贡献指南

欢迎参与 Apollo 开源自动驾驶平台的建设！无论你是经验丰富的开发者还是刚接触自动驾驶领域的新人，我们都非常欢迎你的贡献。本文档将帮助你了解如何参与 Apollo 项目。

项目愿景与目标

Apollo 是百度推出的高性能、灵活架构的开源自动驾驶平台，旨在加速自动驾驶车辆的开发、测试和部署。项目的核心理念是：

构建一个充满活力的自动驾驶生态系统，提供全面、安全、可靠的解决方案
让每个生态成员专注于自身擅长的领域，避免重复造轮子，从而大幅提升创新速度
通过开源代码和开放能力，让任何人都可以使用、修改和再分发 Apollo 的组件
形成"软件部署 → 数据采集 → 系统迭代"的良性循环，加速自动驾驶技术的成熟

Apollo 欢迎所有形式的技术和非技术贡献。高质量的数据是驱动创新的燃料，也是最有价值的贡献之一。

治理模型

Apollo 采用开放治理模型，社区角色分为以下几个层级：

维护者（Maintainers）

由百度 Apollo 核心团队成员担任
负责项目的整体架构决策、版本发布和长期路线图
拥有代码仓库的合并权限
负责阐明行为准则标准，并对违规行为采取纠正措施
为保障架构完整性、系统可靠性和快速演进，百度在必要时会行使领导权推动重要决策

提交者（Committers）

在特定模块有持续高质量贡献的开发者
拥有特定模块的代码审查权限
协助维护者进行代码审查和技术讨论
由维护者根据贡献记录提名

（此角色基于开源社区通行实践描述，Apollo 仓库中暂未有正式文档定义）

贡献者（Contributors）

任何向项目提交过被合并的 Pull Request 的人
包括代码、文档、测试、Bug 报告等各类贡献
所有贡献者需同意 Apollo 个人贡献者许可协议（CLA）

贡献方式

代码贡献

这是最直接的贡献方式。你可以：

修复已知 Bug
实现新功能
优化现有模块的性能
查找标记为 "help wanted" 的 Issue，这些是适合新贡献者入手的任务

文档贡献

改进现有文档的准确性和可读性
补充缺失的 API 文档和使用教程
翻译文档（中英文互译）
Apollo 使用 Doxygen 生成 API 文档，可通过 bash apollo.sh doc generate 生成

问题报告

在 GitHub Issues 提交 Bug 报告或功能请求
Bug 报告请包含：问题描述、复现步骤、期望行为、系统环境信息和截图
功能请求请描述：要解决的问题、期望的方案、考虑过的替代方案

社区支持

在 Issue 中回答其他用户的问题
参与技术讨论和方案评审
分享使用经验和最佳实践

开发环境搭建

系统要求

8 核以上处理器，16GB 以上内存
推荐 NVIDIA Turing 架构 GPU 或 AMD GFX9/RDNA/CDNA GPU
支持 Ubuntu 18.04、20.04、22.04
NVIDIA 驱动版本 520.61.05 及以上
Docker-CE 19.03 及以上
NVIDIA Container Toolkit

环境搭建步骤

Fork 并克隆仓库

bash

git clone https://github.com/<你的用户名>/apollo.git
cd apollo

启动开发容器

bash

bash docker/scripts/dev_start.sh

进入容器

bash

bash docker/scripts/dev_into.sh

构建项目

bash

bash apollo.sh build

技术栈概览

技术	说明
C++	主要开发语言
Python	工具和脚本
Bazel	构建系统
CyberRT	自研实时通信中间件
CUDA 11.8	GPU 加速
PyTorch / TensorFlow 2	深度学习框架

贡献工作流

第一步：签署 CLA

在提交任何贡献之前，请先签署 Apollo 个人贡献者许可协议。

第二步：选择任务

浏览 Issues 列表，特别关注 "help wanted" 标签
如果你正在处理某个 Issue，请留言告知其他人，避免重复工作
如果你有新的想法，先创建 Issue 讨论，获得社区反馈后再开始编码

第三步：创建分支并开发

bash

# 从最新的 master 分支创建你的工作分支
git checkout master
git pull upstream master
git checkout -b feature/your-feature-name

第四步：编写代码

请遵循以下规范：

许可证头部：每个新文件顶部必须包含 Apache 2.0 许可证声明。参考示例：

C++ 文件：modules/common/util/util.h
Python 文件：modules/tools/vehicle_calibration/process.py
Bash 文件：scripts/apollo_base.sh

编码风格：

C/C++：遵循 Google C++ Style Guide
Python：遵循 Google Python Style Guide，可使用 yapf -i --style='{based_on_style: google}' foo.py 格式化
BUILD 文件：使用 bash apollo.sh format path/to/BUILD/files 格式化
更多实践请参考 Apollo Best Coding Practice 文档

单元测试：

所有代码贡献必须包含对应的单元测试
测试文件命名以 _test.cc 结尾
BUILD 文件中的测试目标以 test 结尾
运行全部测试：bash apollo.sh test

第五步：编写提交信息

提交信息的第一行应为一句话的变更摘要，之后可以添加段落详细说明变更内容。如果修复了某个 Issue，请在提交信息中引用 Issue 编号。示例：

Control: Replaced algorithm A with algorithm B in modules/control.

Algorithm B is faster than A because it uses binary search. The runtime is
reduced from O(N) to O(log(N)).

