课程导入：自动驾驶发展现状、Autoware开源项目简介、课程学习路径与目标

自动驾驶技术正从实验室走向规模化商业落地，全球范围内L2级辅助驾驶已大规模普及，L3/L4级高阶自动驾驶在Robotaxi、无人配送、干线物流等场景中加速验证。根据中国信通院与工信部发布的数据，2025年中国乘用车L2级及以上辅助驾驶渗透率已超过65%，而L4级自动驾驶测试里程累计突破数亿公里。在这一进程中，开源软件栈扮演了至关重要的角色——它降低了研发门槛，促进了算法复用与生态协同。其中，Autoware作为全球最活跃的自动驾驶开源项目之一，基于ROS/ROS 2构建，提供了从感知、定位、规划到控制的完整软件栈参考实现。本课程将围绕Autoware的架构设计与规划模块展开系统讲解，帮助学习者建立从理论到工程实现的完整知识体系。

1.1 自动驾驶发展现状与产业趋势

核心原理：自动驾驶分级与技术演进

自动驾驶的分级标准主要参考SAE J3016（国际自动机工程师学会标准），将驾驶自动化划分为L0至L5共六个等级。L0-L2属于“驾驶辅助”范畴，系统仅提供警告或短暂干预，驾驶员需全程监控；L3级为“有条件自动驾驶”，系统在特定ODD（运行设计域）内可完成全部驾驶任务，但驾驶员需随时准备接管；L4级为“高度自动驾驶”，在限定区域内系统可独立完成全部驾驶任务，无需驾驶员介入；L5级则为完全自动驾驶，无任何限制。当前产业界的主流共识是：L2+（增强型辅助驾驶）已进入规模化量产阶段，L3级正处于法规与技术的临界点，L4级在Robotaxi和特定场景（如港口、矿区、园区）中已开始商业化试运营。

从技术路线来看，自动驾驶的核心技术栈可归纳为“感知-定位-规划-控制”四大模块。感知层负责通过LiDAR、Camera、Radar等传感器获取环境信息；定位层融合GNSS、IMU与高精地图确定车辆精确位姿；规划层根据感知与定位结果生成安全、高效的行驶轨迹；控制层则将规划轨迹转化为油门、制动、转向等执行指令。这一架构在业界已形成高度共识，无论是Waymo、Cruise等科技公司，还是奔驰、宝马、丰田等传统车企，均遵循类似的模块化设计思路。

判断方法：如何评估自动驾驶技术成熟度

评估一项自动驾驶技术或产品是否成熟，可以从以下四个维度进行判断：

案例拆解：Waymo与百度Apollo的路线对比

Waymo作为全球自动驾驶的标杆企业，早期采用“高精地图+LiDAR为主”的技术路线，在凤凰城、旧金山等城市运营Robotaxi服务，其车辆搭载了多颗激光雷达、毫米波雷达和摄像头，单车成本曾高达20万美元以上。Waymo的优势在于积累了海量的真实路测数据（超过2000万英里），并通过仿真系统进行大规模场景复现与算法迭代。百度Apollo则走了另一条路径——开源生态+多传感器融合，Apollo开放平台向全球开发者提供完整的自动驾驶解决方案，同时与多家车企合作推进量产落地。Apollo的Robotaxi（如“萝卜快跑”）已在北京、武汉、重庆等城市开展常态化运营，其成本控制能力更强，单车成本已降至50万元人民币以内。

从对比中可以看出，技术路线的选择与企业的资源禀赋、商业目标密切相关。Waymo更注重技术领先性与安全性，而百度Apollo更强调生态构建与成本控制。对于课程学习者而言，理解这两种路线的差异有助于把握自动驾驶产业的全貌。

常见误区与总结复盘

此外，还需注意“技术成熟不等于商业可行”。L4级自动驾驶在技术上已取得显著突破，但受限于成本、法规、用户接受度等因素，大规模商业化仍需时日。课程学习中应建立“技术-产品-商业”三位一体的视角。

1.2 Autoware开源项目简介

核心原理：Autoware的起源与架构演进

Autoware项目起源于2015年，由日本名古屋大学加藤真平教授团队发起，最初基于ROS 1构建，旨在为学术界和工业界提供一个开源的自动驾驶软件栈参考实现。2020年，Autoware基金会成立，并发布了基于ROS 2的Autoware.Auto版本；2022年，Autoware Universe版本发布，成为目前最活跃的版本。Autoware Universe采用模块化架构，将功能划分为感知（Perception）、定位（Localization）、规划（Planning）、控制（Control）四大核心模块，同时包含地图（Map）、仿真（Simulation）、系统（System）等支撑模块。

