系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
TODO:写完再整理

文章目录

系列文章目录
前言
一、Autoware和Apollo自动驾驶系统区别
- 1.硬件系统底层方面
- 2.软件系统上层方面
- （1）Autoware使用ROS中间件
- - （1）优点
  - （2）缺点
- （2）Apollo3.5以后的版本使用了自己的CyberRT中间件
- - （1）CyberRT的介绍
  - （2）CyberRT优点
  - （3）CyberRT缺点
- 3.源码开源程度
二、Autoware和Apollo自动驾驶系统的安全程度比较
- 1.Autoware
- - （1）行为安全
  - （2）功能安全
  - （3）碰撞安全性
  - （4）操作安全
- 2.Apollo

前言

认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！

在项目和平时的学习中，我对机器人/无人驾驶的决策规划模块进行了划分，当然划分的方法有很多，我的划分方式仅供参考
（1）动态障碍物行为预测模块（Behavior prediction）–结合感知和高精度地图信息，估计周围障碍物未来运动状态
（2）执行机构的轨迹规划模块（Trajectory_planning）–执行机构如机器人载体上的机械臂、串行云台等的运动轨迹规划
（3）任务决策模块（Mission_planning）–任务决策模块比较偏业务层了，处理机器人/无人驾驶的各种任务，主要分为三个方面：车底盘航线业务决策（交规、横向换道等等）、执行应用机构业务决策（机械臂、人机交互等等）、不同场景的导航方案切换决策（组合导航、融合导航）
（4）前端路径探索模块（path_finding）–全局路径规划算法难度不算复杂，找到一条可通行的（必须满足）、考虑动力学的（尽可能满足）、可以是稀疏的路径base_waypoints【由于其只考虑了环境几何信息，往往忽略了无人机本身的运动学与动力学模型。因此，其得到的轨迹往往显得比较“突兀”，并不适合直接作为无人机的控制指令】
（5）后端轨迹处理模块（motion_planning）–我主要归纳整理为三个方向：（1）对base_waypoints进行简单处理及生成方向、（2）对base_waypoints轨迹优化方向【一般是二次优化，这里用的较多的事优化方面的知识】、（3）进行对应功能的replan方向（replan之前的预处理、进入replan的条件、停障replan、避障replan、纠偏replan、换道replan、自动泊车replan、穿过狭窄道路replan等等），这部分内容使用的方法比较专
（6）路径跟踪模块（trajectory_following）–这个模块就得针对机器人载体了，如无人驾驶使用得阿克曼模型可以采用几何的pure pursuit纯追踪算法，更好的可以用模型预测控制MPC方法，还有强化学习做的（效果怎样我就没验证过了）；当然也可能事麦克纳姆轮车、差速车PID、还有无人机的三维轨迹跟踪等等
（7）碰撞检测模块
（8）集群多机器人规划模块

当然，这种划分方式是我权衡了原理和功能粗略划分的，在实际产品研发过程中，需要理解了各个算法的功能和定位的基础上融汇贯通，不能生搬硬套，如全段通过hybrid A探索出来的路径与A、RRT*探索出来的路径更平滑，后端轨迹优化的任务就不用这么重了；又如，机器人/无人驾驶项目研发的需求业务还没发展到能响应很多功能阶段，任务决策使用简单的状态机（fsm）就可以对现有任务进行状态转移了

本文先对Autoware和Apollo自动驾驶系统的对比做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章

提示：以下是本篇文章正文内容

一、Autoware和Apollo自动驾驶系统区别

1.硬件系统底层方面

（1）Apollo推荐64位x86指令集的CPU加英伟达GPU架构

（2）Autoware主要使用英伟达的AGX Xavier或PX2，也就是推荐ARM的V8指令集架构CPU。当然，也支持64位x86指令集的CPU加英伟达GPU架构
.
.
.