Fixes #1234

第六步：提交前检查

在创建 Pull Request 之前，请确保你的变更通过所有检查：

bash

# 一键运行构建、测试和代码风格检查
bash apollo.sh check

这等同于依次执行：

bash

bash apollo.sh build   # 构建
bash apollo.sh test    # 测试
bash apollo.sh lint    # 代码风格检查

第七步：创建 Pull Request

将你的分支推送到你 Fork 的仓库
在 GitHub 上创建 Pull Request，目标分支为 master
填写清晰的 PR 描述，说明变更内容和原因
关联相关的 Issue
等待 CI 检查通过和代码审查

代码审查流程

所有提交到 Apollo 的代码都需要经过代码审查：

提交 PR 后，CI 系统会自动运行构建和测试
至少一名维护者或提交者会审查你的代码
审查者可能会提出修改建议，请积极回应并更新代码
所有审查意见解决后，维护者会合并你的 PR

审查关注点包括：

代码是否符合编码规范
是否包含充分的单元测试
是否有清晰的文档和注释
架构设计是否合理
是否存在性能或安全隐患

提示

如果你的代码逻辑不够直观，建议以清晰高效的方式实现，并提供充分的注释和文档。代码注释请遵循 Doxygen 格式规范。

行为准则

Apollo 社区致力于营造一个开放、友好的环境。我们承诺：无论参与者的年龄、体型、身体状况、种族、性别认同、经验水平、国籍、外貌、宗教或性取向如何，都能在项目和社区中享有免于骚扰的自由。

我们鼓励的行为

使用友好和包容性的语言
尊重不同的观点和经历
得体地接受建设性批评
关注对社区有益的事情
友善地对待社区其他成员

不可接受的行为

使用与性有关的言语或图像，以及不受欢迎的性骚扰
捣乱、煽动、造谣，或含有侮辱/贬损的评论
公开或私下的骚扰
未经许可发布他人的个人信息
个人或政治攻击
其他可以被合理地认为不适合专业环境的行为

冲突解决

直接与冲突当事人私下沟通，最好是实时沟通
如果不行，请求第三方出面调解
如果仍无法解决，向项目团队举报：apollo-beijing@baidu.com

完整的行为准则请参阅项目根目录下的 CODE_OF_CONDUCT_cn.md。

社区渠道

GitHub Issues — 提交问题和 Bug 报告
GitHub Pull Requests — 代码贡献和审查
Twitter @apolloplatform — 项目动态
YouTube — 技术视频和教程
Medium Blog — 技术博客
Newsletter — 订阅项目通讯
Apollo 官网 — 商务合作和更多信息
商务合作邮箱：apollopartner@baidu.com

许可证

Apollo 基于 Apache 2.0 许可证开源。所有贡献的代码将以相同许可证发布。

常见问题 FAQ

Q1: 什么是 Apollo？它能做什么？

Apollo（阿波罗）是百度开源的自动驾驶平台，旨在为开发者提供一套高性能、灵活的自动驾驶软件框架，加速自动驾驶车辆的开发、测试和部署。

Apollo 的核心能力包括：

感知（Perception）：融合 LiDAR、Camera、Radar 等多传感器数据，实现障碍物检测、车道线识别、交通信号灯识别等
预测（Prediction）：预测周围交通参与者的未来轨迹和行为意图
规划（Planning）：基于场景化的路径和速度规划，支持变道、掉头、无保护转弯等复杂场景
控制（Control）：通过线控系统精准控制车辆的转向、油门和制动
高精地图（HD Map）：提供厘米级精度的高精地图服务
定位（Localization）：融合 GNSS/IMU 和 LiDAR 点云匹配实现高精度定位
仿真（Simulation）：通过 Dreamview 和 Dreamview Plus 提供可视化和仿真调试工具

Apollo 从 1.0 版本逐步发展到 11.0 版本，已覆盖从封闭园区到复杂城市道路的多种自动驾驶场景。

Q2: Apollo 支持哪些硬件平台？系统要求是什么？

最低硬件要求：

CPU：8 核处理器
内存：16GB RAM 以上
GPU：NVIDIA Turing 架构及以上（如 RTX 20/30/40 系列），或 AMD GFX9/RDNA/CDNA 架构
磁盘：建议预留充足空间（Docker 镜像 + 编译缓存较大）

支持的操作系统：

Ubuntu 18.04
Ubuntu 20.04
Ubuntu 22.04

GPU 驱动要求：

NVIDIA 驱动版本 >= 520.61.05（CUDA 11.8）
或 AMD ROCm v5.1 及以上

CPU 架构支持：

x86_64（主要开发平台）
aarch64 / ARM64（Apollo 9.0+ 支持在 NVIDIA Orin 等 ARM 平台上编译运行）

实车部署额外硬件：

线控车辆（brake-by-wire、steering-by-wire、throttle-by-wire、shift-by-wire），Apollo 主要在 Lincoln MKZ 上测试
LiDAR（如 Velodyne HDL-64E S3、Hesai 等）
摄像头（支持多种工业相机）
毫米波雷达（Apollo 9.0+ 支持 4D 毫米波雷达）
GNSS/IMU 组合惯导（如 NovAtel SPAN）

Q3: 如何搭建 Apollo 开发环境？Docker 还是本地编译？

推荐方式：Docker 容器开发环境。 Apollo 官方维护了预构建的 Docker 镜像，包含所有依赖库，避免环境配置问题。

Docker 环境搭建步骤：

安装 Docker-CE 19.03+：

bash

# 参考 Docker 官方安装文档
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

安装 NVIDIA Container Toolkit（GPU 支持）：

bash

# 参考 NVIDIA 官方文档安装 nvidia-docker

克隆 Apollo 代码：

bash

git clone https://github.com/ApolloAuto/apollo.git
cd apollo

启动开发容器：

bash

bash docker/scripts/dev_start.sh

进入容器：

bash

bash docker/scripts/dev_into.sh

在容器内编译：

bash

bash apollo.sh build

关于本地编译： 虽然理论上可以在宿主机直接编译，但由于 Apollo 依赖链极其庞大（包括 CUDA、PCL、OpenCV、Protobuf、Eigen 等数十个库），不推荐本地编译。Docker 方式可以确保一致的编译环境。

