一、Autoware概述：从零认识这个自动驾驶界的“Linux”
大家好，我是这次课程的主讲。在自动驾驶仿真这个领域摸爬滚打了七八年，我接触过不少开源框架。但要说哪个让我印象最深，那必须是 Autoware。为什么？因为它够开放、够完整，而且——嗯，它踩过的坑，我也都跟着踩过一遍。
今天这一章，我们先不急着写代码、搭场景。先把 Autoware 的来龙去脉搞清楚。说白了，你得知道它是什么、从哪来、能干什么。这样后面学起来，心里才有底。
1.1 Autoware 是什么？
Autoware，全称是 Autoware Foundation 维护的开源自动驾驶软件栈。你可以把它理解成自动驾驶领域的“Linux”——一个集感知、规划、控制于一体的完整平台。
我个人习惯把它拆成三个关键词来理解：
- 开源：代码全公开，你可以随便看、随便改。不像某些商业方案，黑盒子一样。
- 模块化：每个功能都是一个独立模块。你换掉某个模块，不影响其他部分。
- 可商用：基于 Apache 2.0 许可证，公司拿去用也没问题。
核心定位：Autoware 不是某个车企的专属系统，而是一个社区驱动的、面向研发和验证的自动驾驶基础平台。
我在项目中遇到过不少团队，一开始想自己从头写感知算法。结果折腾半年，连车道线检测都没跑通。后来换了 Autoware，两周就把整个 pipeline 搭起来了。你想想看，这就是平台的价值。
1.2 Autoware 发展历史：从一个人的项目到全球社区
Autoware 的历史，其实挺有意思的。我简单梳理一下关键节点：
| 时间 | 版本/事件 | 说明 |
|---|---|---|
| 2015年 | Autoware 1.0 发布 | 日本名古屋大学加藤真平团队发起，基于 ROS 1 |
| 2018年 | Autoware.AI 分支 | 加入深度学习模块，支持 CNN、YOLO 等 |
| 2019年 | Autoware.Auto 分支 | 基于 ROS 2，强调安全性和代码质量 |
| 2021年 | Autoware Foundation 成立 | 丰田、Apex.AI、Tier IV 等企业联合支持 |
| 2022年至今 | Autoware Universe | 统一版本，融合 AI 和 Auto 分支优势 |
为什么会从 ROS 1 迁移到 ROS 2？我记得 2019 年第一次在实车上跑 Autoware.AI，那个节点通信延迟让我头疼了好几天。ROS 1 的 master 单点故障问题，在自动驾驶这种实时场景下，确实是个隐患。ROS 2 的 DDS 机制，说白了就是解决了这个问题。
我的建议：如果你现在开始学，直接上 Autoware Universe（基于 ROS 2 Humble）。别走回头路去折腾 ROS 1 版本了，那个时代已经过去了。
1.3 Autoware 核心功能模块介绍
Autoware 的功能模块，我习惯用一张图来概括。下面是我自己画的一个结构图，你一看就明白：
这张图里，我把 Autoware 的核心模块分成了三层：
1.3.1 感知层
感知模块负责让车“看懂”周围世界。它主要处理三类传感器数据：
- 激光雷达：点云数据，用于障碍物检测、地面分割。我刚开始调激光雷达参数时，经常把路沿检测成障碍物，车动不动就急刹——后来发现是地面分割阈值设得太保守了。
- 摄像头：图像数据，用于交通灯识别、车道线检测、目标分类。
- 毫米波雷达/超声波：辅助感知，主要用于近距离障碍物预警。
注意：感知模块是 Autoware 里最吃算力的部分。如果你用 CPU 跑深度学习模型，帧率可能只有 5-10 FPS。我建议至少配一块 NVIDIA 显卡，或者用 Jetson 系列板卡。
1.3.2 规划层
规划模块解决的是“接下来怎么走”的问题。它分三个层级：
- 全局路径规划：从起点到终点的宏观路线。用的是 A* 或 Dijkstra 算法，基于高精地图。
- 行为决策：当前该直行、变道还是停车？说白了就是“交通规则引擎”。
- 运动规划：生成具体的轨迹曲线，包括速度、加速度、曲率等。
我曾经在高速场景测试时，发现规划模块给出的轨迹曲率过大，导致车辆在弯道里侧倾严重。后来调整了最大横向加速度约束，问题才解决。嗯，这种细节，文档里可不会告诉你。
1.3.3 控制层
控制模块负责把规划好的轨迹变成实际的油门、刹车、转向指令。Autoware 默认用的是 PID 控制器，但你也换成 MPC（模型预测控制）。
- 横向控制：方向盘转角控制，常用 Pure Pursuit 或 Stanley 算法。
- 纵向控制：油门/刹车控制，保持目标车速和跟车距离。
- 车辆接口：通过 CAN 总线或 UDP 协议与实车/仿真器通信。
1.3.4 支撑模块
除了上面三大块，还有两个基础模块：
- 定位：基于 GNSS + IMU + 激光雷达点云匹配（NDT算法），实现厘米级定位。
- 地图：支持高精地图（Lanelet2 格式）和点云地图的加载与管理。
一个小技巧：如果你在仿真环境里测试，定位模块可以直接用“真值”数据（Ground Truth），省去点云匹配的计算开销。这样能更专注于规划和控制算法的验证。
1.4 为什么选择 Autoware 做仿真？
你可能要问：市面上仿真工具那么多，为什么偏要学 Autoware？
我的理由有三点：
- 生态完整：从感知到控制，一条龙全包。你不用东拼西凑。
- 社区活跃：GitHub 上有 8000+ Star，遇到问题基本都能搜到答案。
- 与实车无缝衔接：仿真里调好的参数，可以直接部署到实车上。我在 Tier IV 的测试场就干过这事——仿真跑通了，实车一次点火成功。
好了，这一章的内容就到这里。Autoware 的轮廓你应该已经清楚了。下一章我们会动手搭建仿真环境，到时候你就能真正感受到它的魅力了。
本章小结：Autoware 是一个开源的、模块化的自动驾驶软件平台。它经历了从 ROS 1 到 ROS 2 的演进，目前最新版本是 Autoware Universe。核心模块包括感知、规划、控制、定位和地图，每个模块都有成熟的算法实现。