自百度Apollo自动驾驶平台开源以来，已快速迭代至 3.5 版本，代码行数超过 39 万行，合作伙伴超过 130 家，吸引了来自 97 个国家的超 15000 名开发者。无疑，Apollo 是目前世界范围内最活跃的自动驾驶开放平台之一。

最新发布的 Apollo 3.5 总体架构从上到下仍分为四层，最底层为车辆平台，自动驾驶汽车需要对车辆进行线控改造，使得车载大脑可以通过电信号来控制车辆的执行器；往上一层是硬件平台，包括计算单元、传感器以及 V2X 相关接收设备等。再上一层是软件平台，主要包括操作系统、中间件、算法模块等。最顶层的是云端服务，主要包括地图、OTA 服务升级、数据平台、语音交互等方面。

此次发布的Apollo 3.5，解锁了Apollo 在复杂城市道路中的自动驾驶能力，并开源了 Cyber RT 计算框架、V2X 车路协同方案以及硬件平台的一些能力。

随着自动驾驶技术不断发展，Apollo 已经从研发走向量产产品落地。作为 Apollo 开源软件平台的一部分，Apollo Cyber RT 处于底层的实时操作系统（RTOS） 和算法模块之间，那么如何能够在保证高吞吐的情况下，又能低延迟的实时响应上层任务，并保证整个系统确定性的运转，1 月 24 日，在 CSDN 平台上举办的 Apollo 开发者社区公开课上，百度主任架构师王柏生就 Cyber RT 的设计思考，总体架构以及关键模块相关细节同开发者做了分享。

从 ROS 系统说起

Apollo 最初用的中间件是 ROS（机器人操作系统），概括来说，ROS 系统主要包含三方面：

第一是通信系统，ROS 是个分布式的松耦合系统，算法模块是以独立的进程形式存在的，也就是我们常说的 Node。ROS 基于 Socket 实现了pub/sub 的通信方式，不同的算法节点（node）之间通过 pub/sub 的发送/接收消息。

第二是 Framework&Tools （框架和工具），开发者可以基于 ROS 提供的 Client Library 和通信层，方便的收发消息。开发者只需要关注消息处理相关的算法，而至于算法何时被调用，全部由框架来处理。

第三是生态系统，从社区内，开发者可以很方便地寻找到很多现成的「传感器驱动」和「算法实现」等进行参考。

随着自动驾驶的发展，不少开发者，包括 Apollo 平台，把 ROS 应用于自动驾驶系统，毕竟自动驾驶汽车也相当于一个大的机器人。但是我们在实践中也遇到了很多挑战：

• 首先，ROS 中的算法模块是以独立的进程形式存在的，那么这些进程之间应该以什么样的顺序去执行？实际上，Linux 本身是一个通用系统，内核中的调度器对上面的算法业务逻辑并不清楚，它只是在尽量满足公平的情况下让大家都得到调度。所以，ROS Node 运行顺序并无任何逻辑。

  但本质上自动驾驶是一个专用系统，任务应该按照一定的业务逻辑执行。那么是在 ROS 层加一个 Node,由其来同步各个算法任务的运行，还是在Linux 内核中实现新的调度策略，使其结合算法业务逻辑进行调度？前者的开销，后者的迁移性，都是需要思考的问题。

• 其次，ROS 是一个分布式的系统。既然是分布式，就要有通信的开销。即使在同一个物理节点上，依然存在着通信的开销。所以 Apollo 前期曾经使用共享内存去降低 ROS 原生的基于 Socket 通信的开销。ROS 2 也在使用 DDS 解决通信方面的实时性。ROS 也支持 Nodelet 模式，这可以去掉进程间通信的开销，但是调度的挑战依然存在。

• 第三，除了调度的不确定性，ROS 系统中还存在其他很多不确定的地方，比如内存的动态申请。

Cyber RT 的运行流程

算法模块通过有向无环图（DAG），配置任务间的逻辑关系。对于每个算法，也有其优先级、运行时间、使用资源等方面的配置。系统启动时，结合DAG、调度配置等，创建相应的 任务，从框架内部来讲，就是协程，调度器把任务放到各个 Processor 的队列中。然后，由 Sensor 输入的数据，驱动整个系统运转。

Cyber RT 架构

基本上，Cyber RT 包括如下软件模块：

最下面一层是基础库，为了高效，Cyber RT 实现了自己的基础库。比如我们实现了 Lock-Free 的对象池，实现了 Lock-Free 的队列，随着成熟，会陆续开放更多。除了框架自身外，将来也会逐渐应用于算法模块。除了效率原因为，也希望 Cyber RT 减少依赖。

