Apollo自动驾驶比赛新手入门指南：从环境搭建到首次提交

1次阅读

共计 2170 个字符，预计需要花费 6 分钟才能阅读完成。

Apollo 是百度开源的自动驾驶平台，采用模块化设计。对于比赛来说，核心要掌握三个层级：

感知层：激光雷达 / 摄像头数据处理（如障碍物检测）
决策层：路径规划与行为决策（比赛关键得分点）
控制层：车辆转向 / 油门控制（PID 调参基础）

参加比赛的最大价值在于：通过真实场景任务（如避障、红绿灯识别）快速理解自动驾驶系统闭环逻辑。官方提供的仿真环境可以安全测试代码，这对没有实车条件的学习者特别友好。

安装 Ubuntu 18.04/20.04（必须 64 位系统）
分配至少 4 核 CPU+16GB 内存 +50GB 磁盘空间
关闭 Secure Boot（否则 Docker 驱动会报错）

# 安装官方脚本（注意网络通畅）curl https://raw.githubusercontent.com/ApolloAuto/apollo/master/docker/setup_host/setup_host.sh | bash

# 拉取镜像（国内推荐使用阿里云镜像）./docker/scripts/dev_start.sh -C -g cn

常见报错 1 ：E: Unable to locate package nvidia-docker2
解决方法：先执行 distribution=$(. /etc/os-release;echo $ID$VERSION_ID) 更新软件源

常见报错 2 ：Docker build failed
检查点：确保 /tmp 目录有 10GB 以上空间

目标检测接口典型实现：

def detect_objects(lidar_points):
    # 点云聚类处理（比赛常用 DBSCAN 算法）clusters = sklearn.cluster.DBSCAN(eps=0.5).fit(lidar_points)

    # 生成 3D 边界框
    bboxes = []
    for label in set(clusters.labels_):
        if label == -1: continue  # 忽略噪声点
        cluster_points = lidar_points[clusters.labels_ == label]
        bboxes.append(calc_bounding_box(cluster_points))  
    return bboxes

路径规划核心逻辑：

void PlanningComponent::Plan() {
  // 从 HDMap 读取道路信息
  auto road_graph = hdmap_->GetRoadGraph();

  // 生成候选路径（比赛常用 A * 算法）std::vector<Path> candidates = 
    AStarPlanner::Plan(road_graph, start_pose, end_pose);

  // 选择最优路径（考虑曲率 / 距离等权重）current_path_ = EvaluatePaths(candidates);
}

启动命令：./scripts/bootstrap.sh
浏览器访问localhost:8888
关键功能按钮：
Module Controller：启停感知 / 规划模块
Layer Menu：切换地图图层
Data Recorder：保存测试数据

查看规划决策日志：

grep "PLANNING" /apollo/data/log/planning.INFO

典型错误日志模式：
– WARNING: Stuck at obstacle → 感知漏检
– ERROR: Failed to sample path → 规划参数不合理

现象：Dreamview 显示空白地图
解决：检查/apollo/modules/map/data/ 下是否有正确的base_map.xml

现象：车辆响应明显滞后
解决：调整/apollo/modules/control/conf/control_conf.pb.txt 中的 control_period 参数

现象：感知结果与车辆位置偏差大
解决：统一使用world 坐标系（Apollo 默认），所有模块需做坐标转换

感知：调整聚类算法参数（如 DBSCAN 的eps）
规划：增加路径采样密度sample_step
控制：PID 参数建议从 Kp=1.0, Ki=0.1, Kd=0.01 开始调试

# 查看通信延迟（单位：ms）rostopic delay /apollo/perception/obstacles

# 提升性能（在 cyber_launch 文件中添加）--scheduler_policy=fifo
--process_level=realtime

完成首次提交后，建议按以下顺序深入：
1. ROS2 迁移 ：学习cyberRT 替代传统 ROS（Apollo 7.0+ 已切换）
2. PnC 算法：深入研究 Frenet 坐标系下的轨迹规划
3. 多传感器融合：实践相机 + 激光雷达的卡尔曼滤波实现
4. 实车部署：了解 CAN 总线协议与车辆接口规范