在Ubuntu 20.04上，用Autoware 1.14跑通第一个Demo（附避坑指南）

在Ubuntu 20.04上，用Autoware 1.14跑通第一个Demo（附避坑指南）

自动驾驶技术的快速发展让开源框架Autoware成为众多开发者和研究人员的首选工具。作为一款基于ROS的自动驾驶软件栈，Autoware 1.14版本虽然已经不再是最新版，但因其稳定性和丰富的功能模块，仍然是学习自动驾驶系统架构的理想起点。本文将带你从零开始，在Ubuntu 20.04系统上完成Autoware 1.14的安装配置，并成功运行官方提供的Moriyama Demo，同时分享我在实践过程中遇到的各种"坑"及其解决方案。

1. 环境准备与Autoware安装

在开始之前，确保你的系统满足以下基本要求：

• Ubuntu 20.04 LTS（推荐纯净安装）
• 至少8GB内存（16GB更佳）
• 50GB以上可用磁盘空间
• NVIDIA显卡（非必须但推荐）

1.1 安装ROS Noetic

Autoware 1.14需要ROS Noetic作为基础环境。执行以下命令安装：

sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 sudo apt update sudo apt install ros-noetic-desktop-full

安装完成后，初始化rosdep并设置环境变量：

sudo rosdep init rosdep update echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc

1.2 安装Autoware 1.14

推荐使用官方提供的Docker镜像进行安装，这能避免大量依赖冲突问题：

sudo apt install docker.io sudo systemctl enable --now docker sudo usermod -aG docker $USER newgrp docker docker pull autoware/autoware:1.14.0

提示：执行完usermod命令后需要注销并重新登录，使docker组权限生效。

2. 获取并准备Demo数据

Autoware官方提供了Moriyama数据集作为演示用途，我们需要先下载这个数据包：

wget https://autoware-ai.s3.us-east-2.amazonaws.com/sample_moriyama_150324.tar.gz tar xvf sample_moriyama_150324.tar.gz

这个数据包包含：

• 激光雷达点云数据(/points_raw)
• GNSS定位信息(/nmea_sentence)
• 车辆运动轨迹数据

注意：原始数据包较大（约3.5GB），解压后请确保有足够的磁盘空间。如果下载速度慢，可以尝试使用国内镜像源。

3. 启动Autoware Runtime Manager

Runtime Manager是Autoware的图形化控制中心，我们将通过它来管理整个Demo流程。

首先启动Docker容器：

docker run -it --rm -p 6080:6080 \ -v $HOME/autoware-data:/home/autoware/data \ -v /tmp/.X11-unix:/tmp/.X11-unix \ -e DISPLAY=$DISPLAY \ --device=/dev/dri:/dev/dri \ autoware/autoware:1.14.0

容器启动后，在新的终端中执行：

docker exec -it <container_id> bash source /opt/ros/noetic/setup.bash roslaunch runtime_manager runtime_manager.launch

此时应该能看到Runtime Manager的图形界面。界面主要分为几个区域：

• Setup：基础设置（TF、车辆模型等）
• Map：地图加载
• Simulation：仿真控制
• Computing：算法模块管理
• Visualization：可视化工具

