Carla 是自动驾驶研究中最常用的开源仿真器之一，它提供了逼真的城市场景、传感器仿真和完善的 Python API。不过直接在物理机或虚拟机里安装 Carla 经常让人头疼：显卡驱动版本、OpenGL 运行库、Unreal Engine 依赖，任何一环出问题都可能导致黑屏或者直接崩溃。Docker 容器化是解决这些麻烦的利器，官方也提供了维护良好的镜像，下面详细介绍完整的部署和使用方法。
为什么要容器化 Carla：先弄清镜像结构
Carla 的官方 Docker 镜像托管在 Docker Hub 上，常见的有 carlasim/carla 这个仓库。镜像按照版本打标签，比如 0.9.15，每个版本又分带渲染和不带渲染（无头模式）两类。理解这个结构很重要，因为不同的使用场景需要拉取不同的标签。
带渲染的版本启动后就是一个 Carla UE4/UE5 服务端进程，监听默认的 2000 到 2002 端口。客户端（通常是 Python 脚本）通过 RPC 协议连接这些端口下发指令、读取传感器数据。也就是说，容器化的只是服务端，客户端代码完全可以在宿主机或者另一个容器里跑，两者通过网络通信解耦，这是 Carla 容器化架构的核心思路。
镜像内部基于 Ubuntu，打包了 Unreal Engine 的运行时依赖和 Carla 的资产文件，体积通常在十几个 GB，拉取之前要确认磁盘空间充足。另外，Carla 严重依赖 GPU 渲染，即使在无头模式下也需要 NVIDIA 显卡做计算，所以容器必须有访问 GPU 的能力，这就引出了下一节的 NVIDIA Container Toolkit。
准备工作：安装 NVIDIA Container Toolkit 并拉取镜像
普通 Docker 容器是看不到宿主机显卡的，必须先安装 NVIDIA Container Toolkit，它负责把宿主机的 GPU 设备和驱动注入到容器里。以 Ubuntu 为例，安装命令如下：
# 添加 NVIDIA 仓库并安装 nvidia-container-toolkit curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt-get update sudo apt-get install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker
装好后用 docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi 验证一下，能看到显卡信息说明环境就绪。接着拉取 Carla 镜像，建议固定具体版本号，避免 latest 标签带来的不可控升级：
docker pull carlasim/carla:0.9.15
拉取过程比较耗时，取决于网络带宽。如果在国内环境下载缓慢，可以考虑配置镜像加速器，或者从内部制品库中转。下载完成后用 docker images 确认镜像大小和标签是否正确。
启动 Carla 服务端：三种典型运行方式
最简单的启动方式是直接前台运行，适合本机调试：
docker run --gpus all --rm -it \ -p 2000-2002:2000-2002 \ carlasim/carla:0.9.15 \ /bin/bash ./CarlaUE4.sh
参数解释一下：--gpus all 让容器使用全部 GPU；-p 2000-2002:2000-2002 把容器的 RPC 端口映射到宿主机，客户端随后通过宿主机 IP 连接；--rm 表示退出后自动清理容器。
如果 Carla 跑在远程服务器上，服务器通常没有显示器，这时要用无头渲染模式，把 -RenderOffScreen 参数加上：
docker run --gpus all --rm -d \ --name carla-server \ -p 2000-2002:2000-2002 \ carlasim/carla:0.9.15 \ /bin/bash ./CarlaUE4.sh -RenderOffScreen
-d 让容器在后台常驻运行，配合 --name 方便管理。无头模式下画面在 GPU 上离屏渲染，摄像头等视觉传感器的数据照常输出，只是不显示窗口，这是服务器部署自动驾驶训练环境的标准做法。
第三种是低质量渲染模式，加 -quality-level=Low 参数，可以明显降低 GPU 负载和显存占用，在跑强化学习大规模采样时非常实用，帧率能提升不少。此外还可以配合 -carla-rpc-port 指定其他端口，实现一台服务器上同时跑多个 Carla 实例，不同实例用不同端口区分。
客户端连接与传感器测试
服务端起来之后，在宿主机安装对应版本的 pycarla 客户端库进行连接测试：
import carla
# 连接本机或远程服务器上的 Carla 服务端
client = carla.Client('localhost', 2000)
client.set_timeout(10.0)
# 加载官方小镇地图
world = client.load_world('Town03')
# 在指定位置生成一辆车
blueprint = world.get_blueprint_library().find('vehicle.tesla.model3')
spawn_point = world.get_map().get_spawn_points()[0]
vehicle = world.spawn_actor(blueprint, spawn_point)
# 挂载一个 RGB 摄像头传感器
cam_bp = world.get_blueprint_library().find('sensor.camera.rgb')
cam_bp.set_attribute('image_size_x', '800')
cam_bp.set_attribute('image_size_y', '600')
camera = world.spawn_actor(cam_bp, carla.Transform(carla.Location(z=2.5)), attach_to=vehicle)
camera.listen(lambda image: image.save_to_disk('output/%06d.png' % image.frame))
print('仿真环境运行中，车辆ID:', vehicle.id)注意客户端库版本必须和服务端版本严格一致，0.9.13 的客户端连 0.9.15 的服务端大概率会握手失败，报连接超时或者协议错误。做版本管理时建议把客户端依赖也锁死版本号，和服务端镜像版本写进同一个配置文件，保证团队环境统一。
如果把客户端也放进容器，可以编写 Dockerfile，基于 Python 基础镜像安装 carla 的 whl 包，再用 docker-compose 编排服务端和客户端两个服务，通过容器网络别名通信。这样做的好处是整套仿真流水线可以一键启动，特别适合在 CI 里跑回归测试。
常见问题排查与进阶技巧
容器化 Carla 最常见的报错是连接被拒绝，先检查端口映射是否正确、服务端是否完全启动（Carla 加载地图需要几十秒），再看防火墙是否放行了 2000 端口。如果日志里出现 Vulkan 或 OpenGL 相关错误，通常是 GPU 直通没配好，回到 NVIDIA Container Toolkit 的安装步骤重新检查。
第二个高频问题是显卡驱动与 CUDA 版本不匹配。Carla 对驱动版本有最低要求，宿主机驱动太旧时即使容器内运行时正常也会渲染异常。建议宿主机安装 NVIDIA 官方最新稳定版驱动，容器内不用装驱动，只需要 Toolkit 注入即可。
进阶玩法方面，可以自建 Dockerfile 在官方镜像基础上预装地图、天气预设和行为规划库，打出一个团队专用的仿真镜像；也可以结合 NVIDIA 多实例 GPU（MIG）技术，把一张显卡切成多个实例分别跑不同 Carla 容器，提升训练集群的资源利用率。数据持久化则推荐用 volume 挂载，把传感器输出目录映射到宿主机，避免容器销毁后数据丢失。掌握这些技巧后，一套可复现、可扩展的自动驾驶仿真开发环境就搭建完成了。