Apollo自动驾驶入门：从架构解析到实战避坑指南

1次阅读

没有评论

共计 2153 个字符，预计需要花费 6 分钟才能阅读完成。

Apollo 7.0 采用分层模块化设计，核心包含四大子系统：

感知层 (Perception)
多传感器融合（Lidar/Radar/Camera）
实时障碍物检测与跟踪
典型处理延时：100-200ms
预测层 (Prediction)
基于 LSTM 的轨迹预测
考虑交通规则与历史行为
输出 5 秒内的多模态预测
规划层 (Planning)
分层决策（Route/EM/Lattice）
QP 优化器处理路径平滑
10Hz 的规划频率要求
控制层 (Control)
MPC 控制器输出油门 / 转向
CAN 总线协议封装
支持线控底盘对接

CyberRT vs ROS2 核心差异：

延迟对比（本地测试）：
CyberRT：<2ms @ 1KB 数据
ROS2：~5ms @同等条件
关键特性：
CyberRT 的零拷贝设计
ROS2 的 DDS 兼容性优势

示例：创建 CyberRT Writer

# 初始化节点
node = cyber.Node("perception_node")

# 创建 Writer
writer = node.create_writer("/perception/obstacles", Obstacles, qos_depth=10)

# 发送消息
obstacle = Obstacles()
obstacle.header.timestamp = cyber.Time.now().to_sec()
writer.write(obstacle)

必须匹配宿主机驱动版本
推荐使用 nvidia-docker2

验证命令：

docker run --gpus all nvidia/cuda:11.0-base nvidia-smi

Apollo 统一采用 FLU 坐标系
常见错误：忽略 IMU 安装偏移量

转换公式：

x_vehicle = x_sensor * cosθ - y_sensor * sinθ + dx

使用 SocketCAN 替代 USB-CAN
配置 500kbps 波特率
添加硬件时间戳

硬件同步
使用 PTP 协议
精度可达 μs 级
软件对齐
基于最近邻插值

示例代码：

def align_timestamp(sensor_data, target_time):
    idx = np.argmin(np.abs(sensor_data.timestamps - target_time))
    return sensor_data.points[idx]

采用 OSQP 求解器
热启动机制减少迭代
限制优化变量数量

Lidar 点云聚类（Python 版）

import apollo_cyber as cyber
from modules.perception.proto import PointCloud

# 欧式聚类实现
def euclidean_cluster(cloud, tolerance=0.5):
    tree = KDTree(cloud)
    clusters = []
    visited = set()

    for idx in range(len(cloud)):
        if idx not in visited:
            cluster = []
            queue = [idx]
            while queue:
                point_idx = queue.pop()
                if point_idx not in visited:
                    visited.add(point_idx)
                    cluster.append(cloud[point_idx])
                    neighbors = tree.query_radius([cloud[point_idx]], r=tolerance)
                    queue.extend(neighbors[0])
            if len(cluster) > 10:  # 过滤噪声
                clusters.append(cluster)
    return clusters

红绿灯检测关键逻辑

# 颜色识别核心代码
def detect_traffic_light(image):
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    # 红色检测范围
    red_lower1 = np.array([0, 70, 50])
    red_upper1 = np.array([10, 255, 255])
    red_lower2 = np.array([170, 70, 50])
    red_upper2 = np.array([180, 255, 255])

    mask_red = cv2.inRange(hsv, red_lower1, red_upper1) | \
               cv2.inRange(hsv, red_lower2, red_upper2)

    # 形态学处理
    kernel = np.ones((5,5), np.uint8)
    return cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel)