132 lines
3.9 KiB
Markdown
132 lines
3.9 KiB
Markdown
# MetaDrive 性能优化指南
|
||
|
||
## 为什么帧率只有15FPS且CPU利用率不高？
|
||
|
||
### 主要原因：
|
||
|
||
1. **渲染瓶颈（最主要）**
|
||
- `use_render: True` + 每帧调用 `env.render()` 会严重限制帧率
|
||
- MetaDrive 使用 Panda3D 渲染引擎，渲染是**同步阻塞**的
|
||
- 即使CPU有余力，也要等待渲染完成才能继续下一步
|
||
- 这就是为什么CPU利用率低但帧率也低的原因
|
||
|
||
2. **激光雷达计算开销**
|
||
- 每帧对每辆车进行3次激光雷达扫描（100个激光束）
|
||
- 需要进行物理射线检测，计算量较大
|
||
|
||
3. **物理引擎同步**
|
||
- 默认物理步长很小（0.02s），需要频繁计算
|
||
|
||
4. **Python GIL限制**
|
||
- Python全局解释器锁限制了多核并行
|
||
- 即使是多核CPU，Python单线程性能才是瓶颈
|
||
|
||
## 性能优化方案
|
||
|
||
### 方案1：关闭渲染（推荐用于训练）
|
||
**预期提升：10-20倍（150-300+ FPS）**
|
||
|
||
```python
|
||
config = {
|
||
"use_render": False, # 关闭渲染
|
||
"render_pipeline": False,
|
||
"image_observation": False,
|
||
"interface_panel": [],
|
||
"manual_control": False,
|
||
}
|
||
```
|
||
|
||
### 方案2：降低物理计算频率
|
||
**预期提升：2-3倍**
|
||
|
||
```python
|
||
config = {
|
||
"physics_world_step_size": 0.05, # 默认0.02，增大步长
|
||
"decision_repeat": 5, # 每5个物理步执行一次决策
|
||
}
|
||
```
|
||
|
||
### 方案3：优化激光雷达
|
||
**预期提升：1.5-2倍**
|
||
|
||
修改 `scenario_env.py` 中的 `_get_all_obs()` 函数：
|
||
|
||
```python
|
||
# 减少激光束数量
|
||
lidar = self.engine.get_sensor("lidar").perceive(
|
||
num_lasers=40, # 从80减到40
|
||
distance=30,
|
||
base_vehicle=vehicle,
|
||
physics_world=self.engine.physics_world.dynamic_world
|
||
)
|
||
|
||
# 或者降低扫描频率（每N步才扫描一次）
|
||
if self.round % 5 == 0:
|
||
lidar = self.engine.get_sensor("lidar").perceive(...)
|
||
else:
|
||
lidar = self.last_lidar[agent_id] # 使用缓存
|
||
```
|
||
|
||
### 方案4：间歇性渲染
|
||
**适用场景：既需要可视化又想提升性能**
|
||
|
||
```python
|
||
# 每10步渲染一次，而不是每步都渲染
|
||
if step % 10 == 0:
|
||
env.render(mode="topdown")
|
||
```
|
||
|
||
### 方案5：使用多进程并行（高级）
|
||
**预期提升：接近线性（取决于进程数）**
|
||
|
||
```python
|
||
from multiprocessing import Pool
|
||
|
||
def run_env(seed):
|
||
env = MultiAgentScenarioEnv(config=...)
|
||
# 运行仿真
|
||
return results
|
||
|
||
# 使用进程池并行运行多个环境
|
||
with Pool(processes=8) as pool:
|
||
results = pool.map(run_env, range(8))
|
||
```
|
||
|
||
## 文件说明
|
||
|
||
- `run_multiagent_env.py` - **标准版本**（无渲染，基础优化）
|
||
- `run_multiagent_env_fast.py` - **极速版本**（激光雷达优化+缓存）⭐推荐
|
||
- `run_multiagent_env_parallel.py` - **并行版本**（多进程，最高吞吐量）⭐⭐推荐
|
||
- `run_multiagent_env_visual.py` - **可视化版本**（有渲染，适合调试）
|
||
|
||
## 性能对比
|
||
|
||
| 配置 | 单环境FPS | 总吞吐量 | CPU利用率 | 文件 | 适用场景 |
|
||
|------|-----------|----------|-----------|------|----------|
|
||
| 原始配置（有渲染） | 15-20 | 15-20 | 15-20% | visual | 实时可视化调试 |
|
||
| 关闭渲染 | 20-25 | 20-25 | 20-30% | 标准版 | 基础训练 |
|
||
| 激光雷达优化+缓存 | 30-60 | 30-60 | 30-50% | fast | 快速训练⭐ |
|
||
| 多进程并行（10核） | 30-60 | 300-600 | 90-100% | parallel | 大规模训练⭐⭐ |
|
||
|
||
**说明：**
|
||
- **单环境FPS**：单个环境实例的帧率
|
||
- **总吞吐量**：所有进程合计的 steps/second
|
||
- 12600KF（10核20线程）推荐使用并行版本
|
||
|
||
## 建议
|
||
|
||
1. **训练时**：使用高性能版本（关闭渲染）
|
||
2. **调试时**：使用可视化版本，或间歇性渲染
|
||
3. **大规模实验**：使用多进程并行
|
||
4. **如果需要GPU加速**：考虑使用GPU渲染或将策略网络部署到GPU上
|
||
|
||
## 为什么CPU利用率低？
|
||
|
||
- **渲染阻塞**：CPU在等待渲染完成
|
||
- **Python GIL**：限制了多核利用
|
||
- **I/O等待**：可能在等待磁盘读取数据
|
||
- **单线程瓶颈**：MetaDrive主循环是单线程的
|
||
|
||
解决方法：关闭渲染 + 多进程并行
|
||
|