共计 2891 个字符，预计需要花费 8 分钟才能阅读完成。
背景与痛点
自动驾驶系统对目标检测的实时性要求极高，通常需要在 100ms 内完成从传感器输入到结果输出的全过程。传统 ROS1 基于 TCP 的通信机制存在以下问题：
- 单线程回调处理导致高延迟
- 数据传输序列化开销大
- 缺乏原生的 QoS 控制
ROS2 采用 DDS 作为底层通信协议，其优势包括：
- 支持零拷贝数据传输
- 提供 22 种 QoS 策略配置
- 内置多线程执行器
但在实际部署 Autoware 目标检测模块时，我们仍面临模型推理耗时、多传感器数据同步、资源争用等挑战。
技术选型
Autoware.universe 提供了多种检测模型接口，常见选择包括：
- YOLOv5：适合 2D 图像检测，在 Jetson Xavier 上可达到 30FPS
- PointPillars：处理点云数据的轻量级 3D 检测器
- CenterPoint：高精度 3D 检测但计算量大
推荐选型策略：
- 计算资源受限时选择 YOLOv5s 量化版
- 需要 3D 检测但显存 <4GB 用 PointPillars
- 高端工控机可部署 CenterPoint
核心实现
ROS2 Component 节点封装
使用 ROS2 的 Component 机制可以显著降低进程间通信开销。以下是 C ++ 节点示例：
class DetectionNode : public rclcpp::Node {
public:
DetectionNode() : Node("yolo_detector") {
// 使用 IntraProcess 通信
auto ipm = this->get_node_options().use_intra_process_comms(true);
// 创建 QoS 配置
auto qos = rclcpp::SensorDataQoS()
.keep_last(1)
.best_effort();
// 订阅图像话题
sub_ = create_subscription<sensor_msgs::msg::Image>(
"/camera/image_raw", qos,
std::bind(&DetectionNode::imageCallback, this, _1));
// 发布检测结果
pub_ = create_publisher<autoware_auto_perception_msgs::msg::DetectedObjects>("/detection/objects", qos);
// 加载 ONNX 模型
net_ = cv::dnn::readNetFromONNX("yolov5s.onnx");
net_.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);
net_.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);
}
private:
void imageCallback(const sensor_msgs::msg::Image::SharedPtr msg) {
// 转换 OpenCV 格式并推理
cv::Mat frame = cv_bridge::toCvCopy(msg, "bgr8")->image;
cv::Mat blob = cv::dnn::blobFromImage(frame, 1/255.0, Size(640,640));
net_.setInput(blob);
cv::Mat outputs = net_.forward();
// 后处理并发布
auto detections = postProcess(outputs);
pub_->publish(detections);
}
};多线程优化
配置回调组实现并行处理：
// 在构造函数中添加
auto executor = std::make_shared<rclcpp::executors::MultiThreadedExecutor>();
// 创建两个互不阻塞的回调组
callback_group_1_ = create_callback_group(rclcpp::CallbackGroupType::MutuallyExclusive);
callback_group_2_ = create_callback_group(rclcpp::CallbackGroupType::MutuallyExclusive);
// 将订阅和定时器分配到不同组
sub_->callback_group = callback_group_1_;
timer_->callback_group = callback_group_2_;性能优化
QoS 配置对比测试
我们在 Jetson AGX Xavier 上实测不同配置的延迟：
| QoS 策略 | 平均延迟(ms) | CPU 占用率 |
|---|---|---|
| 默认策略 | 82.3 | 45% |
| 传感器数据 QoS | 76.1 | 38% |
| 自定义(Depth=3,BestEffort) | 68.7 | 42% |
推荐配置：
auto custom_qos = rclcpp::QoS(rclcpp::KeepLast(3),
rmw_qos_profile_sensor_data
).best_effort();GPU 显存管理
当运行多个检测模型时，需显式控制显存分配：
import torch
torch.cuda.empty_cache()
def set_cuda_device(device_id):
torch.cuda.set_device(device_id)
torch.backends.cudnn.benchmark = True # 启用基准优化避坑指南
时间同步问题
当相机与激光雷达数据不同步时，采用以下方案：
- 安装
message_filters包 - 创建精确时间同步器：
from message_filters import ApproximateTimeSynchronizer
image_sub = message_filters.Subscriber("/camera/image", Image)
lidar_sub = message_filters.Subscriber("/lidar/points", PointCloud2)
ts = ApproximateTimeSynchronizer([image_sub, lidar_sub],
queue_size=10,
slop=0.1 # 允许时间差(秒)
)
ts.registerCallback(callback_fn)TensorRT 加速
将 ONNX 模型转换为 TensorRT 引擎可提升 2 - 3 倍性能：
trtexec --onnx=yolov5s.onnx \
--saveEngine=yolov5s.trt \
--fp16 \
--workspace=2048总结与延伸
实际部署时还需考虑：
- 使用
systemd管理节点自启动 - 通过
ros2_control实现硬件资源隔离 - 在 Docker 容器中部署模型
推荐继续学习：
通过本文介绍的方法，我们在实车测试中将端到端延迟从 120ms 降低到 65ms，同时 CPU 占用率下降 40%。关键点在于合理利用 ROS2 的 DDS 特性和 Autoware 的模块化设计。
正文完
