测等任务。

       安装流程：

       用户体验：

       革命尚未成功，同志仍需努力。离成为一款成熟的仿真器，Apollo还有很长时间要走。官方提供的场景比较少，大型地图屈指可数，文档支持也不够完善。封装得比较严实，不过改地图，放npc的自由设置空间还是有的。再过几年，还是有潜力成长成一个优秀的仿真器的。

       仿真器展示：

       AirSim

       仿真器简介：由微软开发的仿真器，基于虚幻引擎。主要面向无人机仿真，也提供了驾驶仿真的接口。适用于驾驶决策仿真任务。输出的数据模态包括GPS，IMU，RGB图像，深度图，语义分割，红外相机，事件相机，点云（需要额外配置）。

       安装指南： Welcome to AirSim

       用户体验：

       这款仿真器更适合Windows系统用户。Github上提供的地图适用于驾驶仿真的寥寥无几，而虽然AirSim可以从 Unreal Engine Market中获取更多可用于自动驾驶的地图，其中绝大多数都只兼容Windows，最终导致在Linux中适用于自动驾驶任务的只有一款非洲大草原。

       仿真器展示 启动任意地图都会加载setting.json 文件的配置，子窗口的内容需要按0 才会显示。

       SUMMIT

       论文： SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic

       适用任务：驾驶决策仿真

       输出数据：RGB图像，在线语音源码点云，深度图，语义分割，碰撞判定等，CARLA有的它都有。

       安装指南： Ubuntu .安装基于CARLA的SUMMIT无人驾驶仿真平台

       不建议在.上安装，可能会因为clang版本出现大问题。Ubuntu ./.挺好的。

       用户体验：

       在测评开始之前，我期望值最高的一款仿真器就是SUMMIT，按照论文所宣称的，这是“CARLA的改进版“，”能够模拟更为复杂的交通情况“，”利用SUMO轻松导入世界地图“。而实际情况呢？这款软件很大程度上照搬了CARLA 0.9.8，对应了两年前的UE4.，这一前置条件已然导致了虚幻引擎在现有的Ubuntu上闪退概率更高。而在我千辛万苦装上之后，原创的demo程序一个也跑不起来，根据写得奇烂无比的官方文档——我第一次看到民间教程能比官方写得更详细靠谱的，只能模模糊糊猜它的地图导入方法——依旧繁琐复杂。最终，不祥的预感在我查到了论文的发表时间时达到了顶峰，年ICRA accept，大概从投稿之后，作者就没有再积极地维护过整个路径，最新的更新（.）只是改了改依赖的SUMO版本和PythonAPI中的小细节。可以看出，作者根本没有随着引擎更新和CARLA更新进度改进仿真器的动力。对于任何试图长期使用这款仿真器的人来说，这都是一个危险的信号。

       Udacity

       Term 1 - 车道保持；Term 2 - 轨迹定位 & 追踪；Term 3 - 高速场景下的轨迹规划。

       适用任务：驾驶决策任务体验与教学

       安装指南：

       如果顺利的话，会看到这样的界面，选择分辨率和画质，然后就能开始仿真了。

       用户体验：

       作为一款和在线课程绑定的驾驶仿真平台，Udacity的优点和缺点都很明显：安装最为方便快捷，几乎对电脑配置没有要求。另一方面，场景少得可怜，动力学模拟差到悲伤。只适合用于了解自动驾驶决策模型的设计原理和流程，无法实际应用。

       此外，Udacity有一个致命问题，它在Ubuntu下并不稳定。我是并行安装所有平台的，结果刚打开最先安装好的Udacity，它就快乐地崩了，电脑重启，我+GB的内容全部得重新下载（╯－＿－）╯╧╧

       TORCS

       适用任务：驾驶决策任务体验与教学

       仿真器简介：TORCS本职是一款游戏，但是优秀的前辈们通过各种蛇皮操作，让它同样可以应用于驾驶仿真中。最开始，我对TORCS非常嫌弃，这都年了，怎么还有人会用这种分辨率的软件。但是，考虑到现实中，很多本科生是买不起显卡的，而这是为数不多不需要显卡就能跑的仿真器，还拥有过相当大的用户基数和多样的地图库，所以，对于特定人群来说，这个仿真器恐怕还是无可替代的。

