Apollo自动驾驶小车总体结构解析：从硬件选型到软件架构设计

1次阅读

共计 1487 个字符，预计需要花费 4 分钟才能阅读完成。

自动驾驶小车作为智能交通系统的重要组成部分，广泛应用于园区物流、教育科研和低速接驳等场景。Apollo 平台凭借其开源特性和模块化设计，成为开发者快速搭建自动驾驶系统的首选框架。本文将系统性地拆解 Apollo 小车的技术栈，帮助初学者建立完整的认知体系。

激光雷达 ：16 线及以上规格（如 Velodyne VLP-16），水平视场角需覆盖 360 度，测距精度±2cm 以内
摄像头 ：全局快门工业相机（如 FLIR Blackfly），建议 200 万像素以上，帧率≥30FPS
IMU：6 轴以上惯性测量单元（如 Xsens MTi-300），角速度量程≥300°/s
GNSS：RTK 定位模块（如 NovAtel PwrPak7），定位精度需达到厘米级

激光雷达生成 3D 点云数据（10Hz）
摄像头提供 RGB 图像（30Hz）
IMU 输出 6DOF 位姿（100Hz）
GNSS 提供全局位置（5Hz）

数据同步要点 ：通过 PTP 协议实现硬件级时间同步，所有传感器需支持外部触发

flowchart LR
    A[感知] -->| 障碍物信息 | B[预测]
    B -->| 轨迹预测 | C[规划]
    C -->| 控制指令 | D[控制]
    D -->| 车辆状态 | A

感知模块 ：融合多传感器数据，输出障碍物检测结果
预测模块 ：基于历史轨迹预测周围物体运动趋势
规划模块 ：生成安全舒适的行驶轨迹
控制模块 ：将轨迹转化为油门 / 刹车 / 转向指令

#!/usr/bin/env python3
import rospy
from sensor_msgs.msg import PointCloud2

def pointcloud_callback(msg):
    # 点云数据处理逻辑
    rospy.loginfo("Received {} points".format(msg.width))

if __name__ == "__main__":
    rospy.init_node('perception_node')
    sub = rospy.Subscriber('/apollo/sensor/lidar', PointCloud2, pointcloud_callback)
    rospy.spin()

#include <ros/ros.h>
#include <pcl_conversions/pcl_conversions.h>

void cloudCallback(const sensor_msgs::PointCloud2ConstPtr& msg) {
    pcl::PointCloud<pcl::PointXYZ> cloud;
    pcl::fromROSMsg(*msg, cloud);
    ROS_INFO("Processing %ld points", cloud.size());
}