Apollo：百度开源自动驾驶平台

为什么需要 Apollo：从零搭建自动驾驶系统的工程量与工程化替代方案

传统上，高校和企业构建自动驾驶研究环境时，需要自行整合传感器驱动、消息中间件、高精地图格式、感知模型部署与规划控制模块，这一过程的工程量通常以季度为单位计算。即便在开源领域，基于 ROS 自行拼接也会遇到时钟同步困难、组件间通信性能瓶颈、缺乏统一的场景评测工具等问题；而商业级自动驾驶方案动辄需要数千万级平台授权费用，研究机构难以承受。因此需要一个“开箱即用”的开源基线系统：既包含完整的传感器接入能力，又提供可视化与回放工具，让算法研究者把精力集中在上层算法优化，而不是底层工程重复造轮子。

Apollo 用一套分层架构解决了上述问题：CyberRT 作为高性能通信中间件替代 ROS 的多数使用场景，能够在多核环境下提供微秒级的消息调度能力；感知模块支持相机、激光雷达、毫米波雷达与超声波传感器的融合识别；规划模块提供基于轨迹优化的 EM Planner 和基于场景的公共道路规划；控制模块内置 LQR、MPC 等经典控制算法，并与 CanBus 等车辆接口对接。开源版本自带 DreamView 可视化工具与 PHAETON 仿真器，开发者甚至没有实车也能完成算法验证。Apollo 同时提供从数据录制、标注、训练到仿真评测的闭环工作流，这使得它不仅仅是一个算法库，而是一个接近企业级量产实践的技术平台。

与被广泛使用的 Autoware、CARLA 等平台相比，Apollo 气质上更接近“量产工程平台”：Autoware 在算法组件的模块化上更轻、更偏研究友好，CARLA 则更像一个仿真器而非自动驾驶软件栈，而 Apollo 则提供了更工业化的架构设计、更完整的中国道路场景适配（如复杂路口、非机动车流），以及面向车路协同的 V2X 原生支持。对于研发团队来说，选择一个更完整基线往往能更快进入场景调试阶段。

安装与环境配置：4 步就绪

在准备安装之前，需要先了解 Apollo 对硬件和软件环境的要求。官方推荐的开发机器配置是 CPU 至少 8 核 16GB 内存（推荐 16 核 32GB 以上），磁盘剩余空间超过 100GB（推荐 250GB 以上），操作系统为 Ubuntu 18.04 或 20.04（Apollo 10.0 推荐 Ubuntu 22.04）；同时需要安装 Docker 与 NVIDIA 显卡驱动，因为 Apollo 的 GPU 感知模块与 DreamView 可视化都依赖于 GPU 加速。以下步骤以 Ubuntu 22.04 为例。

步骤一：安装依赖与 Docker。 确保系统已安装 curl、git 等基础工具，并安装 Docker Engine 与 nvidia-container-toolkit，为容器内访问 GPU 做准备。

步骤二：克隆仓库并运行引导脚本。 使用 git 克隆 Apollo 仓库（默认分支为 master，对应 10.0 版本），并运行自动化脚本完成依赖检查、Docker 镜像拉取与基础环境配置。该脚本会输出交互式命令，要求选择使用 GPU 或 CPU 模式（无 NVIDIA 显卡时选择 CPU 模式）。

步骤三：启动 Apollo 开发容器并进入容器环境。 使用官方脚本 dev_start.sh 启动容器，再通过 dev_into.sh 进入容器。进入容器后需执行资源安装命令，完成 dreamview 前端等必要资源的下载与编译。

步骤四：验证安装。 执行环境检查命令确认 CyberRT 中间件可用，然后启动 DreamView 并访问 localhost:8888 验证可视化界面可正常打开。

# 1. 安装 Docker 与 GPU 支持（Ubuntu 22.04）sudo apt-get updatesudo apt-get install -y ca-certificates curl gnupgcurl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpgecho "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/nullsudo apt-get update && sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-compose-pluginsudo usermod -aG docker $USER && newgrp docker # 2. 安装 NVIDIA 容器支持（使用 GPU 模式时）sudo apt-get install -y nvidia-container-toolkitsudo nvidia-ctk runtime configure --runtime=docker && sudo systemctl restart docker # 3. 克隆 Apollo 并运行引导git clone https://github.com/ApolloAuto/apollo.gitcd apollo./docker/scripts/dev_start.sh    # 拉取镜像并启动开发容器./docker/scripts/dev_into.sh     # 进入容器 # 4. 在容器内安装资源并验证./scripts/apollo_neo.sh resource install./scripts/apollo_neo.sh env check./scripts/bootstrap.sh start     # 启动 DreamView