Autoware的架构设计遵循以下核心原则：

• 模块解耦：各功能模块通过ROS 2的Topic/Service/Action机制进行通信，模块间低耦合，便于独立开发与替换。
• 算法可插拔：每个模块内部提供多种算法实现（如感知模块支持PointPillars、VoxelNet等多种目标检测算法），用户可根据场景需求灵活选择。
• 接口标准化：定义了统一的接口规范（如感知输出采用autoware_perception_msgs），确保不同模块间的兼容性。
• 仿真友好：深度集成AWSIM、CARLA等仿真器，支持在虚拟环境中进行算法验证与测试。

判断方法：Autoware版本选择与适用场景

目前Autoware主要有两个活跃版本线：Autoware.Auto（基于ROS 2 Foxy）和Autoware Universe（基于ROS 2 Humble/Iron）。选择哪个版本取决于具体需求：

案例拆解：基于Autoware的校园无人配送车

某高校实验室计划开发一台校园内的无人配送车，用于快递、外卖的短途运输。项目团队选择了Autoware Universe作为基础软件栈，具体实施过程如下：

1. 硬件选型：采用一台搭载16线LiDAR、前视单目相机、GNSS/IMU组合导航系统的线控底盘，计算平台选用NVIDIA Jetson AGX Orin。
2. 环境配置：在Ubuntu 22.04上安装ROS 2 Humble，通过Docker部署Autoware Universe镜像，并配置AWSIM仿真环境进行初步验证。
3. 地图构建：使用Autoware的Mapping模块（基于LIO-SAM）采集校园点云数据，构建高精地图，并标注车道线、停止线、人行横道等语义信息。
4. 感知适配：针对校园场景，调整感知模块的检测阈值，增加对行人、自行车、锥桶等小目标的识别能力，并配置了基于Radar的近距离补盲。
5. 规划调优：在Planning模块中，针对校园道路狭窄、弯道多的特点，调整了全局路径规划的A*算法参数，并将局部规划器的最大速度限制在15km/h以内。
6. 实车测试：先在仿真环境中完成1000公里虚拟测试，再逐步过渡到封闭场地和校园实路测试，最终实现了从宿舍区到教学楼的自动配送。

该项目从启动到初步落地耗时约4个月，团队仅3人。Autoware的开源特性大幅缩短了开发周期，但团队也遇到了传感器标定复杂、规划参数调试繁琐等挑战。这一案例表明，Autoware适合作为快速原型验证的平台，但距离量产仍有较大差距。

常见误区与总结复盘

另一个常见误区是忽视Autoware的依赖管理。Autoware依赖大量第三方库（如PCL、OpenCV、TensorRT等），版本冲突是常见问题。推荐使用Docker或DevContainer进行环境隔离，确保可复现性。

1.3 课程学习路径与目标

核心原理：从架构认知到模块精通的进阶路径

本课程共30章，按照“总-分-总”的逻辑组织内容。第一阶段（第1-5章）为架构与基础篇，帮助学习者建立Autoware的整体认知，掌握ROS 2核心概念与开发工具；第二阶段（第6-15章）为感知与定位篇，深入讲解LiDAR检测、视觉感知、多传感器融合、点云配准、GNSS融合定位等关键技术；第三阶段（第16-25章）为规划与控制篇，这是本课程的核心，涵盖全局路径规划、行为决策、运动规划、速度规划、控制算法等；第四阶段（第26-30章）为系统与实战篇，包括仿真验证、实车部署、功能安全、性能调优以及一个完整的项目实战。

课程设计遵循“理论-实践-复盘”的闭环学习模式。每章内容包含核心原理讲解、算法公式推导、代码实现分析、仿真实验演示和常见问题排障。学习者需要动手完成课后练习，并在仿真环境中验证算法效果。

判断方法：如何评估自己的学习进度

建议学习者建立以下能力评估清单，每完成一个阶段进行自检：

案例拆解：一个典型的学习周计划

以第18章“运动规划算法”为例，建议学习者按以下节奏安排一周的学习：

• 第1天：阅读教材中关于采样规划（RRT*）和优化规划（MPC）的原理部分，理解算法输入输出与核心公式。
• 第2天：在Autoware源码中定位运动规划模块，阅读代码结构，梳理数据流（从全局路径到局部轨迹）。
• 第3天：运行仿真场景，切换不同规划算法，对比轨迹平滑度、计算耗时等指标。
• 第4天：修改规划器的关键参数（如采样步长、优化权重），观察轨迹变化，记录实验数据。
• 第5天：完成课后编程作业：实现一个简化版的RRT*算法，并在给定地图中测试。
• 第6天：整理学习笔记，撰写实验报告，总结参数调优经验。
• 第7天：参与线上讨论，解答其他学习者的问题，巩固知识。

这种“阅读-代码-实验-总结”的循环，能够帮助学习者将抽象算法转化为可操作的工程能力。

常见误区与总结复盘

最后，需要明确的是，本课程的目标不是培养“调包侠”，而是培养具备系统思维和问题解决能力的自动驾驶工程师。课程结束后，学习者应能够独立完成一个基于Autoware的自动驾驶原型系统，并具备进一步深入研究某一专项领域（如运动规划、感知融合）的能力。