Apollo自动驾驶部署实战：从环境搭建到避坑指南

共计 1424 个字符，预计需要花费 4 分钟才能阅读完成。

背景介绍

自动驾驶系统的部署与传统软件有显著差异，主要体现在：

• 实时性要求：感知 - 决策 - 控制的闭环延迟需控制在 100ms 内
• 硬件异构性：需同时处理 GPU 计算（深度学习推理）和传感器数据（激光雷达 / 摄像头）
• 安全冗余：关键模块需要 fail-safe 机制和降级策略

环境准备

硬件基础配置

• 计算单元：NVIDIA Xavier/T4 以上（至少 15TOPS 算力）
• 传感器接口：
• 激光雷达：RoboSense/ 禾赛 16 线以上
• 摄像头：200 万像素 @30fps
• GNSS/IMU：NovAtel PwrPak7

软件依赖清单

1. Ubuntu 18.04/20.04 LTS
2. Docker 19.03+
3. NVIDIA Container Toolkit
4. Apollo 内核（5.0+ 版本推荐）

部署方案对比

源码编译 vs 容器化

• 源码部署：
• 优势：可深度定制模块

• 劣势：依赖环境复杂（需手动安装 ROS/Boost 等）

• 容器部署：

• 优势：环境隔离，一键启动
• 劣势：镜像体积较大（约 15GB）

单机 vs 分布式

• 单机模式：
• 适用场景：开发调试

• 资源需求：32GB 内存 + 8 核 CPU

• 分布式部署：

• 感知 / 规划 / 控制分离部署
• 需配置 DDS 通信（如 Cyber RT）

实战示例

Docker-compose 配置

version: '3'
services:
  dreamview:
    image: apolloauto/apollo:dev-x86_64-5.0
    devices:
      - /dev/nvidia0:/dev/nvidia0
    volumes:
      - ./data:/apollo/data
    network_mode: host

感知模块调优

# 调整目标检测模型 batch_size
cyber_launch start modules/perception/production/launch/perception.launch \
  --param=/apollo/modules/perception/production/conf/perception_camera.conf \
  --batch_size=4

性能优化

资源监控方案

1. 使用 nvtop 监控 GPU 利用率
2. htop观察 CPU 负载
3. Apollo 自带的 cyber_monitor 查看消息延迟

延迟优化技巧

• 启用 CUDA Graph（减少 kernel 启动开销）
• 调整 ROS 的 QoS 策略（可靠传输→尽力传输）
• 硬件时间同步（PTP 协议精度需 <1μs）

避坑指南

常见编译错误

• Eigen3 版本冲突：

  sudo apt remove libeigen3-dev
  git clone https://gitlab.com/libeigen/eigen.git

• CUDA 兼容问题：
  检查 /usr/local/cuda/version.txt 与驱动版本匹配

硬件兼容性

• 激光雷达数据丢包：检查 ifconfig 查看网络带宽
• IMU 数据漂移：配置/apollo/modules/calibration/params/imu_params.yaml

安全考量

数据加密

// cyber/proto/transport_conf.proto
channel_conf {
  encrypt_mode: AES256_GCM
  key_size: 32
}

权限管理

• 使用 sudoers 限制 docker 命令权限
• Apollo 模块间通信启用 SELinux

思考延伸

在边缘计算场景下，如何平衡：
– 本地计算的实时性
– 云端协同的模型更新频率
– 网络带宽的限制条件？

（测试数据：T4 显卡在 batch_size= 4 时，YOLOv5 检测延迟为 23ms±2ms）