Apollo自动驾驶代码框架入门指南：从环境搭建到核心模块解析

1次阅读

共计 2319 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触自动驾驶开发时，最头疼的就是系统复杂度。传统开发方式需要自己搭建传感器驱动、感知算法、路径规划等模块，光是激光雷达和摄像头的标定就够折腾一周。而百度开源的 Apollo 框架把这些问题都打包解决了——它像乐高积木一样提供了标准化的模块接口，开发者可以快速搭建自己的自动驾驶系统。

和另一个知名框架 Autoware 相比，Apollo 有两个明显优势：

模块化程度更高：每个功能（如感知、预测、规划）都是独立容器，方便替换升级
工具链更完整：从仿真平台 Dreamview 到实车调试工具 Monitor，覆盖开发全流程

Apollo 官方推荐用 Docker 部署环境，这里分享国内用户的最快配置方案：

# 1. 安装 Docker（已安装可跳过）sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

# 2. 配置阿里云镜像加速（关键步骤！）sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<-'EOF'
{"registry-mirrors": ["https://< 你的 ID>.mirror.aliyuncs.com"]
}
EOF

# 3. 拉取 Apollo 镜像（节省 50% 时间）docker pull apolloauto/apollo:dev-18.04-x86_64

# 4. 启动容器（注意映射本地目录）docker run -it --gpus all -p 8888:8888 -v /path/to/local:/apollo \
  --name apollo_dev apolloauto/apollo:dev-18.04-x86_64

常见坑点：

GPU 驱动冲突：建议使用 Ubuntu 18.04 + NVIDIA 驱动 470 系列
内存不足：至少分配 8GB 内存给 Docker（在 Docker Desktop 设置中调整）

激光雷达数据处理是自动驾驶的 ” 眼睛 ”，Apollo 中的处理流程像工厂流水线：

点云预处理：过滤地面点和无效噪声
目标检测：采用 CNN 或 PointPillars 算法识别车辆 / 行人
目标跟踪：通过卡尔曼滤波预测运动轨迹

关键代码片段（modules/perception/lidar/lib/segmentation/cnnseg/cnnseg.cc）：

// 点云分割核心函数
bool CNNSegmentation::Segment(const PointCloudPtr& pc_ptr, \
                              std::vector<ObjectPtr>* objects) {
  // 1. 体素化降采样（提升处理速度）VoxelFilter(pc_ptr, filtered_cloud);

  // 2. 调用深度学习模型（需提前加载 PB 模型文件）inference_engine_->Infer(feature_blob, &output_blob);

  // 3. 后处理生成 3D 边界框
  ParseOutputs(output_blob, objects);
}

这个 Web 工具相当于自动驾驶的 ” 仪表盘 ”，启动方法：

# 在 Docker 容器内执行
bash scripts/bootstrap.sh

打开浏览器访问 localhost:8888 可以看到：

实时点云渲染
规划路径显示
车辆状态监控

调试技巧：按住 Ctrl+ 鼠标左键 可以测量两点间距离，特别适合验证感知精度。

现象：运行感知模块时出现CUDA out of memory

解决方案：

# 修改配置文件 modules/perception/production/conf/perception_lidar.pb.txt
sensor_name: "velodyne64"
lidar_query_tf_offset: 0  # 减少点云缓存帧数
cnnseg_param {use_light_model: true   # 启用轻量级模型}

Apollo 要求传感器标定文件必须是 UTF- 8 编码的 YAML 格式，建议使用 VS Code 的 ”Hexdump” 插件检查文件头。常见错误包括：

Windows 系统生成的 BOM 头（需用 Notepad++ 转码）
缩进使用了 Tab 键（必须为空格）

本地调试阶段：
优先使用 cyber_launch 启动单个模块
修改控制算法时，先调 modules/control/conf/control_conf.pb.txt 中的 PID 参数
云端部署要点：
使用 apollo.sh build_opt 编译优化版本
关闭 Debug 日志输出（修改 cyber/setup.bash 中的日志级别）

建议尝试修改规划模块的代价函数：

# modules/planning/planner/open_space/coarse_trajectory_generator.py
def update_obstacle_cost(self, trajectory):
    # 尝试调整安全距离权重
    self._cost_params.safety_distance = 0.3  # 原值 0.5

然后通过 Dreamview 观察车辆绕行障碍物的轨迹变化，这是理解自动驾驶决策逻辑的最佳方式。

通过两周的 Apollo 框架实践，最大的体会是：自动驾驶开发不再是科研机构的专利。有了这样的开源平台，个人开发者完全可以在笔记本上跑通完整的数据闭环。下一步我准备尝试把 YOLOv5 集成到感知模块，替换原有的 CNN 检测器。如果你也正在学习 Apollo，欢迎一起交流在模块扩展中遇到的问题。

正文完