1. 课程导入

在自动驾驶与机器人系统中，感知、定位、预测、规划、控制等模块以极高的频率交换数据。一个 64 线激光雷达每秒可产生数百万个点，多路摄像头每秒输出数百 MB 图像，若每一次模块间通信都经历"序列化—内核拷贝—反序列化"的完整链路，CPU 会被大量消耗在数据搬运上，端到端时延也会被显著拉高。Cyber RT 作为面向自动驾驶场景的实时通信中间件，其共享内存与零拷贝机制正是为解决这一瓶颈而设计的核心能力。本课程将围绕这条主线，从原理到工程落地，系统讲解如何让数据"只写一次、多处直读"。

一、学习目标：从"会用"到"会调优"

本课程不是简单地介绍 API，而是希望学习者建立一套完整的工程判断力。具体目标包括四个层次：

• 原理层：理解 Cyber RT 传输层的整体架构，掌握共享内存段、通道（Channel）、节点（Node）与传输层之间的关系，弄清"零拷贝"到底省掉了哪几次拷贝。
• 机制层：掌握共享内存的分配、映射、引用计数与回收流程，理解为什么需要"写时锁定、读时引用"的生命周期管理。
• 工程层：能够根据消息大小、发布频率、订阅者数量，判断某条通道是否适合走共享内存，并正确配置传输策略。
• 排障层：能够定位共享内存泄漏、映射失败、数据错乱、时延抖动等典型问题，并给出可验证的修复方案。

二、核心价值：为什么共享内存值得专门学

共享内存与零拷贝带来的收益可以归纳为三个维度。第一是时延：数据不再经过内核缓冲区中转，发布者写入后订阅者几乎可以立即读取，省去了两次系统调用与两次内存拷贝。第二是吞吐：对于图像、点云这类大消息，拷贝开销与消息体积成正比，零拷贝让吞吐不再受限于内存带宽的重复占用。第三是CPU 占用：在 10 路以上高频率通道并发的场景中，减少拷贝往往意味着可观的 CPU 释放，这些算力可以还给感知与规划算法。

但共享内存并非"免费午餐"。它引入了新的复杂度：内存生命周期不再由单一进程掌控，读写双方必须就数据有效性达成一致；跨进程映射需要处理地址空间差异；异常退出可能导致共享段残留。因此，理解其代价与边界，比记住 API 更重要。

三、整体知识框架

下图给出本课程的知识地图：从底层的共享内存段与映射机制，到中间的传输策略与生命周期管理，再到上层的通道配置、性能观测与故障排查，形成一条自下而上的能力链。

四、实战路线图与典型场景

课程按"先跑通、再压测、后调优"的节奏推进。第一阶段用最小示例跑通一条共享内存通道，确认数据能被正确收发；第二阶段引入大消息与多订阅者，观察拷贝次数与 CPU 变化；第三阶段针对时延抖动与内存残留做专项排查。下表给出各阶段的关键动作与验收标准。

一个典型场景是激光雷达点云分发：雷达驱动作为发布者，感知、建图、可视化三个模块作为订阅者。若走传统拷贝链路，同一帧点云会被复制三次；走共享内存后，三个订阅者映射同一物理页，发布者只写一次。下面的伪代码展示了通道声明与发布的基本形态：

// 发布端：声明通道并写入共享内存
auto writer = node->CreateWriter<PointCloud>("/lidar/front");
auto msg = std::make_shared<PointCloud>();
FillPointCloud(msg);          // 数据只在此处写入一次
writer->Write(msg);           // 零拷贝：传递的是共享内存引用

// 订阅端：直接读取同一物理页
auto reader = node->CreateReader<PointCloud>(
    "/lidar/front",
    [](const std::shared_ptr<PointCloud>& msg) {
        Process(msg);         // 无额外拷贝
    });

五、常见误区与复盘要点

初学者最容易陷入的误区有三类。其一，认为"用了共享内存就一定快"——若消息很小且频率很低，映射与同步的开销可能反而超过拷贝成本。其二，认为"零拷贝等于没有同步问题"——共享内存恰恰放大了读写竞争，必须依赖引用计数与生命周期约定。其三，忽视异常路径——进程崩溃后共享段未释放，会导致后续启动失败或内存持续增长。

掌握本课程后，你将能够独立判断一条通道的传输策略是否合理，能够读懂共享内存相关的日志与异常，能够在性能瓶颈出现时快速定位是拷贝、同步还是配置问题。接下来，我们将从共享内存的底层结构开始，逐层拆解这套机制的每一个关键环节。