Pipeline
源码路径:
modules/prediction/pipeline/
概述
预测流水线模块负责将高精地图（HD Map）中的矢量化地理要素转换为 VectorNet 模型所需的特征向量。核心思想是将道路、车道边界、交叉路口、人行横道等地图元素编码为等间距采样的折线（polyline），每条折线由起点、终点坐标以及属性标签组成，并在目标障碍物的局部坐标系下进行旋转变换，最终输出可用于深度学习模型训练或推理的特征数据。
该目录包含四个独立的可执行程序：
- VectorNet 核心类（
vector_net.h/vector_net.cc）— 特征提取的核心逻辑 - records_to_offline_data（
records_to_offline_data.cc）— 从录制包批量生成训练数据 - vector_net_feature（
vector_net_feature.cc）— 单次 VectorNet 特征查询工具 - vector_net_offline_data（
vector_net_offline_data.cc）— 批量离线特征提取工具
核心类
VectorNet
定义在 vector_net.h，是整个流水线的核心类，负责从 HD Map 中提取各类地理要素并转换为特征向量。
cpp
class VectorNet {
public:
VectorNet() { apollo::hdmap::HDMapUtil::ReloadMaps(); }
~VectorNet() = default;
bool query(const common::PointENU& center_point, const double obstacle_phi,
FeatureVector* const feature_ptr, PidVector* const p_id_ptr);
bool offline_query(const double obstacle_x, const double obstacle_y,
const double obstacle_phi);
bool offline_query(const double obstacle_x, const double obstacle_y,
const double obstacle_phi, const std::string file_name);
};关键类型别名：
cpp
using FeatureVector = std::vector<std::vector<std::vector<double>>>;
using PidVector = std::vector<std::vector<double>>;FeatureVector 为三层嵌套结构：外层为折线集合，中层为单条折线内的向量序列，内层为单个向量的特征元素（起点 x/y、终点 x/y、保留位、属性值、边界类型、索引）。PidVector 记录每条折线的最小坐标标识（p_id_x, p_id_y）。
枚举类型
cpp
enum ATTRIBUTE_TYPE {
ROAD, LANE_UNKOWN, LANE_DOTTED_YELLOW, LANE_DOTTED_WHITE,
LANE_SOLID_YELLOW, LANE_SOLID_WHITE, LANE_DOUBLE_YELLOW,
LANE_CURB, JUNCTION, CROSSWALK,
};
enum BOUNDARY_TYPE {
UNKNOW, NORMAL, LEFT_BOUNDARY, RIGHT_BOUNDARY,
};ATTRIBUTE_TYPE 对应地图要素类型，BOUNDARY_TYPE 对应边界位置关系。两者分别通过 attribute_map 和 boundary_map 映射为浮点数值，用于特征编码。
核心函数
GetOnePolyline
cpp
template <typename Points>
void GetOnePolyline(const Points& points, double* start_length,
const common::PointENU& center_point,
const double obstacle_phi, ATTRIBUTE_TYPE attr_type,
BOUNDARY_TYPE bound_type, const int count,
std::vector<std::vector<double>>* const one_polyline,
std::vector<double>* const one_p_id);将一组有序点转换为等间距采样的折线向量。核心处理流程：
- 计算输入点序列的累积弧长
s - 以
FLAGS_point_distance为间隔，通过线性插值（lerp）在弧长上等间距采样 - 将采样点从世界坐标转换到以障碍物为中心、朝向为
obstacle_phi的局部坐标系（旋转PI/2 - phi） - 对每对相邻采样点生成特征向量
[d_s_x, d_s_y, d_e_x, d_e_y, 0, 0, attr, bound, count] - 同时维护每条折线的最小坐标
p_id
query
cpp
bool query(const common::PointENU& center_point, const double obstacle_phi,
FeatureVector* const feature_ptr, PidVector* const p_id_ptr);主查询接口，依次调用以下四个子函数提取各类地图要素：
| 函数 | 提取要素 | 说明 |
|---|---|---|
GetRoads | 道路边界 | 遍历 FLAGS_road_distance 范围内道路的外边界多边形，区分左/右/普通边界 |
GetLanes | 车道边界 | 先通过 GetLaneQueue 将离散车道段按前后继关系串联为队列，再分别提取左/右边界折线 |
GetJunctions | 交叉路口 | 提取路口多边形轮廓 |
GetCrosswalks | 人行横道 | 提取人行横道多边形轮廓 |
GetLaneQueue
cpp
void GetLaneQueue(
const std::vector<hdmap::LaneInfoConstPtr>& lanes,
std::vector<std::deque<hdmap::LaneInfoConstPtr>>* const lane_deque_ptr);将查询范围内的离散车道段按拓扑关系（前驱/后继）串联为有序队列，确保跨多段的车道边界可以作为连续折线处理。
offline_query
cpp
bool offline_query(const double obstacle_x, const double obstacle_y,
const double obstacle_phi, const std::string file_name);离线特征提取接口。内部调用 query 获取特征后，将结果序列化为 VectorNetFeature protobuf 并写入 ASCII 文件，便于后续训练流程使用。
配置
模块行为受以下 gflags 控制：
| Flag | 用途 |
|---|---|
FLAGS_point_distance | 折线等间距采样的间隔距离 |
FLAGS_road_distance | 查询中心点周围的道路要素搜索半径 |
FLAGS_prediction_target_file | 默认离线特征输出文件路径 |
FLAGS_prediction_target_dir | 批量离线特征输出目录 |
FLAGS_world_coordinate_file | 世界坐标输入文件（Protobuf 格式） |
FLAGS_prediction_offline_bags | 离线录制包路径列表（冒号分隔） |
FLAGS_prediction_conf_file | 预测模块配置文件路径 |
调用关系
text
records_to_offline_data.cc (main)
└─ GenerateDataForLearning()
├─ ContainerManager / EvaluatorManager / PredictorManager 初始化
└─ MessageProcess::ProcessOfflineData() // 逐包处理录制数据
vector_net_feature.cc (main)
└─ VectorNet::offline_query(x, y, phi) // 单次查询，输出到默认文件
└─ VectorNet::query()
├─ GetRoads()
│ └─ GetOnePolyline()
├─ GetLanes()
│ ├─ GetLaneQueue()
│ └─ GetOnePolyline()
├─ GetJunctions()
│ └─ GetOnePolyline()
└─ GetCrosswalks()
└─ GetOnePolyline()
vector_net_offline_data.cc (main)
└─ 读取 WorldCoord protobuf
└─ VectorNet::offline_query(x, y, phi, file_name) // 逐条记录批量输出
Steven Moder