Autoware.Universe自动驾驶入门指南：从环境搭建到第一个感知模块实战

1次阅读

共计 3159 个字符，预计需要花费 8 分钟才能阅读完成。

Autoware.Universe 是 Autoware 基金会主导的下一代开源自动驾驶框架，基于 ROS 2 构建。相比传统的 Autoware.ai，它采用模块化设计，强化了实时性和扩展性，已成为学术界和工业界的主流测试平台。其核心优势在于：

全栈开源：覆盖感知、定位、规划、控制完整链路
ROS 2 原生支持：利用 DDS 通信实现低延迟数据传输
硬件抽象层：统一接口支持多种传感器和计算平台

安装 Ubuntu 22.04 LTS（建议分配至少 100GB 磁盘空间）

设置软件源：

sudo apt update && sudo apt install -y curl gnupg lsb-release
sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(lsb_release -cs) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null

sudo apt update
sudo apt install -y ros-humble-desktop
source /opt/ros/humble/setup.bash

# 安装 colcon 构建工具
sudo apt install -y python3-colcon-common-extensions

# 安装关键依赖
sudo apt install -y \
  libopencv-dev \
  libpcl-dev \
  python3-vcstool \
  ros-humble-velodyne-msgs

激光雷达数据处理流程：
1. 原始数据接入 ：通过velodyne_driver 节点接收 ROS 2 话题
2. 点云预处理：
– 降采样（VoxelGrid）
– 地面分割（Ray Ground Filter）
3. 目标检测：
– 欧式聚类（Euclidean Cluster）
– 特征提取（Bounding Box 拟合）

mkdir -p ~/autoware_ws/src
cd ~/autoware_ws/src
ros2 pkg create --build-type ament_cmake pointcloud_cluster --dependencies rclcpp pcl_ros sensor_msgs

核心代码实现（`cluster_node.cpp`）

/**
 * @brief 基于欧式聚类的点云目标检测
 */
#include <pcl/segmentation/extract_clusters.h>

class ClusterNode : public rclcpp::Node {
public:
  ClusterNode() : Node("pointcloud_cluster") {
    // 订阅原始点云
    subscription_ = create_subscription<sensor_msgs::msg::PointCloud2>(
      "/points_raw", 10,
      [this](const sensor_msgs::msg::PointCloud2::SharedPtr msg) {processPointCloud(msg);
      });

    // 发布检测结果
    publisher_ = create_publisher<sensor_msgs::msg::PointCloud2>("/clustered_points", 10);
  }

private:
  void processPointCloud(const sensor_msgs::msg::PointCloud2::SharedPtr &msg) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::fromROSMsg(*msg, *cloud);

    // 执行聚类算法
    std::vector<pcl::PointIndices> cluster_indices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.5);  // 单位：米
    ec.setMinClusterSize(100);    // 最小点数
    ec.setMaxClusterSize(25000);  // 最大点数
    ec.setInputCloud(cloud);
    ec.extract(cluster_indices);

    // 发布结果（示例代码省略具体实现）}

  rclcpp::Subscription<sensor_msgs::msg::PointCloud2>::SharedPtr subscription_;
  rclcpp::Publisher<sensor_msgs::msg::PointCloud2>::SharedPtr publisher_;
};

find_package(ament_cmake REQUIRED)
find_package(rclcpp REQUIRED)
find_package(pcl_conversions REQUIRED)
find_package(sensor_msgs REQUIRED)

add_executable(cluster_node src/cluster_node.cpp)
target_link_libraries(cluster_node
  ${rclcpp_LIBRARIES}
  pcl_common pcl_segmentation
)

install(TARGETS cluster_node
  DESTINATION lib/${PROJECT_NAME}
)

PCL 版本冲突：
```
error:‘pcl::EuclideanClusterExtraction’has not been declared
```
解决方案：确认安装的是 libpcl-dev 而非libpcl-all
ROS 2 接口不匹配：
```
[ERROR] [component_container]: Failed to load library
```
检查 package.xml 是否正确定义<depend>rclcpp</depend>

算法优化方向：
替换聚类算法为 DBSCAN
增加跟踪模块（如 SORT）

性能调优：

// 在构造函数中添加：declare_parameter<double>("cluster_tolerance", 0.5);
declare_parameter<int>("min_cluster_size", 100);

// 运行时动态调整：auto parameters_client = std::make_shared<rclcpp::SyncParametersClient>(this);

通过本教程，我们完成了 Autoware.Universe 开发环境的搭建和基础感知模块的实现。建议后续结合官方提供的 autoware_launch 包进行系统级测试，逐步深入理解自动驾驶系统的协同工作机制。

正文完