Apollo 9.0+ 包管理方式： 从 Apollo 9.0 开始引入了包管理工具，支持以 Package 方式安装和使用各功能模块，降低了二次开发门槛。

Q4: CyberRT 是什么？它和 ROS 有什么区别？

CyberRT 是 Apollo 自研的高性能运行时通信框架，从 Apollo 3.5 版本开始取代 ROS 成为 Apollo 的底层通信中间件。

CyberRT 的核心特性：

高性能通信：基于共享内存的进程间通信，降低数据拷贝开销
确定性调度：支持协程（Coroutine）调度，可配置调度策略，满足自动驾驶实时性要求
组件化架构：通过 Component 机制组织算法模块，每个 Component 处理输入数据并产生输出
丰富的开发工具：提供 cyber_monitor、cyber_recorder、cyber_channel、cyber_node、cyber_launch 等命令行工具
Python API 支持：提供 Python 接口用于快速原型开发和脚本编写

CyberRT 与 ROS 的主要区别：

对比维度	CyberRT	ROS
通信机制	共享内存 + 进程内通信	基于 TCP/UDP 的话题通信
调度	协程调度，支持确定性调度策略	基于回调的线程模型
实时性	针对自动驾驶优化，延迟更低	通用设计，实时性较弱
序列化	Protobuf	自定义 msg 格式
服务发现	自研的 Topology Manager	ROS Master
数据录制	cyber_recorder（Record 格式）	rosbag

CyberRT 核心概念：

Node：通信的基本单元，类似 ROS 中的 Node
Channel：数据通信的通道，类似 ROS 中的 Topic
Component：封装算法逻辑的组件，由框架调度执行
DAG（有向无环图）：描述 Component 的依赖关系和数据流
Launch 文件：启动配置文件，定义要加载的 DAG 和进程信息

Q5: 如何创建自定义模块/Component？

创建一个 CyberRT Component 需要以下步骤：

1. 创建目录结构：

my_component/
├── my_component.h        # 头文件
├── my_component.cc       # 源文件
├── BUILD                 # Bazel 构建文件
├── my_component.dag      # DAG 配置
└── my_component.launch   # Launch 启动文件

2. 实现 Component 类（头文件）：

cpp

#include "cyber/component/component.h"
#include "my_component/proto/my_message.pb.h"

using apollo::cyber::Component;

class MyComponent : public Component<MyInputMsg> {
 public:
  bool Init() override;
  bool Proc(const std::shared_ptr<MyInputMsg>& msg) override;
};
CYBER_REGISTER_COMPONENT(MyComponent)

3. 实现 Init 和 Proc 函数（源文件）：

Init()：初始化时调用一次，用于加载配置、初始化资源
Proc()：每次收到输入数据时被框架调度调用

4. 配置 DAG 文件：

protobuf

module_config {
  module_library : "/apollo/bazel-bin/my_component/libmy_component.so"
  components {
    class_name : "MyComponent"
    config {
      name : "my_component"
      readers {
        channel: "/apollo/my_input_channel"
      }
    }
  }
}

5. 配置 Launch 文件：

xml

<cyber>
    <module>
        <name>my_component</name>
        <dag_conf>/apollo/my_component/my_component.dag</dag_conf>
        <process_name>my_component</process_name>
    </module>
</cyber>

6. 编译与运行：

bash

# 编译
bash apollo.sh build

# 配置环境
source cyber/setup.bash

# 启动（二选一）
cyber_launch start my_component/my_component.launch
# 或
mainboard -d my_component/my_component.dag

除了标准 Component（数据触发），CyberRT 还支持 TimerComponent（定时触发），适用于不依赖外部消息、按固定频率执行的算法模块。

Q6: Dreamview 是什么？如何使用？

Dreamview 是 Apollo 的可视化与仿真调试工具，提供基于 Web 的图形界面，用于查看车辆状态、传感器数据、规划轨迹等信息。

Dreamview 版本：

Dreamview（经典版）：Apollo 早期版本提供的可视化工具，默认端口 8888
Dreamview Plus（新版）：Apollo 9.0 引入的全新开发者工具，提供模式切换、面板自定义布局、资源中心等增强功能

Dreamview 的主要功能：

可视化显示：实时显示车辆位置、障碍物、规划轨迹、车道线、交通信号灯等
模块管理：启动/停止各个功能模块（感知、规划、控制等）
仿真调试：在 Apollo 8.0+ 集成了本地仿真器，支持 PnC（Planning and Control）开发者直接在 Dreamview 中进行仿真调试
数据回放：加载 Record 文件进行离线数据回放和分析
车辆配置：选择和切换车辆配置、地图等

启动 Dreamview：

bash

# 在 Apollo Docker 容器内
bash scripts/bootstrap.sh

启动后在浏览器访问 http://localhost:8888 即可打开 Dreamview。如果从远程主机访问，需将 localhost 替换为 Apollo 主机的实际 IP 地址。

常见问题：

无法访问页面：检查 Dreamview 进程是否正常运行（ps aux | grep dreamview）
页面空白：确认编译成功，且 bootstrap.sh 执行无报错
远程访问被拒：检查防火墙是否放行 8888 端口

Q7: Apollo 如何处理传感器数据（LiDAR、Camera、Radar）？

Apollo 的感知模块（Perception）采用多传感器融合架构处理各类传感器数据：

LiDAR 处理流程：

驱动层通过 CyberRT Channel 发布原始点云数据
点云预处理：地面检测（pointcloud_ground_detection）、ROI 过滤（pointcloud_map_based_roi）
目标检测：支持多种检测模型，包括 lidar_detection、lidar_cpdet_detection、lidar_segmentation 等
目标跟踪：lidar_tracking 模块对检测结果进行多帧关联和跟踪

