我们看了国内5年来48篇文章，发现同学们都在用CARLA研究这些课题
近年来，随着自动驾驶技术的快速发展，学术研究也呈现出蓬勃发展的态势。通过对国内近年来多篇基于CARLA仿真平台的学术论文进行梳理和分析，我们发现了一些值得反思的现象。
一、论文数量随时间的变化趋势
从我们梳理的论文发表时间来看，基于CARLA平台的自动驾驶研究在近三年呈现爆发式增长。
2020年相关研究还相对较少，而到2022-2025年，论文数量显著增加（其中2025年只统计到6月），这表明CARLA作为自动驾驶仿真平台已经得到国内研究界的广泛认可。
这种增长趋势背后反映了几个因素：一是CARLA平台的开源特性和高度可定制性；二是自动驾驶研究对大规模测试的需求；三是仿真平台能够有效降低研究成本和风险。
二、CARLA在研究中的主要应用方向
1. 决策规划算法优化（占比最高-41.67%）
决策规划是自动驾驶研究的核心领域，也是使用CARLA平台最多的研究方向。
强化学习成为主流方法：多篇论文采用深度强化学习算法，如秦琴提出的《ball_tree优化的自动驾驶仿真测试场景生成方法》使用Ball Tree KNN算法提高采样效率；姚悦的《基于改进PPO算法的自动驾驶技术研究》提出RPPO算法解决决策效果不佳问题。
仿真测试场景自动化生成框架
分层设计思路盛行：李伟东的《基于分层强化学习的自动驾驶决策控制算法》采用两层结构，决策层使用DQN输出离散动作，控制层使用SAC输出连续动作，降低了算法复杂度。
多智能体协同决策：张鲁宁的《混合交通流异常事件下自动驾驶车辆轨迹优化》提出MAD3QN模型，解决多车协同变道的安全性与效率平衡问题。
实验设定变道合流场景
2. 场景生成与测试技术（占比22.92%）
测试场景生成是另一个重要研究方向，旨在解决自动驾驶测试中的"长尾问题"。
自动化场景生成：秦琴的研究基于Ball Tree结构优化，比人工场景制作速度快11.38倍，能高效生成危险场景。
关键场景挖掘：基于树结构Parzen估计器的测试方法能够高效生成高风险、高测试价值的关键场景，大大提升了测试效率。
不同方法统计评价指标结果
虚实融合测试：胡学敏的《仿真到现实环境的自动驾驶决策技术综述》系统总结了Sim-to-Real的迁移方法，包括虚实迁移和平行智能两大技术路径。
3. 感知算法创新（占比18.75%）
感知是自动驾驶的基础，相关研究主要关注如何提高感知系统的准确性和鲁棒性。
多传感器融合：王明辰的《MSF-Diffuser_BEV下基于扩散模型的多传感器自适应融合自动驾驶方法》实现了摄像头、激光雷达、毫米波雷达的自适应融合。
本文所提出的BEV下基于多传感器融合的自动驾驶方法MSF-Diffuser框架图
事件相机应用：王超毅的《基于事件相机的图像语义分割方法》提出EVISS方法，解决了传统RGB相机在动态光照和高速运动场景下的局限性。
环境表征学习：罗玉涛的《基于环境表征的强化学习自动驾驶策略》结合环境表征模型，提高了RL策略的学习效率和收敛稳定性。
4. 平行驾驶与车路协同（占比16.67%）
车路协同是未来智能交通的重要方向，相关研究也开始在Carla平台上展开。
联合仿真框架：史云阳的《SC-V2XSim_车路协同环境下的高速公路混合交通流联合仿真方法》结合SUMO和CARLA，实现了二维交通流与三维车辆仿真的同步映射。
协同定位技术：胡钊政的《基于时空图模型的车-路-图协同定位方法》提出STGO-CL方法，实现了高精度、高鲁棒性的协同定位。
交叉口协同管理：高镇海的《基于行为规约近端策略优化的自主交叉口管理方法》提出BCPPO方法，实现了无信号交叉口的多车协同控制。
行驶区域划分，驾驶路线及潜在冲突点
三、研究趋势与展望
通过对这些论文的分析，我们发现，用CARLA研究规控算法和场景评测技术的群体占据大半（68%），这还是得力于CARLA这款开源软件在车辆控制和场景自由生成方面的便利性；但是用CARLA研究感知技术的比例却比较少，且主要以图像识别类为主，说明CARLA的摄像头传感器能取得学界的认可，但是其它传感器（如激光雷达、毫米波雷达）的落地使用依然不足，这也对CARLA后续的开发/优化方向提供了思路。
随着技术的不断发展，CARLA平台在自动驾驶研究中的应用将会更加广泛和深入。未来，我们可以期待更多创新性的仿真技术研究成果出现，集成到CARLA平台中，推动自动驾驶技术向更高水平发展。
本文基于多篇学术论文的分析整理，仅供参考学习。
最后，本文提及的48篇国内论文，均已备份到Carla中文站（网址：https://bbs.carla.org.cn/），大家可以到Carla中文站搜索、阅读、下载。
