2、自动驾驶基础：传感器、高精地图、定位、感知、规划、控制的基本概念

自动驾驶系统是一个高度复杂的软硬件耦合工程，其核心逻辑可以概括为“感知-决策-执行”的闭环。在深入学习Autoware架构之前，必须对支撑该闭环的六大基础模块建立清晰认知：负责获取外部信息的传感器（激光雷达、相机、毫米波雷达）、提供先验知识的高精地图、确定自身位置的定位、理解环境的感知、决定行驶策略的规划以及执行指令的控制。本章将逐一拆解这些模块的基本概念、核心原理与工程实践要点，为后续学习Autoware的代码架构与算法实现奠定坚实基础。

上图展示了自动驾驶系统中各基础模块的协作关系。传感器与高精地图为定位和感知提供输入，定位与感知的结果共同送入规划模块，规划生成的目标轨迹交由控制模块执行，最终作用于车辆底盘。值得注意的是，控制模块的执行结果（如实际转角、轮速）会通过底盘反馈回路影响后续的定位与规划，形成完整的闭环系统。

2.1 传感器：自动驾驶的“感官”

核心原理

传感器是自动驾驶系统获取外部环境信息的唯一途径。不同传感器基于不同的物理原理工作，各有优劣，因此现代自动驾驶系统普遍采用多传感器融合方案。

• 激光雷达（LiDAR）：通过发射激光束并测量反射时间差来计算目标距离，生成高精度3D点云。其优势在于测距精度高（厘米级）、不受光照影响，但成本较高且雨雾天气性能衰减明显。
• 相机（Camera）：被动接收环境光，生成2D图像。优势是信息丰富（颜色、纹理、文字），适合目标分类和交通标志识别，但深度估计困难，且对光照变化敏感。
• 毫米波雷达（Radar）：发射毫米波并接收反射波，直接测量目标的距离、速度和角度。优势是全天候工作（雨雪雾天性能稳定），测速精度高，但角分辨率低，难以识别目标类别。

传感器对比与选型

实战场景：传感器标定与时间同步

多传感器融合的前提是精确的标定与时间同步。以Autoware为例，激光雷达与相机的外参标定通常使用Autoware提供的 calibration_tools 包，通过棋盘格或ArUco标记物进行联合标定。时间同步则需确保各传感器消息的时间戳对齐，Autoware中常用 message_filters 的 ApproximateTimeSynchronizer 实现。

2.2 高精地图：自动驾驶的“记忆”

核心原理

高精地图（HD Map）与普通导航地图的本质区别在于其厘米级精度和丰富的语义信息。它包含车道级路网模型、车道线几何与属性、交通标志、信号灯位置、道路曲率、坡度等静态信息，为定位、感知和规划提供先验知识。

高精地图通常分为三层：道路层（车道拓扑关系）、几何层（车道线3D坐标）、语义层（交通规则、限速等）。在Autoware中，高精地图以Lanelet2或Vector Map格式存储，通过 autoware_map_loader 节点加载。

地图在系统中的作用

• 辅助定位：通过点云与地图的配准（NDT/ICP）实现高精度定位。
• 感知增强：将动态障碍物与静态地图元素分离，降低感知难度。
• 规划约束：提供车道中心线、可行驶区域、限速等约束条件。

案例拆解：Lanelet2地图结构

Lanelet2是Autoware广泛使用的高精地图格式。其核心概念包括：

Lanelet（车道段）: 由左右边界线（LineString）围成的可行驶区域
Regulatory Element（规则元素）: 关联交通规则（如限速、红绿灯）
Traffic Light（信号灯）: 与Lanelet关联的信号灯组

在Autoware中，规划模块通过查询Lanelet2地图获取当前车道的中心线、前后车道的连接关系以及交通规则，从而生成符合交规的行驶轨迹。

2.3 定位：自动驾驶的“自我认知”

核心原理

定位模块回答“我在哪里”的问题。自动驾驶要求定位精度达到厘米级，且在城市峡谷、隧道等GNSS信号受限场景下依然可靠。因此，现代自动驾驶系统普遍采用多源融合定位策略。

主流方案包括：

1. GNSS+IMU+轮速计：提供位置与姿态的初始估计，但GNSS存在多路径效应和更新频率低的问题。
2. 点云配准（NDT/ICP）：将当前激光雷达扫描与高精地图进行配准，获得高精度位姿修正。
3. 卡尔曼滤波融合：将上述多源信息通过扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）进行最优融合。