Camera 处理流程：

驱动层发布图像数据
目标检测：支持单阶段（camera_detection_single_stage）和多阶段（camera_detection_multi_stage）检测
Apollo 9.0+ 新增 BEV（Bird's Eye View）视角检测（camera_detection_bev）和 Occupancy 检测（camera_detection_occupancy）
位置估计和精细化：camera_location_estimation 和 camera_location_refinement
目标跟踪：camera_tracking

Radar 处理流程：

毫米波雷达数据通过 third_party_perception 模块或直接融合处理
Apollo 9.0+ 新增对 4D 毫米波雷达的支持

多传感器融合：

multi_sensor_fusion 模块将来自 LiDAR、Camera、Radar 的检测结果进行时空对齐和融合，输出统一的障碍物列表，包含位置、速度、类别、置信度等信息，供下游预测和规划模块使用。

附加功能：

lane_detection：车道线检测
barrier_recognition：护栏识别
motion_service：运动状态服务

Q8: 如何运行仿真测试？

Apollo 提供多种仿真测试方式：

方式一：Dreamview 数据回放仿真

最常用的方式，通过回放预录制的 Record 数据来验证算法：

bash

# 在 Docker 容器内启动 Dreamview
bash scripts/bootstrap.sh

# 回放 Record 文件
cyber_recorder play -f /path/to/your_record_file -l  # -l 表示循环播放

在 Dreamview 界面中可以实时查看回放数据的感知结果、规划轨迹等。

方式二：Dreamview 内置仿真器（Apollo 8.0+）

Apollo 8.0 在 Dreamview 中集成了本地仿真器，主要面向 PnC（规划与控制）开发者：

在 Dreamview 中选择仿真模式
选择测试场景
启动仿真，观察规划和控制模块的表现

方式三：Apollo 云端仿真平台

百度 Apollo 提供云端仿真服务（Apollo Studio），支持：

大规模场景测试
自动化回归测试
多种天气和光照条件模拟

仿真调试技巧：

使用 cyber_monitor 工具实时监控各 Channel 的数据频率和内容
使用 cyber_recorder 录制特定 Channel 的数据用于后续分析
结合日志（AINFO、ADEBUG、AERROR）定位问题

Q9: 如何进行传感器标定（Calibration）？

传感器标定是实车部署前的关键步骤，用于确定各传感器之间以及传感器与车辆之间的空间变换关系。

Apollo 支持的标定类型：

LiDAR 到 IMU/GNSS 的外参标定
Camera 到 LiDAR 的外参标定
Radar 到 Camera 的外参标定
Camera 内参标定

标定前置条件：

所有传感器正常输出数据（可通过 cyber_channel echo 命令验证）：

bash

# 检查 LiDAR 数据
cyber_channel echo /apollo/sensor/velodyne64/VelodyneScanUnified

定位状态良好（RTK_FIXED，pos_type = 56）：

bash

cyber_channel echo /apollo/sensor/gnss/ins_stat

在开阔、特征丰富的场地采集标定数据

标定流程：

按照要求采集标定数据（通常需要驾驶车辆以特定模式行驶）
使用 Apollo 标定工具处理数据
检查标定结果质量：良好的标定会产生锐利清晰的拼接点云，可清楚反映建筑立面、路灯杆、路沿等细节
将标定结果（extrinsics 文件）放置到对应的车辆配置目录

标定质量检查：

观察点云拼接结果，好的标定结果会产生清晰的点云，差的标定会出现模糊、重影
以建筑立面、灯杆、路沿等直线特征作为参照物

常见问题：

标定程序权限错误：为输出目录添加写权限 sudo chmod a+w /apollo/modules/calibration/data/<vehicle> -R
日志权限错误：sudo chmod a+x /apollo/data/log

Q10: Apollo 的地图格式是什么？如何制作高精地图？

Apollo 高精地图格式：

Apollo 使用自定义的 OpenDRIVE 扩展格式（通常称为 Apollo OpenDRIVE 或 Apollo HD Map 格式），以 Protobuf 二进制或 XML 格式存储。地图数据位于 modules/map/ 目录下。

地图核心数据结构包括：

Road：道路信息
Lane：车道信息，包括车道线类型、限速、转向等
Junction：交叉路口
Signal：交通信号灯
StopSign：停止标志
Crosswalk：人行横道
ParkingSpace：停车位
SpeedBump：减速带

地图相关工具（modules/tools/ 目录）：

create_map：地图创建工具
map_gen：地图生成工具
mapshow / mapviewers：地图可视化查看工具
map_datachecker：地图数据检查工具

高精地图制作流程概述：

使用搭载 LiDAR 和 GNSS/IMU 的采集车辆在目标区域行驶，采集点云和定位数据
对采集的点云数据进行拼接，生成高精度三维点云地图
在点云地图基础上标注车道线、交通标志、信号灯等语义信息
导出为 Apollo 兼容的地图格式
使用地图检查工具验证地图质量

使用现有地图：

Apollo 附带了若干示例地图（位于 modules/map/data/ 目录），可直接用于仿真和测试。在 Dreamview 中可以切换不同的地图。

Q11: 如何在实车上部署 Apollo？

实车部署是一个系统工程，主要步骤如下：

1. 硬件准备：

线控车辆（Apollo 主要在 Lincoln MKZ 上验证）
工控机（IPC），满足算力要求
传感器套件（LiDAR、Camera、Radar、GNSS/IMU）
CAN 卡（用于车辆线控通信）

