1. Apollo与Cyber RT初识：自动驾驶系统概览、Apollo开源平台介绍、Cyber RT通信框架核心概念、环境搭建与Demo运行
1.1 自动驾驶系统到底长什么样？
说实话，很多人一上来就问我：「自动驾驶是不是就是给车装个摄像头，然后让它自己跑？」嗯，如果真这么简单，我早就不在这写教程了。
一个完整的自动驾驶系统，说白了就是「感知→决策→控制」这三个环节的闭环。我当年刚入行时，以为核心是算法，后来踩了无数坑才明白——通信框架才是骨架。没有它，再牛的算法也只是孤岛。
来，先看一张图，帮你快速建立整体认知：
你看，感知层拿到数据，通过 Cyber RT 发给决策层，决策层算好路径再发给控制层。每一层内部还有多个子模块在并行跑。如果没有一个高效的通信框架，数据就会乱成一锅粥。
1.2 Apollo开源平台——为什么选它？
Apollo 是百度开源的自动驾驶平台。我为什么推荐它？因为它是目前市面上最完整、最接地气的开源方案。
我个人习惯把 Apollo 比作「自动驾驶的 Linux」——它不只是一个算法包，而是一整套工具链：
- 高精地图：HD Map 引擎，支持厘米级定位
- 定位模块：GPS + IMU + 激光雷达融合
- 感知模块：基于深度学习的目标检测、车道线识别
- 规划模块：路径规划、速度规划、行为决策
- 控制模块：横向/纵向控制，支持 PID 和 MPC
- Cyber RT：自研的高性能通信框架
核心观点：Apollo 的价值不在于某个算法多牛，而在于它把「感知-决策-控制」这条链路完整打通了。你拿过来就能跑，跑起来就能改。
1.3 Cyber RT 通信框架——到底在解决什么问题？
好，现在聊聊 Cyber RT。我记得第一次接触它时，心里想的是：「不就是个消息队列吗？ROS 不也能干？」
后来在项目中遇到一次真实场景：车在高速上跑，感知模块每秒要处理 20 帧激光雷达数据，每帧包含几十万个点。如果用 ROS，光是序列化/反序列化就能吃掉 30% 的 CPU。Cyber RT 用了共享内存 + 零拷贝，延迟直接降到微秒级。
嗯，这就是差距。
1.3.1 核心概念：Node
Node 是 Cyber RT 里的「工作单元」。每个模块通常对应一个 Node。比如感知模块是一个 Node，规划模块是另一个 Node。
// 创建一个 Node
auto node = cyber::CreateNode("perception_node");你想想看，Node 就像一个个独立的小车间，各自干各自的活，互不干扰。
1.3.2 核心概念：Channel
Channel 是数据传输的「管道」。每个 Channel 有一个名字，比如 /apollo/sensor/lidar/pointcloud。模块之间通过 Channel 名字来订阅和发布数据。
小技巧：我建议你给 Channel 命名时，遵循 /模块/子模块/数据类型 的格式。这样后期调试时，一眼就能看出数据流走向。
1.3.3 核心概念：Reader / Writer
Writer 负责往 Channel 里写数据，Reader 负责从 Channel 里读数据。一个典型的发布-订阅模式：
// 创建 Writer
auto writer = node->CreateWriter<PointCloud>("/apollo/sensor/lidar/pointcloud");
// 创建 Reader
auto reader = node->CreateReader<PointCloud>("/apollo/sensor/lidar/pointcloud",
[](const std::shared_ptr<PointCloud>& msg) {
// 处理点云数据
AINFO << "收到点云数据，点数: " << msg->point_size();
});我曾经犯过一个低级错误：Reader 和 Writer 的 Channel 名字拼写不一致，结果数据死活收不到。排查了整整两个小时……所以，命名一定要统一。
1.4 环境搭建——别怕，跟着我来
环境搭建是新手最容易卡住的地方。我当年第一次装 Apollo，光依赖就装了三天。现在好多了，官方提供了 Docker 镜像，基本上一键搞定。
1.4.1 硬件要求
| 组件 | 最低配置 | 推荐配置 |
|---|---|---|
| CPU | 4 核 | 8 核以上 |
| 内存 | 8 GB | 16 GB 以上 |
| GPU | NVIDIA GTX 1050 | NVIDIA RTX 3070 以上 |
| 硬盘 | 100 GB | 256 GB SSD |
| 操作系统 | Ubuntu 18.04 | Ubuntu 20.04 |
注意：如果你没有 NVIDIA 显卡，也可以跑 Apollo，但感知模块的深度学习部分会跑在 CPU 上，速度会慢很多。建议至少搞一张 GTX 1050 级别的卡。
1.4.2 安装步骤（精简版）
- 安装 Docker：
curl -fsSL https://get.docker.com | bash - 安装 NVIDIA Docker（如果有 GPU）：
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list - 拉取 Apollo 镜像：
docker pull apolloauto/apollo:dev-latest - 启动容器：
bash docker/scripts/dev_start.sh - 进入容器：
bash docker/scripts/dev_into.sh - 编译 Apollo：
./apollo.sh build_opt
避坑指南：编译时如果报内存不足，可以加 --jobs 4 参数限制并行任务数。我曾经在 8GB 内存的机器上不加限制编译，结果直接 OOM 了。
1.5 跑一个 Demo——验证你的环境
环境搭好了，怎么知道它能不能用？跑一个 Demo 试试。
# 启动 Dreamview（Apollo 的可视化界面）
bash scripts/bootstrap.sh
# 在浏览器中打开 http://localhost:8888
# 播放示例数据
cyber_recorder play -f data/demo_3.5.record -l如果一切正常，你会看到 Dreamview 界面上出现一辆车在跑，各种传感器数据实时显示。嗯，那一刻还是挺有成就感的。
我个人习惯在跑 Demo 时，同时打开终端用 cyber_monitor 查看各个 Channel 的数据流：
cyber_monitor这个工具会列出所有活跃的 Channel，以及每个 Channel 的发布频率、数据大小。调试时特别有用。
1.6 本章小结
这一章我们走了一遍自动驾驶系统的全貌，认识了 Apollo 平台和 Cyber RT 的核心概念。说白了，Cyber RT 就是整个系统的「血管」，Node 是器官，Channel 是血管，Reader/Writer 是血液流动的机制。
环境搭建这块，我建议你跟着步骤一步步来，遇到问题不要慌。大部分坑我都踩过了，后面章节会专门讲常见问题的排查方法。
好，先到这。去跑一下 Demo，感受一下数据在 Cyber RT 里流动的感觉。
可可精品资料库