第一章：课程导入——无人驾驶技术栈概览、ROS2与Autoware.Auto的定位、课程学习路径与实战环境准备

无人驾驶是人工智能、传感器融合、实时计算与控制理论在载具平台上的系统性集成。作为开发者，进入这一领域的第一道门槛并非算法本身，而是理解整个技术栈的分层逻辑与工具链的协作方式。本章作为课程的总纲，将首先拆解无人驾驶系统的完整技术架构，明确ROS2与Autoware.Auto在其中的生态位，随后给出贯穿30章课程的学习路径，并指导你完成本地与云端实战环境的搭建。这一章的核心目标是建立“全局视图”，避免在后续章节中陷入局部细节而迷失方向。

1.1 无人驾驶技术栈的分层逻辑与核心模块

无人驾驶系统本质上是一个实时数据闭环处理系统：传感器采集环境数据，计算平台完成感知、决策与规划，最终通过线控底盘执行转向、加速和制动。理解这一闭环是学习一切后续内容的前提。从工程实现角度，技术栈可以划分为四个层次，每一层解决不同性质的问题。

硬件层是系统的物理基础，包括计算平台（如NVIDIA Jetson AGX Orin、Intel X86工控机）、传感器组（LiDAR、Camera、GNSS/IMU、轮速计）以及车辆接口（CAN总线、以太网）。硬件选型直接决定了上层算法的精度上限与实时性边界。例如，LiDAR的线束数量（16线、32线、64线）直接影响点云密度，进而影响感知算法的召回率。

系统层负责提供实时、稳定的运行环境。Ubuntu 22.04是当前ROS2 Humble和Autoware.Universe的主要支持平台。对于实车部署，还需要引入PREEMPT_RT实时内核补丁，确保控制指令的确定性延迟。NVIDIA驱动与CUDA库则为GPU加速的深度学习感知模型提供算力支撑。

中间件层是ROS2的核心价值所在。它解决了分布式节点间的通信、进程生命周期管理、参数动态配置、时间同步等分布式系统难题。ROS2基于DDS（Data Distribution Service）协议，相比ROS1的TCP/UDP直连，提供了更强的实时性、可靠性以及QoS（Quality of Service）策略控制，能够满足无人驾驶场景下对数据丢失和延迟的苛刻要求。

功能模块层是算法工程师的主战场，也是Autoware.Auto项目的主体内容。它通常包含定位（基于NDT点云配准或GNSS/IMU融合）、感知（目标检测、语义分割、跟踪）、规划（全局路径规划、行为决策、局部轨迹规划）和控制（基于运动学模型的PID或MPC控制）。Autoware.Auto将这些模块以ROS2节点的形式组织，提供了完整的开源参考实现。

技术栈层次	核心组件	关键挑战	对应课程章节
硬件层	计算平台、LiDAR、Camera、GNSS/IMU、线控底盘	传感器标定、时间同步、算力预算	第4、5、6章
系统层	Ubuntu 22.04、Docker、NVIDIA驱动、实时内核	环境一致性、实时性保障、资源隔离	第2、3章
中间件层	ROS2 Humble、DDS、TF2、rosbag2	通信延迟、数据同步、分布式调试	第7-12章
功能模块层	Autoware.Auto感知/规划/控制模块	算法精度、鲁棒性、计算效率	第13-28章

1.2 ROS2与Autoware.Auto的生态定位与选型依据

在无人驾驶开发中，ROS2并非唯一选择，但它是目前开源生态最完善、社区最活跃的中间件。理解ROS2的定位需要从它与ROS1的对比说起。ROS1诞生于2007年，其架构基于中心化的Master节点，通信方式为TCPROS/UDPROS，在实时性、安全性、多机通信方面存在先天不足。ROS2则从2015年开始设计，采用DDS作为底层通信中间件，去中心化，支持QoS策略，并引入了生命周期节点、确定性执行器等面向安全关键系统的特性。

Autoware.Auto是建立在ROS2之上的开源自动驾驶软件栈。它由日本名古屋大学发起，后由Autoware基金会维护。选择Autoware.Auto作为课程核心的原因有三：第一，它是目前唯一覆盖L4级自动驾驶全功能链路的开源项目，从传感器驱动到车辆控制均有参考实现；第二，其代码质量与文档规范程度较高，模块划分清晰，适合作为教学蓝本；第三，它被多家自动驾驶公司（如Tier IV）用于商业产品，具有实际工程参考价值。

需要特别说明的是，Autoware项目有两个主要版本线：Autoware.Auto（基于ROS2，强调安全与确定性）和Autoware.Universe（基于ROS2，更注重算法多样性与快速迭代）。本课程以Autoware.Auto为主，但在部分章节会对比Universe的实现差异，帮助学员理解不同设计哲学。

1.3 课程学习路径：从基础到实车部署的进阶设计

30章课程并非简单的知识罗列，而是按照“环境准备 → 核心机制 → 模块深入 → 系统集成 → 实车部署”五个阶段递进设计。每一章都包含理论讲解、代码实践和排障复盘三个环节。