快速上手：10 分钟跑通首个仿真示例

Apollo 快速上手的核心思路是：在无需实车的前提下，使用内置的仿真数据包与 DreamView 工具，让包含感知、规划、控制在内的整个软件栈跑起来。建议选择官方提供的 demo 数据包（record 文件），其中包含了激光雷达点云、相机图像与车辆定位信息，可以重放这段数据来观察 Apollo 各模块在 DreamView 中的实时运行结果。

操作步骤如下。步骤一： 确认开发容器已启动且处于容器 shell 环境中，执行命令检查 apollo 用户环境与 bootstrap 状态，若尚未启动则执行启动命令。步骤二： 在宿主机浏览器中打开 http://localhost:8888，进入 DreamView 界面；在左侧模块栏中勾选“感知（Perception）”“预测（Prediction）”“规划（Planning）”“控制（Control）”等模块，使这些模块处于待运行状态。步骤三： 在 DreamView 顶部选择模式为“默认”，并点击右上角“资源管理”中的演示数据包（demo record）进行播放；选择一条车道线清晰、车流较少的场景进行观测。步骤四： 观察 DreamView 主窗口，可以看到点云渲染、目标检测框、规划轨迹线与车辆控制信号输出。若感知模块的画面上出现多个障碍物框并且规划轨迹平滑变化，说明整个链路已正常运行。

完成上述操作后，你可以在底部“模块时钟”中查看各模块的运行延迟链路，进一步点击规划模块的路径显示，查看每次规划的轨迹点与速度曲线。进阶技巧：DreamView 的“路由编辑”支持在地图上绘制起始点和目标点，点击“开始自动行驶”，仿真器会驱动车辆沿规划路径自动行驶，你可以在此基础上修改感知模型参数进行回环测试。如果想体验更真实的场景，可以尝试运行 Apollo 自带的场景集（Scenario Set）进行多场景回归评测。

# 进入容器后执行以下命令，拉起 DreamView 并打开演示数据演示入口./scripts/bootstrap.sh start# DreamView 内：选择 “资源管理”→ 演示数据包 → 选择 demo record 播放

核心能力详解：5 大支柱

支柱一：CyberRT 通信中间件。 CyberRT 是 Apollo 自主研发的高性能通信框架，针对自动驾驶场景中多传感器高频数据交换进行了优化。它提供了话题（Topic）、服务（Service）与参数（Parameter）三类通信模型，并内置了协程调度、共享内存传输与细粒度时钟同步机制。在 Apollo 中，所有传感器数据、算法输出、控制指令都是通过 CyberRT 在模块间流转的，理解 CyberRT 的调度模型是阅读与修改 Apollo 源码的基础。

支柱二：高精地图与定位。 Apollo 使用 OpenDRIVE 格式描述高精地图，包括车道线、交通标志、路口拓扑等语义信息。以 GNSS（全球导航卫星系统）与 IMU（惯性测量单元）融合为基础，结合激光雷达点云配准与视觉特征匹配，Apollo 的定位模块（MSF，多传感器融合定位）能够提供厘米级定位结果，并在 GPS 信号遮挡区域通过激光雷达定位维持精度。这也是 Apollo 在中国城市峡谷等挑战场景下仍然可用的关键能力。

支柱三：感知模块。 感知模块采用相机、激光雷达、毫米波雷达与超声波传感器的多传感器融合方案。其中，基于深度学习的相机检测模型负责交通灯、障碍物与车道线识别；基于激光雷达的点云检测模型（如 CNN-Seg 与 PointPillars）负责 3D 目标检测与分割；毫米波雷达与超声波数据作为补充，用于近距离盲区与恶劣天气下的目标确认。所有感知结果输出为统一的障碍物列表，通过级联融合策略输出给预测环节。

支柱四：预测与规划。 预测模块基于障碍物的历史运动轨迹，结合横向与纵向运动学模型输出多模态轨迹假设。规划模块采用分层策略：先由路由模块完成全局路径搜索，再由轨迹规划器（EM Planner 与 Lattice Planner）在局部坐标系中生成考虑避撞、限速与舒适性的轨迹。规划结果不仅包含几何路径，还包含每个轨迹点的时间戳、速度与加速度约束，供控制模块直接跟踪。