操作流程：Autoware中的定位模块

Autoware的定位模块主要由 ndt_scan_matcher 和 ekf_localizer 两个节点组成。其工作流程如下：

1. 加载高精地图点云（.pcd文件）
2. 接收当前激光雷达扫描（PointCloud2）
3. NDT配准：计算当前扫描与地图的位姿变换
4. 将NDT结果与GNSS/IMU数据输入EKF
5. 输出融合后的位姿（/localization/pose_estimator/pose）

常见误区与排障

2.4 感知：自动驾驶的“理解”

核心原理

感知模块负责将传感器原始数据转化为对环境的语义理解，包括目标检测（识别车辆、行人、骑行者）、目标分类、语义分割（区分可行驶区域、路沿）以及目标跟踪（估计目标的速度与运动轨迹）。

感知算法经历了从传统CV（如HOG+SVM）到深度学习（如YOLO、PointPillars）的演进。在Autoware中，感知模块采用模块化设计，支持多种算法插件。

多传感器融合策略

实战场景：目标检测与跟踪

在Autoware中，感知流程通常为：激光雷达点云经 pointcloud_preprocessor 滤波后，送入 detection_by_tracker 或 lidar_apollo_segmentation 进行目标检测；相机图像经 tensorrt_yolo 进行2D检测；最后通过 fusion 节点将两类检测结果进行目标级融合，输出统一的障碍物列表（autoware_auto_perception_msgs/msg/PredictedObjects）。

2.5 规划：自动驾驶的“决策”

核心原理

规划模块根据定位、感知结果和高精地图，生成一条安全、舒适、符合交规的行驶轨迹。规划通常分为三个层级：

• 全局路径规划：在路网层面规划从起点到终点的宏观路径（如A*、Dijkstra算法）。
• 行为决策：根据当前交通场景做出驾驶行为决策（如跟车、变道、停车让行）。
• 局部轨迹规划：在全局路径约束下，生成具体的轨迹点（位置+速度+加速度），常用方法有样条曲线、模型预测控制（MPC）等。

Autoware中的规划架构

Autoware的规划模块分为 behavior_planner 和 motion_planner。行为规划器负责场景决策，运动规划器负责生成轨迹。其输入包括：

- 当前位姿（/localization/pose_estimator/pose）
- 障碍物列表（/perception/object_recognition/objects）
- 高精地图（Lanelet2）
- 全局路径（/planning/mission_planning/route）

案例拆解：变道决策与轨迹生成

假设车辆在高速上行驶，前方有一辆慢车。行为规划器检测到前方车辆速度低于设定巡航速度，且相邻车道空闲，则决策“变道”。运动规划器随后在相邻车道中心线附近采样多条候选轨迹，通过代价函数评估（安全性、舒适性、效率），选择最优轨迹输出给控制模块。

2.6 控制：自动驾驶的“执行”

核心原理

控制模块将规划生成的轨迹转化为车辆底盘可执行的指令（转向角、油门开度、制动压力）。控制算法需要处理车辆动力学非线性、轮胎滑移、延迟等复杂因素。

常用控制算法包括：

• PID控制：简单可靠，适合线性系统，但难以处理强耦合和延迟。
• 纯跟踪（Pure Pursuit）：基于几何模型的横向控制，实现简单，适合低速场景。
• 模型预测控制（MPC）：基于车辆动力学模型，预测未来轨迹并优化控制量，精度高但计算量大。

操作流程：Autoware控制模块

Autoware的控制模块由 controller_manager 统一管理，支持多种控制器插件。其工作流程为：

1. 接收规划轨迹（/planning/trajectory）
2. 根据当前位姿计算横向偏差和航向偏差
3. 调用控制器（如MPC）计算前轮转角
4. 根据目标速度计算油门/制动指令
5. 通过CAN接口发送至底盘（/vehicle/command）

常见误区与调优

2.7 模块协同与系统集成

上述六大模块并非孤立运行，而是通过ROS 2的通信机制紧密耦合。Autoware采用组件化架构，每个模块以节点（Node）形式运行，通过Topic和Service进行通信。模块间的数据流遵循“感知-决策-执行”的闭环逻辑，任何一环的延迟或错误都会影响整体性能。

在系统集成时，需重点关注：

• 时间同步：各模块消息的时间戳必须对齐，否则融合结果失真。
• 计算资源分配：感知和规划模块计算密集，需合理分配CPU/GPU资源。
• 故障降级：当某个传感器或模块失效时，系统应能降级运行（如从L4降级到L2）。