       安装流程： Ubuntu.搭建 TORCS无人驾驶训练 开发环境

       gcc版本如果太高会编译失败，我用gcc-5过了，注意，Ubuntu .不支持低于gcc-7的版本。

       仿真器展示：

RoadRunner Scenario+CARLA联合仿真

       --，欢迎同行大咖投稿交流！

       本文作者：MathWorks 王鸿钧

       CARLA是一个开源的自动驾驶仿真软件，基于虚幻引擎构建，支持多种仿真任务，并可进行定制。它使用OpenDRIVE标准定义道路和城市环境，并可通过Python或C++的API进行控制。

       MathWorks推出的RoadRunner Scenario是CARLA的一个新工具，它不仅支持编辑和导出OpenDRIVE标准格式的地图，还允许用户在RoadRunner Scenario中添加车辆，创建和仿真动态场景，导出为OpenSCENARIO标准格式。RoadRunner Scenario提供了一个场景仿真引擎，允许用户添加基于MATLAB、Simulink或CARLA的车辆行为模型，或开发自定义的车辆行为。

       为了实现RoadRunner Scenario与CARLA的联合仿真，需要先安装CARLA和RoadRunner，并从源代码编译CARLA。之后，需要在CARLA中添加RoadRunner插件，并将RoadRunner地图导出到CARLA。接下来，在CARLA中导入RoadRunner地图，并设置CARLA工程以包含RoadRunner地图。最后，将OpenDRIVE地图文件复制到CARLA联合仿真目录，并配置RoadRunner Scenario与CARLA的联合仿真环境。

       在RoadRunner编辑器中，用户可以添加车辆并配置动态行为，然后开始与CARLA的联合仿真。在仿真过程中，用户可以配置车型对应的CARLA车辆3D模型，并添加预先设计好的目标车辆行为。通过这种方式，用户可以测试自动驾驶功能，例如在示例后车中添加AEB功能。

       除了与CARLA的联合仿真，RoadRunner Scenario还可以与MATLAB、Simulink等其他软件进行联合仿真。虽然设置过程较为复杂，但RoadRunner Scenario的易用性和CARLA的灵活性使其成为自动驾驶测试的有力工具。

       相关链接：

       RoadRunner：ww2.mathworks.cn/product/roadrunner.html

       RoadRunner Scenario：ww2.mathworks.cn/product/roadrunner-scenario.html

       CARLA：carla.org/

error整理win安装carla源码版本（0.9.）报错解决方法整理

       通过遵循一系列的教程来安装Carla的源码版本（0.9.）在Windows系统上时，我发现了几个需要解决的特定问题。本篇文章将整理遇到的这些问题及其相应的解决方案，以便在安装过程中提供一些实用的指导。

       首先遇到的挑战是无法从GitHub成功下载carlaUE4，尽管尝试使用科学上网策略。解决方法是直接访问网页以选择需要版本的zip文件进行下载，这种方式虽避免了网络问题，但用户应警惕可能涉及版本选择或兼容性的问题。

       接着是遇到carla资产地图资源包的下载链接失效。通过使用镜像网站查找需要的版本并下载，这一方法有助于获取有效的资源文件。

       终端访问路径的问题出现在使用x版本的vs时。需要调整使用习惯，终端的操作指令与命令提示符不同，因此进入特定路径时，使用正确的cd命令至关重要。

       执行make PythonAPI任务时，提示“make”未作为外部或内部命令识别，问题根源在于make软件环境配置未正确设置。确保环境变量配置路径到达bin层级是关键，以免无效配置导致的问题。

       在安装过程中遇到的安装zlib的错误，通过将版本号更改为1.3.1后解决了问题，这个解决步骤揭示了软件版本与问题解决之间的关联性。

       安装boost时同样遇到了错误，发现是由于下载时缺少关键包导致。解决这一问题，用户需要使用有效的下载链接，并将包解压后放置于指定路径，遵循官方指导进行后续操作。

       在安装XercesC 3.2.4时也遇到了问题，由于官网版本已更新至3.2.5，修改bat文件中对应版本号后成功解决了该问题。这一步骤凸显了软件版本更新对安装过程的影响。

       最后是关于无法打开version.h头文件的错误，通过记事本修改setup.bat文件中的git描述语句为静态版本号设置，解决了无法通过git克隆下载carla时产生的查找版本号的问题。