第一阶段（第1-6章）：基础与环境。在完成本章概览后，第2章将指导你搭建Ubuntu 22.04 + ROS2 Humble的开发环境，并掌握Docker容器化部署技巧。第3章深入ROS2的核心通信机制（Topic、Service、Action、Parameter），这是后续所有模块开发的基础。第4-6章分别讲解LiDAR、Camera、GNSS/IMU的驱动原理与ROS2封装方法。

第二阶段（第7-12章）：ROS2进阶与工具链。这一阶段聚焦工程效率。第7章讲解TF2坐标变换系统，这是多传感器融合的基石。第8章介绍rosbag2数据录制与回放，用于算法离线验证。第9章讲解Launch系统与多节点管理。第10-12章分别覆盖生命周期节点、QoS策略调优和分布式通信，这些是实车部署中排查疑难问题的关键知识。

第三阶段（第13-22章）：Autoware.Auto核心模块拆解。这是课程的主体。第13-15章讲解定位模块（NDT配准、EKF融合）。第16-18章讲解感知模块（点云处理、目标检测、跟踪）。第19-20章讲解规划模块（全局规划、行为规划）。第21-22章讲解控制模块（PID、MPC）与车辆接口。

第四阶段（第23-27章）：系统集成与仿真。第23章介绍如何使用AWSIM或Gazebo进行仿真验证。第24章讲解多传感器标定与时间同步。第25章介绍性能分析与优化（使用ros2 topic hz、ros2 doctor等工具）。第26章讲解功能安全与故障诊断。第27章进行完整的系统集成实战。

第五阶段（第28-30章）：实车部署与调优。第28章讲解从仿真到实车的迁移要点。第29章介绍实车调试方法论与常见问题。第30章以完整项目复盘收尾，梳理从需求分析到交付的全流程。

阶段	章节范围	核心能力目标	实战项目
基础与环境	1-6	搭建环境、理解ROS2通信、驱动传感器	发布/订阅自定义消息
ROS2进阶	7-12	掌握TF、rosbag、Launch、QoS	多传感器数据同步录制
模块拆解	13-22	理解Autoware各模块算法与实现	修改NDT定位参数并评估精度
系统集成	23-27	仿真验证、标定、性能调优	在仿真环境中跑通全链路
实车部署	28-30	实车调试、问题排查、系统交付	园区低速自动驾驶演示

1.4 实战环境准备：本地与云端双轨方案

考虑到学员的硬件条件差异，本课程提供两套环境准备方案。方案A为本地物理机安装，适合拥有NVIDIA GPU（建议显存≥8GB）的学员；方案B为云端Docker环境，适合使用Mac、Windows或低配Linux的学员。两套方案在课程中完全等价，所有代码与命令均兼容。

本地环境准备（方案A）：首先安装Ubuntu 22.04.3 LTS桌面版，建议分配至少100GB磁盘空间。安装NVIDIA驱动（版本≥525）与CUDA 11.8。随后安装ROS2 Humble桌面版，并配置Autoware.Auto的依赖库。推荐使用vcs工具拉取Autoware源码，并利用rosdep自动安装依赖。

# 安装ROS2 Humble（Ubuntu 22.04）
sudo apt update && sudo apt install -y ros-humble-desktop
source /opt/ros/humble/setup.bash

# 安装Autoware.Auto依赖
sudo apt install -y python3-vcstool python3-rosdep
mkdir -p ~/autoware_ws/src
cd ~/autoware_ws
vcs import src < autoware_auto.repos
rosdep update
rosdep install -y --from-paths src --ignore-src

云端环境准备（方案B）：使用Docker镜像autoware/autoware:latest。该镜像预装了ROS2、CUDA以及Autoware的编译依赖。通过docker run命令启动容器，并挂载本地目录用于代码开发。对于没有NVIDIA GPU的云端环境，可以安装CPU版本的Autoware，但感知模块的深度学习模型将无法运行，此时可使用仿真数据替代。

环境验证清单：完成安装后，执行以下命令验证环境是否正常。首先检查ROS2版本，然后运行Autoware自带的示例launch文件，最后录制一段rosbag验证数据链路。

# 验证ROS2
ros2 --version
# 预期输出: ros2 0.25.x

# 验证Autoware核心节点
ros2 launch autoware_auto_launch vehicle.launch.xml
# 预期输出: 各节点启动日志，无致命错误

# 验证数据录制
ros2 bag record -a -o test_bag
# 运行10秒后 Ctrl+C，检查bag文件大小非零

在环境准备过程中，最常见的三个问题是：（1）NVIDIA驱动与CUDA版本不匹配导致GPU不可用，解决方法是使用nvidia-smi确认驱动版本，并安装对应版本的CUDA Toolkit；（2）ROS2环境变量未生效，表现为ros2命令找不到，需要执行source /opt/ros/humble/setup.bash并添加到~/.bashrc；（3）Docker容器内无法访问GPU，需要安装NVIDIA Container Toolkit并添加--gpus all参数。