Apollo自动驾驶入门：从环境搭建到第一个感知模块实战

1次阅读

没有评论

共计 1867 个字符，预计需要花费 5 分钟才能阅读完成。

自动驾驶开发一直以门槛高、环境复杂著称。传统开发方式需要手动配置 ROS、CUDA、传感器驱动等数十个依赖项，光是解决环境冲突就可能耗费数周时间。而 Apollo 作为百度开源的自动驾驶平台，虽然提供了模块化架构，但新手常面临三大难题：

环境配置复杂：涉及 Docker、GPU 驱动、CyberRT 等多个技术栈的交叉配置
模块理解成本高：感知、预测、规划等模块间数据流关系抽象
缺乏最小实践案例：官方文档侧重架构说明，缺少 ” 从第一个模块跑通 ” 的渐进式指导

Apollo 官方推荐使用 Docker 实现环境隔离，以下是已验证的配置流程：

安装 NVIDIA 驱动和 Docker（需注意版本匹配）
拉取 Apollo 镜像（以 6.0 版本为例）：
```
docker pull apolloauto/apollo:6.0_edu
```

启动容器时映射显卡设备（关键步骤）：

./docker/scripts/dev_start.sh --gpu \
--local_volumes=$HOME/apollo_data:/apollo/data

常见问题解决：

如果遇到 CUDA 版本错误，尝试：
```
nvidia-smi | grep CUDA
```
确保驱动版本≥CUDA 10.2
可视化工具 Dreamview 无法启动时，检查：
```
 ./scripts/bootstrap.sh status
```

Apollo 的感知模块采用生产者 - 消费者模式，核心流程为：

传感器数据输入（LiDAR/ 相机 / 雷达）
预处理（去畸变、坐标转换）
算法推理（CNN/PointNet++ 等）
后处理（跟踪、过滤）
结果发布（CyberRT 通道）

以 LiDAR 感知为例，关键代码结构：

# modules/perception/lidar/app/lidar_obstacle_detection.cc
void LidarObstacleDetection::Init() {
  // 初始化算法插件
  segmentor_->Init();  // 点云分割
  detector_->Init();   // 障碍物检测
  tracker_->Init();    // 多帧跟踪}

以下 Python 示例展示基于点云的障碍物检测核心逻辑：

# 点云预处理（降采样 + 去地面）def preprocess(points):
    import pcl
    cloud = pcl.PointCloud(points)

    # 体素网格降采样
    vg = cloud.make_voxel_grid_filter()
    vg.set_leaf_size(0.1, 0.1, 0.1)
    cloud = vg.filter()

    # 地面分割（RANSAC 算法）seg = cloud.make_segmenter()
    seg.set_model_type(pcl.SACMODEL_PLANE)
    seg.set_method_type(pcl.SAC_RANSAC)
    inliers, _ = seg.segment()

    return cloud.extract(inliers, negative=True)

# CNN 分类模型（示例结构）class ObstacleCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3)
        self.pool = nn.MaxPool2d(2)

    def forward(self, bev_image):  # BEV 投影输入
        x = self.pool(F.relu(self.conv1(bev_image)))
        return x

Apollo 提供两种验证方式：

离线测试：使用 record 数据回放
```
cyber_recorder play -f demo_3.5.record
```
在线测试：通过 Dreamview 可视化
```
./scripts/bootstrap.sh
```
在浏览器访问 localhost:8888 查看检测结果

性能优化技巧：