Apollo自动驾驶小车总体结构解析与核心模块优化实践

1次阅读

没有评论

共计 1499 个字符，预计需要花费 4 分钟才能阅读完成。

在开发 Apollo 自动驾驶小车时，我们遇到了两个主要问题：

传感器时钟同步问题 ：
使用了多种异构传感器（激光雷达、摄像头、IMU 等）
各传感器时钟源不同，数据时间戳不一致
导致感知融合时出现数据对齐误差
规划模块实时性不足 ：
复杂场景下规划算法计算量激增
导致控制指令输出延迟
在高速场景下可能引发安全问题

传感层 ：
16 线激光雷达（20Hz 扫描频率）
全局快门摄像头（60fps，HDR 支持）
6 轴 IMU（200Hz 采样率）
计算单元 ：
主控：NVIDIA Xavier NX（ARM Cortex-A57+Volta GPU）
协处理器：Artix-7 FPGA（用于传感器预处理）
CAN 总线接口（500kbps 速率）

基于 Apollo Cyber RT 框架的分层设计：

感知层 ：
传感器驱动模块
多源数据融合
障碍物检测与跟踪
决策层 ：
场景理解
行为决策
运动规划
控制层 ：
线控接口
PID 控制器
安全监控

采用 DDS 通信的 QoS 配置优化（ROS 2 示例）：

// 创建同步订阅者
auto qos = rclcpp::QoS(rclcpp::KeepLast(10));
qos.best_effort();
qos.durability_volatile();

// 激光雷达订阅
lidar_sub_ = create_subscription<sensor_msgs::msg::PointCloud2>(
    "/lidar", qos, 
    [this](const sensor_msgs::msg::PointCloud2::SharedPtr msg) {
        // 时间对齐处理
        auto aligned_data = time_aligner_.process(msg);
    });

实现计算量分级策略的线程池：

// 创建优先级线程池
ThreadPool pool(4); // 4 个 worker 线程

// 提交不同优先级的任务
pool.enqueue([] {// 高优先级：碰撞检测}, Priority::High);

pool.enqueue([] {// 低优先级：路径平滑}, Priority::Low);

点云降采样加速示例：

void downsample(const float* input, float* output) {float32x4_t voxel_size = vdupq_n_f32(0.1f);
    for (int i = 0; i < n; i += 4) {float32x4_t points = vld1q_f32(input + i);
        float32x4_t quantized = vmulq_f32(vcvtq_f32_s32(vcvtq_s32_f32(points)), 
            voxel_size);
        vst1q_f32(output + i, quantized);
    }
}