再往上是通信相关的，包括服务发现，还有 Publish-Subscribe 通信机制。 Cyber RT 也支持跨进程、跨机通信，上层业务逻辑无需关心，通信层会根据算法模块的部署，自动选择相应通信机制。

通信层之上是 数据缓存/融合层，多路传感器之间数据需要融合，而且算法可能需要缓存一定的数据。比如典型的仿真应用，不同算法模块之间需要有一个数据桥梁，数据层起到了这个模块间通信的桥梁的作用。

再往上是计算模型，计算模型包括刚才前面提到的调度和任务，后面我们会详细讨论。

计算模型之上是为开发者提供的接口。Cyber RT为开发者提供了Component 类，开发者的算法业务模块只需要继承该类，实现其中的 Proc 接口即可。该接口类似于 ROS 中的 Callback，消息通过参数的方式传递，用户只要在Proc中实现算法、消息处理相关的逻辑。Cyber RT 也基于协程，为开发者提供了并行计算相关的接口。

Cyber RT 也为开发者提供了开发调试、录制回放等工具，未来还会开放性能调试工具。

从内核空间到用户空间

ROS 的主要挑战之一是没有调度，为了解决 ROS 遇到的问题，Cyber RT 的核心设计将调度、任务从内核空间搬到了用户空间。调度可以和算法业务逻辑紧密结合。

从 Cyber RT 角度，OS 的 Native thread 相当于物理 CPU。

在 OS 中，是内核中的调度器负责调度任务（进程、线程…）到物理 CPU 上运行。而在 Cyber RT 中，Cyber RT 中的调度器调度协程（Coroutine）在 Native Thread 上有序运行。

编排调度策略

任务编排策略是 Cyber RT 开源的主要策略之一。每个 Processor (Native Thread) 一个任务队列，由调度器编排队列中的任务。任务在哪个 CPU 上运行？任务之间是否需要相邻运行？哪些先运行？哪些后运行？都由调度器统一调度，任务基于协程实现。在任务阻塞时，快速让出 CPU。

每个物理 CPU 上除运行1个 normal 级别的 thread 外，运行着另外 1+ 个高优先级的 thread，基于此，实现用户空间的高优先级的任务抢占运行。比如，之前去 GPU 运行的算法，在 GPU 上完成运行返回后，应该尽快的得到运行。

这种调度策略，很好的结合了业务逻辑、数据共享和算力的平衡。并且任务不会在不同 CPU 上随机的调度来调度去，具有非常好的 Cache 友好性。

经典调度策略

任务编排策略，不仅需要对业务逻辑的深度理解，也需要结合计算机的算力等综合考虑。因此，Cyber RT 也提供了类似经典线程池模式的调度算法，这种模式几乎不存在配置的代价。对此，Cyber RT 也做了一些改进，比如为了减小锁的瓶颈，任务是多队列的。任务队列也支持优先级，后续还会支持分组，通过组控制算法对资源的使用。

算法任务的载体—协程

Cyber RT 使用了协程作为算法任务的载体。协程之于线程，就类似于线程之于物理 CPU，由 Cyber RT 中的调度器负责在各个线程之上周而复始，切换调度协程。为了算法模块在其他协处理器执行计算时，可以让出Processor(Native Thread)，并在完成之后，回来时可以再次运行，Cyber RT采用了有状态的协程。

那么 Cyber RT 为什么采用协程呢？除了协程的切换非常快之外，调度的确定性是另外一个重要的原因。举个典型的例子，假设用 native thread 去执行一个任务，当任务因为去 GPU 等加速器运算时，或者因为资源原因被Block 时，在 thread 就绪时，什么时候调度上来其实是一个非确定的过程，完全依赖于操作系统以及其上任务的情况。

Cyber RT也支持跨进程、跨机通信

实际部署中，也存在着比如某个工具需要运行在独立的进程，安全系统部署在另外的节点。因此，Cyber RT 也支持跨进程、跨机通信。上层业务逻辑无需关心，通信层会根据算法模块的部署，自动选择相应通信机制。

以上就是本次直播分享的内容。非常感谢大家的参加！也欢迎大家提出问题，进行交流。更多 Apollo 相关的技术干货也可以继续关注 Apollo 开发者社区每月的课程分享，也可以在 Apollo GitHub（https://github.com/ApolloAuto/apollo）上提出技术问题与我们互动，期待大家的沟通交流！