Apollo自动驾驶入门课程PDF：从零开始的开发者实战指南

1次阅读

没有评论

共计 2909 个字符，预计需要花费 8 分钟才能阅读完成。

Apollo 是百度开源的自动驾驶平台，目前在业界被广泛应用。对于刚接触自动驾驶开发的初学者来说，Apollo 提供了完整的解决方案和丰富的学习资源。它的主要优势包括：

完整的自动驾驶软件栈，从感知到决策控制一应俱全
活跃的开发者社区和详实的官方文档
支持多种传感器配置和车型适配
定期更新的版本迭代

自动驾驶开发传统上多基于 ROS(Robot Operating System)，而 Apollo 采用了自研的 CyberRT 框架。两者主要区别如下：

通信机制
ROS 使用话题 / 服务 / 参数服务器
CyberRT 采用基于共享内存的零拷贝通信
性能表现
ROS 在大数据量传输时存在性能瓶颈
CyberRT 针对自动驾驶场景优化，延迟更低
开发语言
ROS 主要支持 C ++ 和 Python
CyberRT 同样支持这两种语言，但接口设计更统一
调度系统
ROS 依赖单线程的事件循环
CyberRT 采用多线程协同调度

CPU：至少 4 核，推荐 8 核以上
内存：最低 8GB，推荐 16GB
显卡：支持 CUDA 的 NVIDIA 显卡（如需 GPU 加速）
存储：至少 50GB 可用空间

安装 Docker CE 版

sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

安装 NVIDIA Container Toolkit（如需 GPU 支持）

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-docker2

下载 Apollo Docker 镜像

docker pull apolloauto/apollo:dev-x86_64-8.0

Docker 权限问题：将当前用户加入 docker 组

sudo groupadd docker
sudo usermod -aG docker $USER
newgrp docker

NVIDIA 驱动不兼容：确保驱动版本 >=450.80.02
共享内存不足：调整 Docker 的 shm 大小
```
docker run --shm-size=2g ...
```

import numpy as np
from modules.perception.proto.perception_obstacle_pb2 import PerceptionObstacles

class ObjectDetector:
    def __init__(self, model_path):
        """初始化检测模型"""
        self.model = load_model(model_path)  # 加载预训练模型

    def detect(self, image):
        """
        执行目标检测
        :param image: 输入图像 (H,W,3)
        :return: PerceptionObstacles protobuf 消息
        """
        # 预处理
        img_tensor = preprocess(image)

        # 模型推理
        predictions = self.model.predict(img_tensor)

        # 后处理
        obstacles = PerceptionObstacles()
        for pred in predictions:
            obj = obstacles.perception_obstacle.add()
            obj.id = pred["id"]
            obj.position.x = pred["x"]  # 米
            obj.position.y = pred["y"]
            obj.velocity.x = pred["vx"]  # 米 / 秒
            obj.type = pred["cls"]

        return obstacles

#include "modules/perception/lidar/common/lidar_frame.h"

namespace apollo {
namespace perception {
namespace lidar {bool PointCloudProcessor::Process(const LidarFrame& frame) {
    // 点云降采样
    DownsamplePointCloud(frame.cloud, 0.1); // 体素网格大小 0.1m

    // 地面分割
    GroundSegmentation(frame.cloud, frame.non_ground_indices);

    // 聚类
    std::vector<Cluster> clusters;
    EuclideanCluster(frame.cloud, frame.non_ground_indices, clusters);

    // 特征提取
    for (auto& cluster : clusters) {ExtractFeatures(cluster);
    }

    return true;
}

}  // namespace lidar
}  // namespace perception
}  // namespace apollo