2. 硬件安装与接线：

按照 Apollo 硬件安装指南完成传感器安装、接线和供电配置。

3. 软件环境部署：

bash

# 在工控机上安装 Docker 和 NVIDIA 驱动
# 启动 Apollo 运行时容器
bash docker/scripts/runtime_start.sh

# 进入容器
bash docker/scripts/runtime_into.sh

注意：实车部署使用 runtime_start.sh（运行时容器），而非开发时使用的 dev_start.sh（开发容器）。

4. 传感器标定：

完成所有传感器的外参标定（参见 Q9）。

5. 车辆适配与配置：

配置 CAN 总线通信参数（modules/canbus/）
配置车辆动力学参数
在 Dreamview 中选择正确的车辆配置

6. 分步验证：

强烈建议按照 Apollo 版本路线逐步验证：

先验证 GPS 循迹（Apollo 1.0 级别功能）
再验证带感知的固定车道巡航
最后进行复杂场景测试

安全注意事项：

始终确保安全员在驾驶位
初次测试应在封闭场地进行
确认紧急停车机制（E-Stop）可靠

Q12: Bazel 构建系统的常见问题

Apollo 使用 Bazel 作为构建系统。以下是常见问题和解决方法：

问题：编译缓存占用空间过大

Bazel 的编译缓存默认存储在 /apollo/.cache/ 目录下，大型项目可能占用数十 GB 空间。

bash

# 清除编译缓存
rm -rf /apollo/.cache/{bazel,build,repos}

问题：编译速度慢

确保分配了足够的内存（建议 16GB+）
使用 --jobs 参数控制并行编译数：bazel build --jobs=8 //modules/planning/...
增量编译：只编译修改过的模块，而非全量编译

问题：依赖下载失败

Bazel 需要从网络下载外部依赖，在国内网络环境下可能遇到超时：

使用 Apollo Docker 镜像（已预置大部分依赖）
配置代理或使用国内镜像源

问题：BUILD 文件语法错误

bash

# 检查 BUILD 文件格式
# Apollo 使用 Starlark 语法（类 Python），注意使用 load() 导入规则
load("@rules_cc//cc:defs.bzl", "cc_binary", "cc_library")

问题：Protobuf 编译错误

Apollo 大量使用 Protobuf 定义数据结构。如果修改了 .proto 文件：

确保 BUILD 文件中正确声明了 proto_library 和对应的 cc_proto_library
检查 proto 文件的 import 路径是否正确

常用编译命令：

bash

# 全量编译
bash apollo.sh build

# 编译特定模块
bazel build //modules/planning/...

# 编译并运行测试
bazel test //modules/planning/...

# 清除编译输出
bazel clean --expunge

Q13: 如何切换/适配不同的车辆平台？

Apollo 支持适配不同的线控车辆平台，主要涉及以下配置：

车辆适配的核心模块：

modules/canbus/：CAN 总线通信模块，处理与车辆底盘的通信
modules/canbus_vehicle/：各车辆平台的具体协议实现
modules/control/：控制模块，需要根据车辆动力学特性调整参数

适配步骤：

实现 CAN 协议：根据目标车辆的 CAN 通信协议，在 modules/canbus_vehicle/ 下创建新的车辆协议实现。Apollo 提供了协议生成工具（modules/tools/gen_vehicle_protocol/）辅助生成协议代码框架。
配置车辆参数：包括车辆长宽高、轮距、轴距、最大转向角、最大加减速度等物理参数。
调整控制参数：根据车辆的响应特性调整 PID 控制器参数或 MPC 控制器参数。
配置传感器布局：根据传感器在新车辆上的实际安装位置，更新传感器外参配置。
在 Dreamview 中注册：将新车辆配置注册到 Dreamview 中，使其可以在界面中选择。

注意事项：

不同车辆平台的线控响应特性差异较大，控制参数需要在实车上反复调试
建议先在低速封闭场地验证基本的线控功能（油门、刹车、转向）
安全起见，初次调试时应限制最大车速和最大转向角

Q14: Apollo 支持哪些深度学习模型？如何替换？

Apollo 感知模块集成了多种深度学习模型：

LiDAR 检测模型：

PointPillars 系列
CenterPoint 系列
自研的 CPDET（lidar_cpdet_detection）模型
LiDAR 分割模型（lidar_segmentation）

Camera 检测模型：

单阶段检测（camera_detection_single_stage）
多阶段检测（camera_detection_multi_stage）
BEV 检测（camera_detection_bev）— Apollo 9.0+ 新增
Occupancy 检测（camera_detection_occupancy）— Apollo 9.0+ 新增

车道线检测模型：

lane_detection 模块中的深度学习模型

模型替换方法：

使用 Apollo 增量训练：Apollo 9.0+ 开放了 LiDAR 和 Camera 检测模型的增量训练方法，可以在已有模型基础上用自己的数据进行微调。
替换推理模型：
- 将训练好的模型导出为 Apollo 支持的推理格式（通常为 ONNX 或 LibTorch）
- 替换对应模块 data/ 或 model/ 目录下的模型文件
- 修改对应的配置文件，指定新模型路径和参数
自定义感知插件：Apollo 9.0+ 通过 perception_plugin 机制支持以插件方式扩展感知算法，无需修改主干代码。

模型推理框架：

x86_64 平台：LibTorch 1.7.0
aarch64 平台：LibTorch 1.11.0（Apollo 2024 年 11 月更新）
同时支持 TensorRT 加速推理

Q15: 常见编译错误和解决方法

错误：CUDA 相关编译失败

nvcc fatal: Unsupported gpu architecture 'compute_XX'

确认 CUDA 版本与 GPU 架构匹配。Apollo 当前使用 CUDA 11.8，支持 NVIDIA Ada Lovelace（40 系列）及之前的 GPU。确保 NVIDIA 驱动版本 >= 520.61.05。

