3. Apollo平台架构与数据闭环
Apollo 作为面向自动驾驶的开放平台，其核心价值不仅在于提供感知、预测、规划、控制等算法模块，更在于构建了一条从车端数据采集到云端模型迭代的完整数据闭环。理解 Apollo 的整体架构与数据闭环机制，是掌握自动驾驶系统验证工程的关键起点。本节将从平台分层架构出发，依次剖析数据采集、回传、存储、处理与闭环迭代五个环节，并给出可落地的工程要点。
一、Apollo整体架构：五层分层设计
Apollo 采用清晰的分层架构，自下而上可分为硬件层、驱动层、核心层、应用层与云服务层。硬件层包含计算单元、传感器（激光雷达、摄像头、毫米波雷达、GNSS/IMU）以及线控底盘；驱动层负责传感器驱动、时间同步与数据抽象；核心层提供 Cyber RT 通信中间件、感知、定位、预测、规划、控制等算法模块；应用层面向不同场景封装自动驾驶能力；云服务层则承载数据回传、存储、训练与仿真。
各层之间通过标准化接口解耦，使得算法迭代不必依赖硬件变更。其中 Cyber RT 作为通信骨架，采用基于共享内存的零拷贝机制，保证高吞吐、低延迟的数据流转。这一架构设计为数据闭环提供了统一的采集入口与回传通道。
二、数据采集：触发式与全量式并行
Apollo 车端数据采集分为全量采集与触发式采集两种模式。全量采集持续记录所有传感器原始数据，数据量巨大，通常仅在测试初期或特定验证阶段开启；触发式采集则依据预设条件（如急刹、接管、碰撞预警、规划路径突变）自动截取事件前后一段时间的数据包，显著降低回传与存储成本。
采集内容通常包括：激光雷达点云、摄像头图像、毫米波雷达目标、GNSS/IMU 位姿、底盘反馈、规划轨迹、控制指令以及系统日志。为保证多传感器数据可对齐，采集模块依赖 PTP 或 GPS 授时实现微秒级时间同步，并以统一时间戳写入数据包。
# 触发式采集配置示例（record_trigger.yaml）
trigger:
name: "hard_brake"
condition: "chassis.brake_pressure > 8.0"
pre_seconds: 10
post_seconds: 15
channels:
- /apollo/sensor/lidar/front
- /apollo/sensor/camera/front
- /apollo/localization/pose
- /apollo/planning
三、数据回传与存储：分级上传与冷热分层
数据回传面临带宽受限与成本敏感的双重约束。Apollo 采用分级上传策略：高价值事件数据优先通过 5G/4G 回传，普通数据在车辆返回场站后通过 Wi-Fi 批量上传。回传过程中支持断点续传、压缩与加密，确保数据完整性与安全性。
云端存储采用冷热分层：热数据（近 7 天）存放于高性能对象存储，供训练与仿真快速读取；温数据（近 90 天）转入低频存储；冷数据归档至低成本存储，按需解冻。元数据（时间、地点、事件类型、车辆 ID）统一写入索引数据库，支撑后续检索与筛选。
| 存储层级 | 保留周期 | 典型介质 | 访问频率 | 主要用途 |
|---|---|---|---|---|
| 热数据 | 0～7 天 | 高性能对象存储 | 高频 | 模型训练、仿真回放 |
| 温数据 | 8～90 天 | 低频存储 | 中频 | 问题复现、回归测试 |
| 冷数据 | 90 天以上 | 归档存储 | 低频 | 合规审计、长尾挖掘 |
四、数据处理与闭环迭代机制
数据到达云端后，依次经过清洗、标注、挖掘、训练与仿真验证五个阶段。清洗阶段剔除无效帧、时间戳异常与传感器故障数据；标注阶段由人工与自动标注结合，生成感知真值；挖掘阶段利用难例挖掘算法筛选对模型提升最大的样本；训练阶段在 GPU 集群上完成模型迭代；仿真验证阶段将新模型放入 Apollo 仿真平台，在回放场景与虚拟场景中评估安全性、舒适性与通行效率。
闭环迭代的核心逻辑：车端采集 → 云端回传 → 存储索引 → 清洗标注 → 难例挖掘 → 模型训练 → 仿真验证 → OTA 下发 → 车端更新 → 新一轮采集。每一次循环都让模型在真实长尾场景中变得更鲁棒。
五、典型场景与常见误区
以城市道路“无保护左转”场景为例：车辆在路口遭遇对向直行车流，规划模块多次减速等待，触发“规划犹豫”事件。车端自动截取事件前后 25 秒数据回传，云端标注后加入训练集，新模型在仿真中通过 500 次无保护左转测试后 OTA 下发，车端左转通行效率提升约 18%。
常见误区：一是认为“数据越多越好”，忽视标注质量与场景均衡，导致模型在长尾场景中过拟合；二是只关注回传带宽，忽略时间同步与元数据索引，造成数据无法对齐、难以检索；三是跳过仿真验证直接 OTA，将未充分验证的模型推送到车端，带来安全风险。
复盘上述流程可以发现，数据闭环的瓶颈往往不在采集或训练，而在“数据可检索性”与“场景覆盖率”。建立统一的元数据规范、难例挖掘策略与仿真回归基线，才能让闭环真正转起来，而不是停留在数据堆积层面。