Apollo自动驾驶实验报告：新手入门指南与避坑实践

1次阅读

没有评论

共计 1790 个字符，预计需要花费 5 分钟才能阅读完成。

自动驾驶技术近年来发展迅猛，从 L2 级辅助驾驶到 L4 级高度自动驾驶逐步落地。百度 Apollo 平台作为开源自动驾驶框架，具有以下优势：

模块化设计 ：将复杂的自动驾驶系统拆分为感知、预测、规划、控制等独立模块
丰富的传感器支持 ：兼容 LiDAR、摄像头、毫米波雷达等多种传感器
完善的仿真工具 ：提供虚拟测试环境降低实车测试成本
活跃的开发者社区 ：遇到问题可以快速获得技术支持

处理器：Intel i7 以上或同等性能 ARM 芯片
内存：至少 16GB（推荐 32GB）
显卡：NVIDIA GPU（如 RTX 2080 及以上）
存储：SSD 硬盘至少 100GB 可用空间

安装 Ubuntu 18.04/20.04 LTS（推荐原生系统而非虚拟机）
安装 Docker 19.03+ 和 nvidia-docker
安装 Git 和必要的开发工具包

克隆 Apollo 源码仓库：

git clone https://github.com/ApolloAuto/apollo.git

启动 Docker 容器：
```
cd apollo
./docker/scripts/dev_start.sh
```
进入开发环境：
```
./docker/scripts/dev_into.sh
```
编译代码：
```
./apollo.sh build
```

通过传感器融合实现环境感知，主要流程：

目标检测：YOLOv3 等算法识别车辆、行人
目标跟踪：SORT 算法保持 ID 一致性
语义分割：识别车道线、交通标志

包含路由规划（A* 算法）和运动规划（EM Planner）：

全局路径生成
动态障碍物避让
舒适性轨迹优化

采用 MPC 控制器实现：

横向控制：方向盘转角
纵向控制：油门 / 刹车
执行器接口：CAN 总线通信

以下是一个简单的激光雷达数据处理示例（Python）：

import apollo_python

# 初始化激光雷达模块
lidar = apollo_python.LidarModule()

# 设置参数
lidar.set_config({
    'sensor_ip': '192.168.1.100',
    'port': 2368,
    'frame_id': 'velodyne'
})

# 数据回调函数
def pointcloud_callback(cloud):
    """处理点云数据"""
    print(f"收到 {len(cloud.points)} 个点")
    # 此处添加处理逻辑...

# 注册回调
lidar.register_callback(pointcloud_callback)

# 启动数据接收
lidar.start()

典型实验数据指标：

感知准确率 ：目标检测的 precision/recall
规划平滑度 ：轨迹的曲率变化率
控制延迟 ：指令发出到执行的时延

示例评估表格：

指标	测试值	目标值
检测准确率	98.2%	>95%
规划延迟	120ms	<200ms
横向控制误差	0.15m	<0.2m

现象：GPU 无法识别
解决：确认 nvidia-docker2 安装正确，执行：

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

现象：远处车辆识别不稳定
解决：调整检测算法参数或增加训练数据