Apollo自动驾驶代码架构解析：从感知到决策的技术实现路径

1次阅读

共计 2273 个字符，预计需要花费 6 分钟才能阅读完成。

自动驾驶系统通常分为感知、预测、规划和控制四个核心模块。这种分层架构设计使得复杂的自动驾驶系统能够模块化开发，各模块职责明确，通过定义好的接口进行数据交互。Apollo 作为百度开源的自动驾驶平台，其代码结构清晰体现了这一设计理念。

在 Apollo 架构中，各模块通过 Cyber RT 框架进行通信，采用发布 - 订阅模式实现数据流转。传感器数据首先进入感知模块，经过处理后传递给预测模块，然后由规划模块生成轨迹，最后由控制模块执行。这种流水线式的处理方式保证了系统的实时性和可扩展性。

自动驾驶系统开发中面临诸多挑战，Apollo 框架针对这些问题提供了系统性的解决方案：

多传感器数据同步 ：不同传感器（如激光雷达、摄像头、雷达）的采集频率和数据格式各异，如何实现精确时间同步和数据融合是关键难点。
实时性要求 ：从感知到控制的整个处理流程必须在 100ms 内完成，对算法效率和系统调度提出极高要求。
安全冗余 ：任何单一模块的故障都不应导致系统失效，需要设计完善的故障检测和恢复机制。
环境不确定性 ：其他交通参与者的行为预测存在不确定性，需要鲁棒的决策算法。

Apollo 的感知模块采用多传感器融合策略，主要处理激光雷达点云和摄像头图像数据。激光雷达点云经过以下处理流程：

点云去噪和地面分割
基于深度学习的障碍物检测和分类
多帧跟踪和运动状态估计

摄像头数据则主要用于交通灯识别、车道线检测等任务。两种传感器的数据通过卡尔曼滤波进行融合，提高感知精度。

// Apollo 中典型的感知结果消息定义（简化版）message PerceptionObstacle {
  optional int32 id = 1;          // 障碍物 ID
  optional apollo.common.Point3D position = 2;  // 3D 位置
  optional apollo.common.Point3D velocity = 3;  // 速度
  optional double length = 4;     // 长度 (m)
  optional double width = 5;      // 宽度 (m)
  optional double height = 6;     // 高度 (m)
  enum Type {UNKNOWN = 0; VEHICLE = 1; PEDESTRIAN = 2;}  // 障碍物类型
  optional Type type = 7;
}

预测模块基于感知结果，使用机器学习模型预测周围车辆和行人的未来轨迹。Apollo 采用了基于场景的混合预测方法：

对于结构化道路场景，使用基于规则的预测器
对于复杂场景，采用 LSTM 等时序模型进行轨迹预测

预测结果以概率形式输出多条可能轨迹，供规划模块参考。

EM(Expectation-Maximization) Planner 是 Apollo 的核心规划算法，工作流程分为两步：

在 Frenet 坐标系下生成候选轨迹
评估并选择最优轨迹

Frenet 坐标系将道路中心线作为参考线，简化了轨迹规划问题。规划模块会综合考虑道路结构、交通规则和其他交通参与者，生成安全舒适的行驶轨迹。

# 轨迹评估函数示例（简化）def evaluate_trajectory(trajectory, predictions):
    cost = 0.0
    # 计算与障碍物的距离代价
    cost += calculate_obstacle_cost(trajectory, predictions)
    # 计算舒适性代价（加速度、转向变化率等）cost += calculate_comfort_cost(trajectory)
    # 计算与参考线的偏移代价
    cost += calculate_reference_cost(trajectory)
    return cost

控制模块将规划模块输出的轨迹转化为具体的控制指令（转向、油门、制动）。Apollo 采用了混合控制策略：