Apollo自动驾驶仿真比赛试题解析：新手入门指南与实战避坑

1次阅读

共计 2048 个字符，预计需要花费 6 分钟才能阅读完成。

初次接触 Apollo 仿真比赛的开发者常遇到以下问题：

环境配置复杂：Ubuntu 版本、Docker 依赖、ROS 环境等基础组件安装容易出现兼容性问题
算法移植困难：传统算法（如 A * 路径规划）与 Apollo 框架的接口适配需要额外开发
调试效率低下：仿真场景加载耗时、可视化工具使用不熟练导致问题定位缓慢
评分理解偏差：对 RMSE、碰撞率等比赛指标的计算逻辑缺乏系统认知

传统方案：基于 OpenCV 的形态学处理 + 轮廓检测

# 传统图像处理方法示例
contours, _ = cv2.findContours(
    binary_img, 
    cv2.RETR_EXTERNAL, 
    cv2.CHAIN_APPROX_SIMPLE
)

Apollo 集成方案：
1. 使用 modules/perception 中的激光雷达聚类算法
2. 配置 lidar_obstacle_detection.conf 关键参数：
– cluster_distance_threshold = 0.5 # 点云聚类距离阈值
– min_obstacle_height = 0.2 # 最小障碍物高度过滤

Frenet 坐标系应用：

// Apollo 的 ReferenceLineProvider 核心逻辑
bool ReferenceLineProvider::CreateReferenceLine(std::list<ReferenceLine> *reference_lines) {
  // 将全局路径转换到 Frenet 坐标系
  ...
}

#!/usr/bin/env python3
# 激光雷达数据处理节点示例
import rospy
from sensor_msgs.msg import PointCloud2

class PerceptionNode:
    def __init__(self):
        self.sub = rospy.Subscriber(
            "/apollo/sensor/velodyne64/compensator/PointCloud2",
            PointCloud2, self.callback, queue_size=10)

    def callback(self, msg):
        # 坐标转换：ROS 点云 ->Apollo 内部格式
        cloud = convert_ros_to_apollo(msg)
        # 执行点云聚类（耗时约 15ms/ 帧）obstacles = cluster_process(cloud)  

if __name__ == "__main__":
    rospy.init_node("perception_node")
    PerceptionNode()
    rospy.spin()

坐标系转换：
忽略 localization 模块输出的世界坐标系与传感器坐标系的转换
解决方案：统一使用 modules/transform 中的 TF 树管理
时间同步：
摄像头与激光雷达数据时间戳未对齐导致融合失效
关键配置：enable_auto_timestamp_sync = true
参数过拟合：
在单个测试场景调优的参数可能在其他场景失效
建议：使用 modules/common/configs 中的自适应参数
资源泄漏：
未关闭的 ROS 节点会持续占用 CPU
检测命令：top -H -p $(pgrep -d',' mainboard)
日志缺失：
未启用 --log_dir 参数导致调试信息丢失
推荐配置：GLOG_alsologtostderr=1 GLOG_colorlogtostderr=1

GPU 加速：

# 启动命令示例
./scripts/bootstrap.sh --gpu --vis

启用 CUDA 后点云处理速度可提升 3 - 5 倍

多线程优化：

// 在 cyber 配置中设置线程池
ComponentConfig {
  name: "perception_obstacle"
  readers: 2  // 独立 IO 线程数
  processors: 4  // 计算线程数
}

开放性问题：当车辆在弯道检测到静态障碍物时，如何平衡制动距离与乘客舒适度？

参考思路：
1. 在 modules/control/conf/control_conf.pb.txt 中调整：
– max_deceleration = 3.0 → 降低最大减速度
– enable_smooth_stop = true → 启用渐进式制动
2. 使用 modules/prediction 提前预测障碍物轨迹
3. 在 Frenet 坐标系下动态调整安全距离