错误：内存不足（OOM）

C++ compilation of rule ... failed: (Exit 137)

Bazel 并行编译可能耗尽内存。解决方法：

bash

# 减少并行 job 数
bazel build --jobs=4 //modules/...
# 或为容器分配更多内存

错误：Docker 容器内 GPU 不可用

bash

# 确认 NVIDIA Container Toolkit 已安装
nvidia-smi  # 在容器内执行，应能看到 GPU 信息

# 如果无法看到，重启容器
bash docker/scripts/dev_start.sh

错误：Protobuf 版本冲突

如果引入第三方库导致 Protobuf 版本冲突，需确保所有依赖使用 Apollo 内置的 Protobuf 版本。

错误：source cyber/setup.bash 失败

确保在 Apollo Docker 容器内执行，且已完成编译。该脚本设置 CyberRT 相关的环境变量和路径。

升级后编译失败：

拉取新版本代码后，建议清除旧的编译缓存：

bash

rm -rf /apollo/.cache/{bazel,build,repos}
# 重启容器
bash docker/scripts/dev_start.sh
bash docker/scripts/dev_into.sh
# 重新编译
bash apollo.sh build

调试建议：

使用 AINFO、ADEBUG、AERROR 等日志宏输出调试信息
大多数问题可以通过日志定位，如需更详细调试可使用 GDB（Apollo 提供了 dev_start_gdb_server.sh 脚本）

Q16: 如何使用 Record 进行数据回放？

Record 是 CyberRT 的数据录制和回放格式（类似 ROS 中的 rosbag），用于记录和重放各 Channel 上的消息数据。

录制数据：

bash

# 录制所有 Channel
cyber_recorder record -a -o /path/to/output.record

# 录制指定 Channel
cyber_recorder record -c /apollo/sensor/lidar128/compensator/PointCloud2 \
  -c /apollo/localization/pose \
  -c /apollo/perception/obstacles \
  -o /path/to/output.record

查看 Record 信息：

bash

# 查看 Record 文件的基本信息
cyber_recorder info /path/to/your.record

该命令会显示 Record 文件的时长、消息数量、包含的 Channel 列表及每个 Channel 的消息类型和数量。

回放数据：

bash

# 基本回放
cyber_recorder play -f /path/to/your.record

# 循环回放
cyber_recorder play -f /path/to/your.record -l

# 指定回放速率（0.5 表示半速）
cyber_recorder play -f /path/to/your.record -r 0.5

# 回放指定 Channel
cyber_recorder play -f /path/to/your.record -c /apollo/sensor/lidar128/compensator/PointCloud2

配合 Dreamview 使用：

启动 Dreamview：bash scripts/bootstrap.sh
在 Dreamview 中选择对应的地图和车辆配置
启动需要测试的模块（如 Perception、Planning）
在另一个终端回放 Record 文件
在 Dreamview 界面中实时查看各模块的处理结果

其他 CyberRT 工具：

cyber_monitor：实时监控各 Channel 的数据频率和内容
cyber_channel list：列出当前活跃的 Channel
cyber_channel echo <channel_name>：打印指定 Channel 的实时数据
cyber_node list：列出当前活跃的 Node
cyber_launch start <launch_file>：通过 Launch 文件启动组件

常见问题：

回放时模块未收到数据：检查 Record 中的 Channel 名称是否与模块订阅的 Channel 一致
回放数据时间戳过旧：某些模块可能会丢弃时间戳过旧的数据，使用 Dreamview 的 "Sim Control" 模式可以解决此问题

版本更新日志

Apollo 自动驾驶开放平台自 2017 年首次发布以来，经历了从基础 GPS 循迹到城市复杂道路全场景自动驾驶的完整演进。以下按版本梳理各阶段的核心变更与架构演进。

Apollo 11.0（2026 年 1 月）

Apollo 11.0 聚焦功能型无人车在高价值场景中的大规模部署，全面升级感知、定位、规划与开发工具链，显著降低软硬件开发门槛。

面向快递配送、清扫、安防巡逻、园区接驳等高价值场景，新增坡道起停、自动恢复、贴边行驶等关键能力
支持端到端运营闭环：车辆准备 → 路线规划 → 自动驾驶 → 任务执行 → 异常处理 → 回场泊车
工业级高精度定位：融合 RTK、SLAM、视觉与轮速计，在城市峡谷、地下车库、全室内等 GNSS 受限环境实现厘米级精度
新增闸机识别能力，打通公共道路与封闭园区的无缝衔接
升级 BEV + OCC 感知架构，深度集成百度百舸 AI 算力平台，支持增量训练

Apollo 10.0（2024 年 12 月）

Apollo 10.0 面向大规模场景化应用进行全面升级，在性能、成本和安全三个维度同步发力。

CyberRT 框架升级：零拷贝通信，微秒级传输延迟，性能提升 10 倍
全新性能分析工具：实时监控 CPU、GPU、内存、显存、IO 五大资源，支持函数级精准定位
纯视觉感知方案：引入 BEV 目标检测与占用网络，单 Orin 平台推理帧率达 5Hz
框架层对接 ROS 生态，插件化工程设计简化扩展，降低软件复用成本
硬件生态扩展至 32+ 厂商、73+ 设备，核心设备数量翻倍
功能安全体系：遵循 ISO 26262 与 ISO 21448 标准，从异常检测到 MRC 策略执行延迟低于 1ms