4. 运行完整Demo流程

4.1 基础设置

1. 在Setup选项卡中：

   • 勾选TF
   • 勾选Vehicle Model
   • 点击Vehicle Model右侧的app按钮，设置合适的车辆尺寸参数

2. 在Map选项卡中：

   • 点击Point Cloud加载点云地图
   • 选择我们下载的sample_moriyama_data中的pointcloud_map.pcd文件

4.2 启动感知模块

1. 在Sensing选项卡中：

   • 勾选voxel_grid_filter（点云降采样）
   • 点击app按钮设置参数：

     leaf_size: 0.2 0.2 0.2

2. 在Computing选项卡中：

   • 勾选nmea2tfpose（GNSS定位）
   • 勾选ndt_matching（点云匹配定位）

4.3 播放数据包

1. 切换到Simulation选项卡
2. 点击Ref按钮选择我们下载的sample_moriyama_150324.bag
3. 点击Play开始播放数据

此时你应该能在Rviz中看到：

• 点云地图显示
• 车辆模型随着数据包播放而移动
• 实时激光雷达扫描数据

5. 常见问题与解决方案

5.1 地图加载失败或显示异常

现象：点云地图无法加载，或显示为杂乱无章的点集。

解决方案：

1. 检查地图文件路径是否正确
2. 确保文件权限可读：

   chmod +r pointcloud_map.pcd

3. 如果地图显示异常，尝试调整Rviz中的点云显示大小：

   Style: Points Size (Pixels): 1

5.2 节点卡顿或处理延迟

现象：(Processed/Input)数值差距大，系统响应缓慢。

优化方案：

1. 降低点云处理精度：

   voxel_grid_filter: leaf_size: 0.5 0.5 0.5

2. 关闭不必要的可视化工具
3. 在Runtime Manager中限制处理频率：

   ndt_matching: resolution: 2.0

5.3 TF坐标错误

现象：Rviz中显示No transform from [base_link] to [map]等TF错误。

解决方法：

1. 检查TF是否已勾选
2. 确认nmea2tfpose正常运行
3. 手动检查TF树：

   rosrun tf view_frames evince frames.pdf

5.4 数据包播放问题

现象：bag文件播放后无任何数据显示。

排查步骤：

1. 检查话题列表：

   rostopic list

2. 确认数据包信息：

   rosbag info sample_moriyama_150324.bag

3. 尝试手动播放：

   rosbag play --clock sample_moriyama_150324.bag

6. 高级调试技巧

当基础Demo运行稳定后，可以尝试更复杂的功能验证：

6.1 目标检测集成

虽然Autoware自带检测算法，但性能有限。可以集成YOLOv3实现更好的检测效果：

git clone https://github.com/leggedrobotics/darknet_ros.git cd darknet_ros && catkin_make -DCMAKE_BUILD_TYPE=Release

在Runtime Manager中：

1. 取消默认检测节点
2. 添加darknet_ros启动文件
3. 配置相机话题和检测参数

6.2 路径规划测试

1. 在Computing中启动waypoint_loader
2. 加载预存路径文件
3. 依次启动：
   • astar_avoid
   • velocity_set
   • pure_pursuit
4. 在Rviz中观察规划结果

6.3 性能监控

使用rqt工具实时监控系统状态：

rqt_graph # 查看节点关系 rqt_top # 查看资源占用 rqt_plot # 绘制话题数据曲线

对于长期运行的自动驾驶系统，建议将关键话题数据记录到新的bag文件中，便于后续分析：

rosbag record -O demo_log.bag /points_raw /detection /tf

7. 实际项目中的经验分享

在工业级应用中，Autoware 1.14有几个需要特别注意的方面：

1. 时钟同步：确保所有传感器数据有准确的时间戳，否则会导致融合算法失效。可以通过message_filters实现精确同步：

   from message_filters import ApproximateTimeSynchronizer ts = ApproximateTimeSynchronizer([sub1, sub2], queue_size=10, slop=0.1) ts.registerCallback(callback)

2. 坐标统一：不同模块可能使用不同的坐标系约定，特别是在将Autoware与其他系统集成时。建议在项目初期就明确定义：

   • 世界坐标系（map）
   • 车辆坐标系（base_link）
   • 传感器坐标系（velodyne, camera等）

3. 参数调优：Autoware的默认参数往往不适合特定场景，需要根据实际环境调整：

   • 点云匹配：ndt_max_iterations,trans_epsilon
   • 路径规划：waypoint_velocity,acceleration_limit
   • 控制参数：lookahead_distance,minimum_lookahead_distance

4. 硬件加速：对于实时性要求高的场景，考虑：

   • 使用CUDA加速的NDT匹配
   • FPGA加速的点云处理
   • 专用硬件运行深度学习模型