支柱五：控制与车路协同（V2X）。 控制模块通过 LQR（线性二次型调节器）与 MPC（模型预测控制）算法将规划轨迹转化为方向盘转角、油门与刹车指令，并通过 CanBus 通道下发至车辆线控底盘。Apollo 的 V2X 模块支持基于 LTE-V2X 的车路协同通信，能够将红绿灯信号、路口碰撞预警、前向碰撞预警等待集成到规划决策中，为后续车路云一体化落地提供了基础支撑。

生产部署与监控：从上线到运维

自动驾驶系统的生产化部署不是在单台开发机上运行算法，而是需要考虑多机分布式部署、数据回放与仿真评测、以及可观测性建设。Apollo 提供了多种方式满足这些需求。

部署方式一：多机分布式部署。 Apollo 的 CyberRT 天然支持跨机通信，通过配置 cyber 的通信域名与网卡参数，可以将感知所在的计算单元与规划控制所在的计算单元分布在不同的工控机上，中间通过万兆以太网连接。实际部署时，建议将 GNSS、激光雷达等传感器数据通过独立网段隔离，避免与车控网络互相干扰。官方提供了 cyber_launch 工具，可在不同机器上以 launch 文件的形式拉起各模块集合，从而简化部署流程。

部署方式二：数据闭环与仿真评测。 生产环境的迭代离不开数据回放。Apollo 提供了数据录制工具 cyber_recorder，可以完整记录所有话题消息。录制数据既可用于离线算法评测，也可以通过 DreamView 的“数据回放”功能进行可视化。官方还提供了场景评测工具，用于对规划与控制模块在指定场景集上的表现进行自动化指标对比，确保代码变更不会引起性能回归。

可观测性。 在车端与云端，建议同时部署日志采集、指标监控与可视化链路。Apollo 各模块原生支持输出日志与调试信息，可通过统一日志采集器汇入监控平台；CyberRT 的 cyber_monitor 工具可以实时查看各话题的发布频率与消息延迟，用于定位模块间通信阻塞。在云端，DreamView 支持实时查看车辆位置、规划轨迹与模块状态。更进一步的建议是接入 Prometheus 与 Grafana，将 CPU 占用、GPU 利用率、关键话题延迟等指标纳入统一监控大屏，以支持故障快速定位。

<p class=“para-label“>避坑清单：</p><ul class=”dash-list”><li>坑 1：磁盘空间预留不足。Apollo 镜像与资源安装占用超过 20GB，加上编译缓存与数据包，建议预留 100GB 以上，否则容易在编译或资源安装时因磁盘占满而失败。</li><li>坑 2：GPU 驱动与容器不匹配。Apollo 容器依赖宿主机 NVIDIA 驱动与 nvidia-container-toolkit，驱动版本过旧或未配置 runtime 会导致容器内无法调用 GPU，感知模块直接启动失败。</li><li>坑 3：在容器内改动代码后未重新编译。Apollo 源码改动后需要执行对应模块的构建脚本，改动后不重新构建直接运行会让系统继续使用旧版本二进制，导致调试结果与代码不一致。</li><li>坑 4：忽视时间同步。多传感器数据采集与回放高度依赖时间戳一致，如果未启用 PTP 或 GPS 授时，重放录制数据时感知融合结果会出现明显错位。</li><li>坑 5：误把仿真结果当作实车结果。PHAETON 与 DreamView 中的理想传感器模型无法完全模拟真实噪声，仿真通过不代表实车通过，需要结合硬件在环与封闭场地测试进一步验证。</li></ul>

版本迭代

Apollo 从 2017 年 1.0 开始，先后经历了封闭场地循迹（1.0）、开放道路自动驾驶（2.0/2.5）、量产化探索（3.0/3.5）、Robotaxi 场景落地（5.0/6.0），再到 7.0 引入以数据驱动的平台化架构与全新的模块拆分，8.0 进一步强化了场景集与工具链。10.0 重点在自动驾驶开发全流程工具链、沉浸式仿真实训与大规模数据集应用上做了加强，并针对国内复杂道路场景进行了专项优化，标志着 Apollo 从开源研发平台走向更开放的产业化基座。

AI 应用场景

常见误区

面试题

参考来源

• webpageApollo 官网产品介绍、版本发布与开放平台入口
• webpageApollo GitHub 仓库源码、Issue 与发布记录