2.软件系统上层方面

相比，Apollo的框架更加丰富和复杂

（1）Autoware使用ROS中间件

（1）优点

Ros作为世界上最丰富的机器人操作系统，积累了大量的经验，避免了开发者重复的开发工作，提高了开发效率

（2）缺点

由于Linux是一个极其开放的开发环境，内核调度器对于算法业务逻辑并不清晰，只能保证公平的分配资源。所以，ROS Node运行顺序并无任何逻辑。【防盗标记–盒子君hzj】但本质上自动驾驶是一个专用系统，任务应按照一定的业务逻辑执行
ROS是针对机器人整个领域的，不是针对无人驾驶车的
.
.
.

（2）Apollo3.5以后的版本使用了自己的CyberRT中间件

（1）CyberRT的介绍

CyberRT从下到上依次的层
（1）基础库：高性能，无锁队列；
（2）通信层：Publish/Subscribe机制，Service/Client机制，服务自发现，自适应的通信机制（共享内存、Socket、进程内）；
（3）数据层：数据缓存与融合。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；
（4）计算层：计算模型，任务以及任务调度；
.
.

（2）CyberRT优点

（1）没有调度，无算法运算逻辑，为了解决这个不足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。之所以能这么做，主要是“协程”的运用。线程分为内核态线程和用户态线程，用户态线程需要绑定内核态线程，CPU并不能感知用户态线程的存在，它只知道它在运行1个线程，这个线程实际是内核态线程。用户态线程实际还有个名字叫协程（co-routine），为了便于区分，我们使用协程指用户态线程，使用线程指内核态线程。协程跟线程是有区别的，线程由CPU调度是抢占式的，协程由用户态调度是协作式的，【防盗标记–盒子君hzj】一个协程让出CPU后，才执行下一个协程

（2）相比Ros，CyberRT增加了Component组件，组件之间通过 Cyber channel 通信。Cyber RT 中用Message实现模块间通信，其实现基于 protobuf。同时，CyberRT也支持异步计算任务，优化线程使用与系统资源分配，同时支持定义模块拓扑结构的配置文件

（3）CyberRT缺点

CyberRT也存在用户经验少的短板，同时资源也没有Ros全面

3.源码开源程度

Autoware的代码完全开源,Apollo的代码还处于非完全开源状态

二、Autoware和Apollo自动驾驶系统的安全程度比较

1.Autoware

Autoware自动驾驶安全包括行为安全、功能安全、碰撞安全、操作安全和非碰撞安全。每一个领域都需要各种测试方法的组合，这些测试方法可以让我们验证全自动驾驶汽车的安全性

（1）行为安全

行为安全是指车辆在道路上的行驶决策和行为。正如人类驾驶员，自动驾驶车辆也要遵守交通规则，必须在各种情况下安全地导航——无论是预料中的还是意外的。【防盗标记–盒子君hzj】autoware运用功能分析、仿真工具和道路驾驶，以充分了解在我们的业务设计领域提出的挑战，并制定安全要求和多管齐下的测试和验证过程

（2）功能安全

功能安全旨在确保我们的车辆安全运行，即使有系统缺陷或故障。这意味着要建立备份系统和冗余机制来处理意外情况。例如，我们所有的自动驾驶车辆都配备了第二台计算机——在主计算机出现故障时可立刻接管车辆，使车辆安全停车（即最小风险条件）。我们的每一辆车都有备用转向和制动，整个系统还有其他许多冗功能。

（3）碰撞安全性

碰撞安全性，即耐撞性，是指车辆通过各种措施保护车内乘客的能力，从保护车内人员的结构设计到具有座椅约束和安全气囊的功能，以减轻伤害或防止死亡。【防盗标记–盒子君hzj】碰撞安全性是由美国联邦机动车辆安全标准（FMVSS）定义的，由美国国家公路交通安全管理局（NHTSA）发布。汽车厂商必须证明他们的基础车模型满足FMVSS要求。

