MAGAIL4AutoDrive/Env/PERFORMANCE_OPTIMIZATION.md

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）

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

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：

# 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

# 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）

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