Apollo 9.0（2023 年 12 月）

Apollo 9.0 引入包管理 2.0，重塑 PnC 与感知的扩展开发模式，让开发者更便捷地基于 Apollo 构建自己的自动驾驶应用。

PnC 扩展开发模式：统一外部接口解耦操作层与 PnC 模块，新增插件扩展方式，全局/局部参数分离
感知扩展开发模式：按功能粒度重新拆分感知组件，新增插件开发模式便于替换算法，简化统一配置
全新 Dreamview Plus 开发者工具：基于"模式"组织使用场景，面板自定义布局，资源中心提供地图、场景、车辆配置等
感知模型全面升级：LiDAR 默认采用 CenterPoint 替代 CNNSeg，Camera 默认采用 YOLOX + YOLO3D 替代原 YOLO 模型
支持增量训练与 4D 毫米波雷达
适配 ARM 架构，支持在 Orin 上编译运行

Apollo 8.0（2022 年 12 月）

Apollo 8.0 引入包管理（Package）概念，为自动驾驶开发者提供可扩展的软件框架与完整开发周期。

基于 Package 重组模块，支持自定义、发布与共享，提供快速安装体验
三个全新深度学习模型：CenterPoint（3D 障碍物检测）、CaDDN（相机障碍物检测）、BEV PETR（相机障碍物检测）
完整感知开发流程：Paddle3D 模型训练 → 模型部署工具 → Dreamview 可视化验证
PnC 仿真服务升级：Dreamview 集成本地仿真器，支持在线场景编辑与下载

Apollo 7.0（2021 年 12 月）

Apollo 7.0 引入三个全新深度学习模型，并推出 Apollo Studio 一站式在线开发平台。

Mask-Pillars 障碍物检测模型（基于 PointPillars）
Inter-TNT 交互式预测模型
SMOKE 相机障碍物检测模型
Apollo Studio：练习环境服务、车辆管理服务
PnC 强化学习服务：智能训练与评估闭环
感知模块代码结构升级

Apollo 6.0（2020 年 9 月）

Apollo 6.0 引入新的深度学习模型与数据流水线服务，并首次集成无人驾驶研究功能。

PointPillars 障碍物检测模型、语义地图行人预测模型、基于学习的轨迹规划模型
数据流水线服务：低速障碍物预测模型训练、PointPillars 模型训练、控制标定、车辆动力学模型训练、开放空间规划标定、控制参数自动调优
无人驾驶研究：DreamView 集成远程控制接口、基于音频的紧急车辆检测

Apollo 5.5（2020 年 1 月）

Apollo 5.5 引入路沿到路沿（curb-to-curb）驾驶支持，向全自动城市道路驾驶迈进关键一步。

全新 Storytelling 模块
场景化规划新增 Park-and-go、Emergency 场景
预测模型：Semantic LSTM 评估器、Extrapolation 预测器
控制模块：模型参考自适应控制（MRAC）、控制标定服务
数据流水线：传感器标定服务

Apollo 5.0（2019 年 6 月）

Apollo 5.0 面向地理围栏自动驾驶的量产支持，车辆具备 360 度感知能力。

场景化规划升级：新增 Open Space Planner，支持交叉路口（停车标志、红绿灯、无保护路口）、泊车（代客泊车、靠边停车）
全新感知算法与传感器标定服务
仿真平台 Dreamland：场景编辑器、控制在环仿真
Apollo 合成数据集发布

Apollo 3.5（2019 年 1 月）

Apollo 3.5 是架构演进的里程碑版本，引入全新运行时框架 CyberRT，具备 360 度感知能力，可在住宅区和市中心等复杂场景中自动驾驶。

Apollo CyberRT：专为自动驾驶设计的全新运行时框架，替代此前基于 ROS 的架构，显著提升实时性与可靠性
传感器套件升级：VLS-128 线激光雷达、FPD-Link 相机、大陆远程毫米波雷达、Apollo 扩展单元（AXU）
场景化规划与 Open Space Planner
V2X 车路协同能力
开放车辆认证平台新增 GAC GE3、GWM WEY VV6

Apollo 3.0（2018 年 7 月）

Apollo 3.0 实现 L4 级产品化方案，支持封闭场地低速自动驾驶，车企可直接使用而无需自行定制。

全新安全模块 Guardian，增强监控模块 Monitor
硬件服务层平台化改造，开发者可灵活集成自有硬件
Apollo 传感器单元（ASU）与超声波传感器
感知模块重大升级：
- CIPV（最近车道内车辆）检测与跟车
- 异步传感器融合：LiDAR、Radar、Camera 数据异步融合
- 在线位姿估计：逐帧估计自车位姿，提升坡道场景 3D 理解
- 超声波传感器支持，可用于 AEB 与垂直泊车
- 完整车道线检测与视觉定位
- 16 线激光雷达支持

Apollo 2.5（2018 年 4 月）

Apollo 2.5 支持地理围栏高速公路自动驾驶，车辆可进行车道保持巡航并避免与前车碰撞。

多传感器融合（MSF）定位升级
DreamView 可视化功能增强
高精地图数据采集工具
基于视觉的感知：障碍物与车道线检测
相对地图支持 ACC 与车道保持
Docker 镜像支持

Apollo 2.0（2017 年 12 月）

Apollo 2.0 支持简单城市道路自动驾驶，车辆可巡航、避障、识别红绿灯并变道到达目的地。

红绿灯检测
障碍物分类：车辆、行人、骑行者、未知
规划模块升级：支持变道到达目的地
点云定位算法融合 RTK
MPC 控制算法
RNN 交通预测模型
HMI 与 DreamView 整合重构，新增调试可视化工具
Docker 镜像安全 OTA 升级、USB 相机与雷达驱动支持