（4）操作安全

操作安全是指我们的车辆和乘客之间的互动。有了操作上的安全，我们可以确保消费者在自动驾驶车辆中拥有安全舒适的体验。
我们建立安全产品的方法是通过危险分析、现有安全标准、广泛测试和各种行业的最佳实践而得知的。例如，通过我们早期的乘坐项目（在4节中进一步介绍），我们已经开发和测试了一种能使乘客可以清楚地表明目的地，指挥车辆靠边停车，并联系autoware的用户界面

2.Apollo

Apollo的自动驾驶安全包含安全设计和安全运行两大主要内容，【防盗标记–盒子君hzj】其中细分为操作安全、环境安全、行为安全、功能安全、质量安全、机制安全和安全进化七大内容。

综合来看，阿波罗的势力最强，合作伙伴最多，但车规方面和嵌入式系统方面考虑还不够。Autoware考虑嵌入式系统最多，车规方面较少，双方各有优缺点

【导航业务架构】Autoware和Apollo自动驾驶系统的对比相关推荐

百度推出自动驾驶系统Apollo２.0，距商业化“更近一步”！
https://www.toutiao.com/a6669370807363305996/ "2018百度世界大会(美国场)"1月8日在美国西部城市拉斯维加斯举行.大会现场,百度公 ...
Apollo进阶课程㊲丨Apollo自动驾驶架构介绍
原文链接:进阶课程㊲丨Apollo自动驾驶架构介绍自动驾驶硬件架构:一般采用激光雷达作为主要感知传感器,同时结合摄像头.GPS/IMU.毫米波雷达.超声波雷达等,以NVIDIA Drive PX2 ...
百度Apollo自动驾驶学习笔记
Apollo学习笔记作者:邹镇洪(清华大学车辆学院,个人主页转到Github项目主页查看持续更新转到Github项目主页查看持续更新转到Github项目主页查看持续更新本文是对百度Apoll ...
「百度@了所有车企」：Apollo自动驾驶商用上岗，欢迎上车
贾浩楠发自凹非寺量子位报道 | 公众号 QbitAI 1月25日,由威马汽车主办的"WeLab威马科技开放日"在上海举行,搭载百度Apollo AVP自主泊车方案的威马W6 ...
解析百度Apollo自动驾驶平台
最近对百度的自动驾驶平台Apollo项目做了一些了解.下面将我所了解到的一些信息分享给大家. Apollo项目介绍阿波罗(Apollo)是百度发布的面向汽车行业及自动驾驶领域的合作伙伴提供的软件平台 ...
apollo自动驾驶进阶学习之：canbus模块代码分析
文章目录封面代码架构内容结构封面 apollo自动驾驶:canbus模块代码讲解及测试(1)引言 apollo自动驾驶:canbus模块代码讲解及测试(2)框架讲解代码架构但是apollo ...
Apollo星火计划学习笔记——第四讲（Apollo自动驾驶高精地图）
文章目录前言 1. 高精度地图的作用 1.1 高精度地图与传统地图的区别 1.2 为什么要使用高精度地图? 1.3 高精度地图面临的挑战和问题 2. 高精度地图的介绍 2.1 如何制作高精度地图 2 ...
Apollo自动驾驶入门课程第⑦讲 — 规划（上）
目录 1. 规划简介 2. 将地图转为图形 3. 路径查找算法:A* 4. 轨迹生成 5. Fernet坐标系本文转自微信公众号:Apollo开发者社区原创: 阿波君 Apollo开发者社区 9月 ...
Apollo自动驾驶入门课程第②讲 — 高精地图
目录 1. 高精地图与传统地图 2. 高精地图与定位.感知规划的关系 2.1 高精地图用于定位 2.2 高精地图用于感知 2.3 高精地图用于规划 3. Apollo高精度地图与构建 3.1 Apol ...

【导航业务架构】Autoware和Apollo自动驾驶系统的对比