Apollo自动驾驶入门指南：从环境搭建到第一个感知模块实战

共计 2531 个字符，预计需要花费 7 分钟才能阅读完成。

为什么选择 Apollo 平台

刚接触自动驾驶开发时，最头疼的就是环境配置。传统开发方式需要手动安装 ROS、驱动、各种依赖库，版本冲突问题频出。我曾花了两周时间在 Ubuntu 18.04 上配置 Autoware，光是 CUDA 和 OpenCV 的版本兼容问题就折腾了好几天。更麻烦的是多传感器同步——雷达、相机、IMU 的时间戳对齐需要自己写代码实现，调试时就像在黑暗中摸索。

相比之下，Apollo 提供了一站式解决方案：

• Docker 化环境：所有依赖项预装在容器里，无需担心系统污染
• 标准化接口：传感器驱动、通信协议都有统一规范
• 可视化工具链：Dreamview 能实时显示所有模块的运行状态

开发环境配置实战

1. 基础环境准备

1. 安装 Ubuntu 20.04（必须这个版本，其他版本会踩坑）
2. 禁用 nouveau 驱动（否则会与 NVIDIA 驱动冲突）
3. 安装 Docker CE 和 nvidia-docker2

关键命令：

# 安装 nvidia-docker
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
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

2. 获取 Apollo 镜像

官方提供了带 CUDA 支持的镜像：

docker pull apolloauto/apollo:dev-x86_64-2023-03-15

启动容器时要挂载显卡设备：

./docker/scripts/dev_start.sh --gpu

第一个感知模块开发

激光雷达聚类示例代码

在 modules/perception/lidar_clustering 目录创建 Python 文件：

# 基于欧式距离的点云聚类
from cyber.python.cyber_py3 import record
from modules.drivers.proto.pointcloud_pb2 import PointCloud

def cluster_points(points, dist_threshold=0.5):
    """
    :param points: numpy array of shape (N,3)
    :param dist_threshold: 聚类距离阈值(米)
    :return: list of clustered point indices
    """
    clusters = []
    visited = set()

    for i in range(len(points)):
        if i not in visited:
            cluster = []
            queue = [i]
            while queue:
                idx = queue.pop(0)
                if idx not in visited:
                    visited.add(idx)
                    cluster.append(idx)
                    # 查找邻域点
                    distances = np.linalg.norm(points - points[idx], axis=1)
                    neighbors = np.where(distances < dist_threshold)[0]
                    queue.extend(neighbors)
            clusters.append(cluster)
    return clusters

集成到 Cyber RT 框架

1. 在 cyberfile.xml 中添加依赖：

   <depend>modules/drivers/proto</depend>

2. 创建 DAG 配置文件：

   module_config {
     module_library : "lib/lidar_clustering.so"
     components {
       class_name : "LidarClustering"
       config {
         name : "lidar_clustering"
         readers {channel: "/apollo/sensor/lidar/points"}
       }
     }
   }

常见问题解决

Protobuf 版本冲突

错误现象：

[libprotobuf FATAL google/protobuf/stubs/common.cc:] This program requires version 3.6.1 of the Protocol Buffer runtime library...

解决方法：

# 在 Docker 容器内执行
pip uninstall protobuf
pip install protobuf==3.6.1

传感器标定校验

Apollo 要求标定文件必须是 YAML 格式，特别注意：

• 外参矩阵必须是 4 ×4 的齐次矩阵
• 时间延迟参数单位是秒
• 标定文件存放路径：/apollo/modules/calibration/data/

性能优化建议

当感知模块处理延迟超过 100ms 时，会导致 Planning 模块收到过时的环境信息。可以通过以下方式优化：

1. 在 Cyber RT 中配置高优先级线程池：

   // 在 Component 初始化时设置
   auto component = std::make_shared<LidarClustering>();
   component->Initialize("/path/to/config", true);  // 第二个参数启用高性能模式

2. 点云处理使用 OpenMP 并行：

   from cython.parallel import prange
   
   # 替换原 for 循环为并行版本
   for i in prange(len(points), nogil=True):
       ...

进一步学习

试着修改聚类算法的距离阈值（0.3-1.0 米范围），然后在 Dreamview 中观察：

• 感知结果框的变化
• Planning 模块生成的轨迹如何调整
• Control 模块的转向角响应速度

推荐延伸阅读：
– Apollo 官方文档
– Cyber RT 通信框架白皮书
– 传感器标定规范

通过这个实战项目，你应该已经掌握了 Apollo 开发的核心流程。下次我们可以尝试集成相机目标检测，实现多传感器融合感知。