Apollo星火自动驾驶赛题新手入门指南：从环境搭建到第一个Demo

共计 2010 个字符，预计需要花费 6 分钟才能阅读完成。

背景痛点

初次接触 Apollo 平台的开发者往往会遇到几个典型问题：

1. 环境配置复杂：依赖项多，Docker 镜像体积大（约 10GB），网络问题导致拉取失败
2. 概念门槛高：需要同时理解 ROS/ROS2、CyberRT、Protobuf 等多种中间件
3. 硬件依赖：官方推荐使用带 GPU 的工控机，笔记本开发需要特殊配置
4. 调试困难：传感器数据模拟与真实设备存在差异，问题定位链条长

技术选型：为什么选择 Apollo？

相比其他自动驾驶平台：

• Autoware：
• 优势：ROS 原生支持，社区插件丰富
• 劣势：模块耦合度高，实时性较差
• Apollo：
• 优势：百度商业化验证的架构，CyberRT 实时框架延迟 <5ms
• 特色：提供完整的仿真工具链（Dreamview+LG Simulator）

核心实现

Docker 环境搭建（Ubuntu 20.04 示例）

1. 安装依赖：

   sudo apt-get update
   sudo apt-get install -y curl git docker.io nvidia-docker2

2. 配置 Docker 加速（国内用户必需）：

   sudo mkdir -p /etc/docker
   echo '{"registry-mirrors": ["https://registry.docker-cn.com"]}' | sudo tee /etc/docker/daemon.json

3. 拉取 Apollo 镜像：

   docker pull apolloauto/apollo:dev-x86_64-18.04-20210914_1330

Apollo 架构解析（关键模块）

[感知层] → [预测层] → [规划层] → [控制层]
   ↑               ↑           ↑
[定位模块]    [高精地图]   [V2X 通信]

• 感知层：激光雷达 + 摄像头融合检测（采用 PointPillars+YOLOv5）
• 预测层：基于 LSTM 的轨迹预测
• 规划层：EM Planner 混合规划算法

传感器数据模拟示例

import numpy as np
import matplotlib.pyplot as plt

# 生成模拟激光雷达点云
def generate_lidar_data(num_points=1000):
    # 前方车辆模型（长方体点云）car_points = np.random.uniform(low=[-1.5, -0.8, 0],
        high=[1.5, 0.8, 2],
        size=(num_points//2, 3)
    )

    # 地面点云
    ground = np.column_stack([np.random.uniform(-10, 10, num_points//4),
        np.random.uniform(-5, 5, num_points//4),
        np.zeros(num_points//4)
    ])

    return np.vstack([car_points, ground])

# 可视化
points = generate_lidar_data()
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(points[:,0], points[:,1], points[:,2], s=1)
plt.show()

避坑指南

1. Docker 启动失败：
2. 现象：nvidia-docker: command not found

3. 解决：执行distribution=$(. /etc/os-release;echo $ID$VERSION_ID) && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -

4. CUDA 版本冲突：

5. 现象：Failed to initialize NVML: Driver/library version mismatch

6. 解决：sudo apt-get install --reinstall nvidia-driver-470

7. CyberRT 启动超时：

8. 现象：component init timeout
9. 解决：修改 cyber_launch 中的 --timeout=60 参数

实践：车道线检测 Demo

1. 启动 Dreamview 可视化：

   ./scripts/bootstrap.sh

2. 加载预置地图：

   python3 modules/tools/mapshow/show.py -m modules/map/data/sunnyvale_loop

3. 运行检测模块：

   mainboard -d modules/perception/production/launch/lane_detection.launch

性能优化策略

• 轻量化模型：将 YOLOv5 替换为 YOLOv5s（体积缩小 60%）
• 量化加速：使用 TensorRT 进行 FP16 量化
• 模块裁剪：关闭不用的传感器驱动（如未连接雷达时）

进阶思考

1. 如何实现多车协同感知？Apollo 的 V2X 模块如何与单车智能结合？
2. 当激光雷达与摄像头检测结果冲突时，融合算法应该如何决策？
3. 在资源受限的树莓派上，哪些模块可以优先考虑边缘计算方案？