       整理上述问题及解决方案，希望能对遇到类似安装问题的用户提供帮助，确保Carla环境搭建过程的顺畅进行。

Windows从源码编译Carla0.9.（沉浸式安装）

       详细记录了从CARLA0.9.至0.9.在Windows/Linux系统上安装所需硬件和软件的步骤，包括Cmake、Git、Make、7zip、Python3、Visual Studio、UE、DReyeVR（选装）、Carla等，以方便重复安装和分享。安装过程涉及多个软件的下载与配置，并详细介绍了Cmake、Git、Make、Python、Visual Studio和UE的安装方法，以及VR设备和Carla的安装与测试。硬件要求包括x系统、GB硬盘空间、推荐GPU为6GB，最低8GB；网络要求必须良好。通过遵循每个软件的版本要求和具体安装步骤，最终实现Carla的沉浸式安装。安装过程中包含了软件版本的选择、环境变量的配置、网络环境的优化等细节，以及解决安装过程中可能出现的错误和问题的方案。整个安装流程注重细节，确保从硬件到软件环境的全面兼容和顺利部署。

Ubuntu.源码编译CARLA0.9.全过程记录

       本文详尽记录了在Ubuntu .上通过源码编译CARLA 0.9.的全过程，特别强调了Linux系统环境的配置以支持与ROS和Autoware的协同仿真，并且允许自定义场景和车辆配置。

       步骤一：系统基础配置

       首先，确保安装Ubuntu .并配置Nvidia显卡驱动，参考链接：win + Ubuntu . LTS 双系统安装（UEFI + GPT）。

       步骤二：安装依赖

       参考Linux build - CARLA Simulator -branch 0.9.，逐步安装必要的软件，如遇到下载问题，可考虑使用阿里源或新华源，推荐查阅：ubuntu安装软件依赖问题。

       步骤三：Unreal Engine 4. 安装与配置

       由于CARLA 0.9.以上版本使用UE4.，需先安装并编译。确保Github账户已与Unreal Engine账户关联，如需Personal Access Token，参考Github - 使用新的Personal Access Token进行仓库认证。

       步骤四：下载与编译CARLA

       从官方仓库下载CARLA源代码，更新时可能遇到官方资产Url变化，需修改Update.sh文件。编译过程中，PythonAPI部分网络需求较高，make launch可能需要设定UE4_ROOT环境变量，具体步骤见BuildCarlaUE4.sh。

       步骤五：运行测试

       在完成上述步骤后，进行测试并欢迎在评论区交流问题，如有任何疑问，欢迎留言。如果你对内容满意，请别忘了收藏和关注。

2.在Ubuntu安装 CARLA 的详细教程

       CARLA在Ubuntu系统上的源码构建安装教程

       当前CARLA版本更新至0.9.，本文将针对最新版本的安装过程进行详细阐述。不同版本的安装方法基本一致，但某些细微差异需要在具体版本的安装教程中关注。

       Linux环境搭建

       在开始之前，确保您的Ubuntu系统满足以下要求：

       系统版本

       软件依赖

       请使用相同的编译器版本和C++ runtime library来编译所有内容，CARLA团队推荐使用clang-8或Ubuntu .的clang-与LLVM的libc++。更改默认编译器可能会导致兼容性问题。

       使用pip或pip3安装CARLA Python API，需要版本.3或更高。检查当前Python版本是否符合要求。

       Python依赖项包括：

       Unreal Engine

       从0.9.版本开始，CARLA使用了Unreal Engine 4.的特定版本。下载此分支需关联GitHub账户。以下步骤指导您完成账户连接和Unreal Engine的安装：

       GitHub与Unreal Engine连接操作指南

       注册GitHub账号（如有已有跳过）

       登录Unreal Engine账户并打开仪表板

       在仪表板中选择“连接”选项卡，然后选择GitHub图标下方的连接按钮

       完成OAuth授权过程，授权EpicGames应用

       接受邮件邀请或点击链接完成账户链接

       Unreal Engine安装

       使用git clone命令下载Unreal Engine 4.分支内容

       切换目录至UnrealEngine_4.

