Apollo自动驾驶省赛技术解析：从传感器融合到决策规划的实现路径

1次阅读

共计 1596 个字符，预计需要花费 4 分钟才能阅读完成。

自动驾驶省赛场景通常设置在城市道路或封闭场地，包含以下典型特征：

锥桶识别 ：比赛场地常使用锥桶作为车道边界和障碍物，其反光特性与常规道路标线差异显著
狭窄赛道 ：赛道宽度通常限制在 3 - 5 米，对轨迹跟踪精度要求极高（误差需 <10cm）
动态障碍 ：随机出现的移动障碍物要求系统具备实时重规划能力
GNSS 拒止 ：部分赛段会模拟隧道环境，需依赖纯视觉 /LiDAR 定位

Apollo 开源框架为比赛场景需进行以下适配：

感知模块精简 ：移除红绿灯检测等无关功能，优化目标检测模型

# 修改 modules/perception/production/conf/perception/camera/fusion_camera_detection_component.pb.txt
camera_obstacle_perception_conf {
  plugin_param {
    name: "YoloObstacleDetector"
    config_path: "./data/yolo_cone_detection"  # 专用锥桶检测模型
  }
}

控制频率提升 ：将默认 10Hz 控制周期提升至 20Hz

// modules/control/conf/control_conf.pb.txt
control_period : 50  // 50ms 周期对应 20Hz

采用紧耦合的 LiDAR-IMU-GNSS 融合方案，状态方程：

x_k = [p, q, v, b_a, b_g]^T
F_k = I + [0   I   0    0     0
            0   0   R    0    -R
            0   0   0 -dtI    0
            0   0   0    0  -dtI]

关键参数调优范围：
– LiDAR 点云降采样体素尺寸：0.1m-0.3m
– IMU 预积分窗口：5-10 帧

与传统 PID 对比优势：

指标	PID	MPC
超调量	≥15%	≤5%
计算耗时	1ms	10-20ms
抗扰动性	差	优秀

MPC 代价函数示例代码：

def cost_function(x, u, ref):
    # 状态误差代价
    state_err = x - ref.x
    Q = np.diag([10, 10, 5, 2])  # 位置权重 > 速度权重

    # 控制量代价
    R = np.diag([0.1, 0.1]) 

    # 终端代价
    P = 2*Q

    return state_err.T @ Q @ state_err + u.T @ R @ u

实测有效的 CPU 优化方法：

感知模块 ：
启用 TensorRT 加速（提升 30% 推理速度）
限制点云处理范围（前向 50m，横向±5m）

规划模块 ：

# 设置 CPU 亲和性
taskset -c 2,3 ./bazel-bin/modules/planning/planning

通信优化 ：
使用共享内存替代 ROS 话题（latency 从 20ms 降至 2ms）
压缩点云数据传输（减小带宽占用 60%）

硬件级同步 ：
使用 PTP 协议对齐 LiDAR 和相机时间戳
配置 IMU 硬件触发信号（误差 <1ms）

软件补偿 ：

// 时间偏移校准
double estimateTimeOffset(const SensorData& data1, const SensorData& data2) {
  // 使用互相关算法计算时延
  return cross_correlation(data1.timestamps, data2.timestamps);
}