Apollo 1.5（2017 年 9 月）

Apollo 1.5 支持固定车道巡航，首次引入感知、预测、规划等核心模块。

感知：基于 3D 点云的障碍物检测与跟踪（GPU 加速）
预测：深度神经网络 MLP 预测模型，多预测器处理不同类别障碍物
规划：交通法规模块，DP/QP 多轮优化路径与速度
端到端：卷积 LSTM（纵向）+ FCNN（横向）混合深度神经网络
HD Map 引擎 API
Velodyne 64 线激光雷达驱动
DreamView 实时交通显示与场景回放

Apollo 1.0（2017 年 7 月）

Apollo 的首个版本，实现基于 GPS 航点的自动循迹，适用于测试场或停车场等封闭场地。

定位：RTK
控制：纵向标定表 + 横向 LQR
GPS/IMU GNSS 驱动
HMI 轨迹录制与回放，DreamView 轨迹可视化

贡献者

Steven Moder

页面历史

最后编辑于 5 天前

查看完整历史

贡献指南 ​

项目愿景与目标 ​

治理模型 ​

维护者（Maintainers） ​

提交者（Committers） ​

贡献者（Contributors） ​

贡献方式 ​

代码贡献 ​

文档贡献 ​

问题报告 ​

社区支持 ​

开发环境搭建 ​

系统要求 ​

环境搭建步骤 ​

技术栈概览 ​

贡献工作流 ​

第一步：签署 CLA ​

第二步：选择任务 ​

第三步：创建分支并开发 ​

第四步：编写代码 ​

第五步：编写提交信息 ​

第六步：提交前检查 ​

第七步：创建 Pull Request ​

代码审查流程 ​

行为准则 ​

我们鼓励的行为 ​

不可接受的行为 ​

冲突解决 ​

社区渠道 ​

许可证 ​

常见问题 FAQ ​

Q1: 什么是 Apollo？它能做什么？ ​

Q2: Apollo 支持哪些硬件平台？系统要求是什么？ ​

Q3: 如何搭建 Apollo 开发环境？Docker 还是本地编译？ ​

Q4: CyberRT 是什么？它和 ROS 有什么区别？ ​

Q5: 如何创建自定义模块/Component？ ​

Q6: Dreamview 是什么？如何使用？ ​

Q7: Apollo 如何处理传感器数据（LiDAR、Camera、Radar）？ ​

Q8: 如何运行仿真测试？ ​

Q9: 如何进行传感器标定（Calibration）？ ​

Q10: Apollo 的地图格式是什么？如何制作高精地图？ ​

Q11: 如何在实车上部署 Apollo？ ​

Q12: Bazel 构建系统的常见问题 ​

Q13: 如何切换/适配不同的车辆平台？ ​

Q14: Apollo 支持哪些深度学习模型？如何替换？ ​

Q15: 常见编译错误和解决方法 ​

Q16: 如何使用 Record 进行数据回放？ ​

版本更新日志 ​

Apollo 11.0（2026 年 1 月） ​

Apollo 10.0（2024 年 12 月） ​

Apollo 9.0（2023 年 12 月） ​

Apollo 8.0（2022 年 12 月） ​

Apollo 7.0（2021 年 12 月） ​

Apollo 6.0（2020 年 9 月） ​

Apollo 5.5（2020 年 1 月） ​

Apollo 5.0（2019 年 6 月） ​

Apollo 3.5（2019 年 1 月） ​

Apollo 3.0（2018 年 7 月） ​

Apollo 2.5（2018 年 4 月） ​

Apollo 2.0（2017 年 12 月） ​

Apollo 1.5（2017 年 9 月） ​

Apollo 1.0（2017 年 7 月） ​

贡献者

页面历史

贡献指南

项目愿景与目标

治理模型

维护者（Maintainers）

提交者（Committers）

贡献者（Contributors）

贡献方式

代码贡献

文档贡献

问题报告

社区支持

开发环境搭建

系统要求

环境搭建步骤

技术栈概览

贡献工作流

第一步：签署 CLA

第二步：选择任务

第三步：创建分支并开发

第四步：编写代码

第五步：编写提交信息

第六步：提交前检查

第七步：创建 Pull Request

代码审查流程

行为准则

我们鼓励的行为

不可接受的行为

冲突解决

社区渠道

许可证

常见问题 FAQ

Q1: 什么是 Apollo？它能做什么？

Q2: Apollo 支持哪些硬件平台？系统要求是什么？

Q3: 如何搭建 Apollo 开发环境？Docker 还是本地编译？

Q4: CyberRT 是什么？它和 ROS 有什么区别？

Q5: 如何创建自定义模块/Component？

Q6: Dreamview 是什么？如何使用？

Q7: Apollo 如何处理传感器数据（LiDAR、Camera、Radar）？

Q8: 如何运行仿真测试？

Q9: 如何进行传感器标定（Calibration）？

Q10: Apollo 的地图格式是什么？如何制作高精地图？

Q11: 如何在实车上部署 Apollo？

Q12: Bazel 构建系统的常见问题

Q13: 如何切换/适配不同的车辆平台？

Q14: Apollo 支持哪些深度学习模型？如何替换？

Q15: 常见编译错误和解决方法

Q16: 如何使用 Record 进行数据回放？

版本更新日志

Apollo 11.0（2026 年 1 月）

Apollo 10.0（2024 年 12 月）

Apollo 9.0（2023 年 12 月）

Apollo 8.0（2022 年 12 月）

Apollo 7.0（2021 年 12 月）

Apollo 6.0（2020 年 9 月）

Apollo 5.5（2020 年 1 月）

Apollo 5.0（2019 年 6 月）

Apollo 3.5（2019 年 1 月）

Apollo 3.0（2018 年 7 月）

Apollo 2.5（2018 年 4 月）

Apollo 2.0（2017 年 12 月）

Apollo 1.5（2017 年 9 月）

Apollo 1.0（2017 年 7 月）