一、Autoware与自动驾驶概述
1.1 自动驾驶技术发展史
自动驾驶这事儿，说起来已经有几十年了。我入行时翻过不少资料，最早可以追溯到20世纪80年代。那时候德国慕尼黑联邦国防军大学的Ernst Dickmanns团队，搞出了一辆能自动驾驶的奔驰面包车。你想想看，那是1986年，计算机算力还不如现在一部手机。
真正让行业沸腾的，是2004年到2007年的DARPA挑战赛。我记得看过当年的比赛录像，沙漠里跑得歪歪扭扭的无人车，斯坦福的Stanley拿了冠军。那时候我就觉得，这事儿有戏。
后来谷歌在2009年启动了无人车项目，也就是现在的Waymo。2016年我参与国内第一个自动驾驶项目时，行业里还在争论「到底该用激光雷达还是纯视觉」。嗯，现在大家基本达成共识了——L4以上，多传感器融合是王道。
技术演进大致分几个阶段：
- 萌芽期（1980s-2000s）：学术探索为主，算力是最大瓶颈
- 突破期（2004-2009）：DARPA挑战赛催生第一批实用系统
- 商业化探索期（2010-2018）：Waymo、百度Apollo、特斯拉等入局
- 开源生态期（2019至今）：Autoware、Apollo等开源框架成熟
我个人觉得，自动驾驶技术发展史其实就是「传感器成本下降」和「AI算法突破」两条线交织的结果。2017年我调试一个64线激光雷达，那玩意儿一台就要70万人民币。现在呢？16线激光雷达几千块就能拿下。
1.2 Autoware项目背景与社区生态
Autoware是什么？说白了，它是全球第一个用于自动驾驶的开源软件栈。2015年由日本名古屋大学的加藤真平教授团队发起，后来交给了Autoware基金会管理。
我2018年第一次接触Autoware 1.0，那时候文档少得可怜，全靠看源码和日本工程师的博客。现在好多了，Autoware已经发展到Auto版本，基于ROS 2，架构更清晰。
社区生态方面，有几个关键点：
- Autoware基金会：管理项目方向，成员包括Tier IV、Aisin、Denso等企业
- 核心贡献者：日本Tier IV公司是主力，全球开发者超过500人
- 应用场景：从园区摆渡车到高速公路货运，都有落地案例
- 版本演进：Autoware 1.0 → Autoware.Auto → Autoware Core/Universe
避坑指南：我曾经在Autoware 1.0上踩过一个坑——它的感知模块依赖CUDA，但文档没写清楚GPU型号要求。结果我在一台GTX 1050的工控机上跑，直接OOM。后来换了RTX 3060才搞定。所以选硬件时，一定先看官方推荐的配置清单。
为什么选Autoware而不是Apollo？我个人习惯是：如果你做的是乘用车级别的L4，Apollo的工程化程度更高；但如果你做的是科研、教育或者特定场景的无人车（比如物流车、清扫车），Autoware的模块化设计和ROS生态会让你更舒服。
1.3 Autoware核心功能模块总览
Autoware的架构，我习惯把它分成三大块：感知、规划、控制。下面这张图能帮你快速建立整体认知：
1.3.1 感知模块
感知是自动驾驶的「眼睛」。Autoware的感知模块主要做这几件事：
- 定位：基于NDT配准的点云定位，结合GPS+IMU做融合。我调过NDT参数，体素大小设1.0米和0.5米，定位精度能差30%以上。
- 目标检测：用深度学习模型检测车辆、行人、骑行者。Autoware默认支持PointPillars和CenterPoint。
- 语义分割：区分道路、人行道、建筑物等。RangeNet++是常用方案。
- 跟踪与预测：用卡尔曼滤波或匈牙利算法做多目标跟踪，预测障碍物未来轨迹。
注意：感知模块是系统里最吃算力的部分。我建议你在部署前先用官方提供的bag数据跑一遍离线测试，确认帧率能达到10Hz以上再上车。否则，你想想看，感知延迟200ms，车都跑出去好几米了。
1.3.2 规划模块
规划是自动驾驶的「大脑」。它接收感知结果，决定下一步怎么走。Autoware的规划分三层：
| 规划层级 | 功能 | 常用算法 |
|---|---|---|
| 全局规划 | 从起点到终点的宏观路径 | A*、Dijkstra、Lanelet2地图 |
| 行为规划 | 决定变道、跟车、停车等行为 | 状态机、有限状态机（FSM） |
| 运动规划 | 生成具体的轨迹（路径+速度） | 优化-based（OSQP）、采样-based（RRT*） |
我做过一个项目，全局路径规划用A*，但没考虑车道曲率。结果规划出来的路径在急弯处直接让车冲上路沿。后来加了路径平滑，用三次样条插值，问题就解决了。嗯，细节决定成败。
1.3.3 控制模块
控制是自动驾驶的「手脚」。它把规划好的轨迹，转化成油门、刹车、转向的具体指令。Autoware默认提供两种控制器：
- PID控制器：简单可靠，适合低速场景。我习惯先调比例系数Kp，再调积分Ki和微分Kd。
- MPC控制器：模型预测控制，精度更高，但计算量大。适合高速或复杂工况。
个人经验：如果你刚开始接触Autoware，我建议先用PID做原型验证。等系统跑稳了，再换成MPC做精细化调优。我曾经在一个园区项目里，PID调好后车能跑到15km/h，换成MPC后直接干到25km/h，而且轨迹跟踪误差从30cm降到了8cm。
小结
这一章我们聊了自动驾驶的发展脉络、Autoware的来龙去脉，以及感知-规划-控制三大模块的核心职责。说白了，Autoware就是一个帮你把「车能看见、能思考、能动起来」这件事做好的开源框架。下一章我们会深入环境搭建，把开发环境跑起来。
可可精品资料库