       执行编译操作，这可能需要一两个小时

       使用UE4Editor打开编辑器以检查安装状态

       编译CARLA

       使用sudo apt-get install aria2加速下载过程

       克隆CARLA仓库

       获取assets，使用特定脚本自动执行此操作

       对于特定版本的资产下载，参考Util/ContentVersions.txt文件

       更新CARLA至所需版本

       配置Unreal Engine环境变量

       编译Python API客户端与服务器

       启动仿真

       执行`make PythonAPI`命令编译Python API客户端，`make launch`启动服务器。

       在城镇中开始模拟，使用WASD键控制相机移动和旋转，测试模拟器与PythonAPI\examples目录中的示例脚本进行互动。

       常见安装问题解决方案

       遇到问题时，查阅FAQ或在CARLA论坛上提问。常见问题及解决方案包括：

       libobjc-5-dev冲突问题

       git clone过程中出现RPC错误

       Unreal Engine启动错误

       编译CARLA客户端时遇到错误

       xerces-c库版本不匹配

       遵循上述指南及解决办法，您应能顺利在Ubuntu系统上安装CARLA。

仿真测试入门参考():CARLA的交通场景

       学习仿真测试时，常常有朋友询问如何入门。今天的文章旨在分享一些个人经验和理解，希望能对大家有所帮助。这是系列文章的第篇，专注于探讨在CARLA中加载基于OpenSCENARIO的动态场景。

       交通场景指的是在仿真世界中，各类交通参与者的动态行为，这些行为对运行其中的自动驾驶车辆进行充分测试。丰富多样的交通参与者的种类及其动态行为，决定了交通场景的复杂性和挑战性。CARLA支持轿车、SUV、客车、卡车、摩托车、自行车以及行人等多种动态参与者，同时包括锥桶、售货机等多种静态参与者。动态参与者的行为可通过预先定义的场景和在线运行的交通流来控制。

       CARLA中的交通管理器（Traffic Manager）模块负责场景和交通流的模拟，而基于OpenSCENARIO格式的场景仿真因其通用性更受欢迎。因此，文章将详细介绍如何使用CARLA提供的场景运行器（ScenarioRunner）来模拟基于OpenSCENARIO的场景。

       ScenarioRunner的安装

       ScenarioRunner是CARLA官方提供的场景解析和运行工具，支持多种预定义场景文件，如CARLA自定义的scenario格式、route格式和OpenSCENARIO格式。本书主要关注其OpenSCENARIO场景运行功能。OpenSCENARIO已发布多个版本，包括1.0、1.2和2.0，SR在这些版本中均得到了支持。

       OpenSCENARIO是一个由德国自动化及测量系统标准协会ASAM提供的描述动态场景的标准格式。要开始使用ScenarioRunner，首先需要下载与CARLA版本相匹配的SR源码。通常，SR与特定版本的CARLA相配合，如与CARLA 0.9.相配合的是SR0.9.。确保使用与CARLA版本匹配的SR版本，以避免操作失败的问题。为了获取最新的特性，可选择下载源码的方式进行安装。

       安装依赖库时，请参照SR文件夹中的requirements.txt文件执行相应的操作。注意，如果本地numpy版本高于1.，可能需要解决与networkx 2.2版本的兼容性问题。根据实际情况，安装高版本的networkx或低版本的numpy。

       为了运行场景，需要设置环境变量。在~/.bashrc文件中添加相应的路径设置，确保在运行时能够找到相关的文件。最后，运行source ~/.bashrc以使设置生效。

       运行OpenSCENARIO文件

       使用ScenarioRunner运行OpenSCENARIO文件的过程非常直观。首先启动CARLA，然后运行ScenarioRunner并指定相应的文件路径即可。

       具体步骤如下：

       启动CARLA。

       配置ego车辆。实际测试时，应由被测算法控制ego车辆，但为了演示，使用手动控制方式配置ego车辆为自动驾驶。

       运行ScenarioRunner，使用xosc或osc文件作为输入参数。

       运行后，CARLA渲染窗口将显示地图根据定义的变化，同时生成ego车辆及其前方的障碍车辆。运行结束后，可根据需要选择输出结果信息，以获取关于场景、车辆性能和运行时间的详细报告。

       通过ScenarioRunner，您可以轻松地运行基于OpenSCENARIO的动态场景，为自动驾驶车辆提供全面的测试环境。希望本文提供的信息能帮助您更好地了解和使用CARLA进行仿真测试。